¿Por qué aprender la interpretación de mamografías de cribado de cáncer de mama cuando hay disponibles sistemas de IA?

La interpretación de mamografías de cribado de cáncer de mama es una habilidad que los radiólogos de mama necesitan preservar de la descualificación y falta de cualificación derivadas del uso de la IA. La herramienta de entrenamiento en cribado de cáncer de mama desarrollada por IRYCIS y Aplicaciones Tecnológicas S.A. busca cubrir la falta de formación inicial y continuada que han detectado los profesionales de imagen mamaria..

En un artículo anterior ya tratamos de la necesidad de aprender con herramientas de aprendizaje y entrenamiento a pesar de que existan soluciones con IA de delimitación de órganos de riesgo. En él hablábamos de la descualificación y la falta de cualificación. Es decir, de la degradación de las competencias críticas del juicio clínico y de no desarrollar las habilidades de razonamiento básicas.

Al hilo de la experiencia de la introducción del piloto automático en aviación se presentaron los riesgos del sesgo de automatización. Además, la IA asume e imita procesos cognitivos más avanzados respecto a la automatización sin inteligencia artificial por lo que su efecto podría pronunciarse más.

En el caso concreto de la delimitación de órganos de riesgo, se requiere supervisión humana de la IA. Por tanto, es necesario saber de forma práctica y actualizada de esta tarea. Si no, es imposible evaluar con exactitud los resultados que proporcionan los sistemas de inteligencia artificial.

Octubre es el mes de la sensibilización sobre el cáncer de mama en octubre. Por eso, aprovechamos para profundizar en la innovadora herramienta en desarrollo para el entrenamiento en cribado de cáncer de mama mediante mamografía.

En este nuevo artículo nos centramos en la evidencia científica, todavía no muy abundante, del impacto de la utilización de sistemas de inteligencia artificial en el trabajo de cribado de los radiólogos. En especial, en el caso de los radiólogos de mama en la lectura de mamografías de cribado.

En el campo de la radiología, se encuentran cada vez más extendidos el cribado automático y los sistemas de ayuda en la toma de decisiones basados en aprendizaje automático[1].

La carga de trabajo de esta especialidad médica se ha venido incrementando durante las últimas décadas[2], [3], [4]. Diversas publicaciones vinculan estas elevadas cargas de trabajo de los radiólogos con el estrés por causas laborales[5], [6], [7].

La mamografía fue la primera de las áreas de radiología en la que se implantó la IA para soporte en la toma de decisiones diagnósticas[8].

En los programas de cribado de cáncer de mama, el 95% de las mamografías se clasifican normales. Esto aumenta el riesgo de errores de detección debido a la fatiga y a las distracciones por el análisis de gran cantidad de mamografías sin anomalías. Aquí los algoritmos de inteligencia artificial podrían reducir los errores[8].

De todas formas, la Dra. Teresa Presa Abós nos compartía en la entrevista que le realizamos que los radiólogos de mama todavía se encuentran en un período de decisión. La IA cada vez avanza más rápido, pero no ha llegado aún a lo que los profesionales quieren. La evidencia disponible apunta a que en el futuro las lecturas de mamografía las harán un radiólogo y la inteligencia artificial. Es decir, en la doble lectura que dictan las recomendaciones europeas y de la Sociedad Española de Imagen Mamaria, la IA sustituiría a uno de los radiólogos. En la actualidad, se necesita un profesional humano que revise lo que el sistema de inteligencia artificial aun como cáncer para determinar si puede serlo.

Por lo tanto, el especialista en imagen mamaria continúa siendo imprescindible en la supervisión de la IA actual y seguirá siendo necesario en la interpretación de mamografías. Así, la lectura de mamografías parece una de las habilidades fundamentales del campo de la radiología de mama en la que no se puede permitir la descualificación. En consecuencia, debe mantenerse dentro de la enseñanza aún con el avance tecnológico de la inteligencia artificial[1].

En 2020 se publicó un estudio del análisis del impacto de la IA en el cribado de cáncer de mama mediante mamografía. Se observó que la capacidad de detección de los médicos disminuía de forma significativa cuando se apoyaban en el sistema de IA[8].

Aunque en otra área de la radiología, en 2025 se publicó el primer trabajo que sugiere que la utilización de IA puede tener un impacto negativo sobre los resultados del paciente. Se trata de un estudio retrospectivo y observacional multicéntrico en Polonia. Evalúa la calidad de las colonoscopias mediante la comparación de dos períodos diferentes: tres meses antes y tres meses después de la implementación de sistemas de IA en los centros. La variable principal de análisis fue la tasa de detección de adenoma (ADR)[9].

Los investigadores encontraron que ADR en la colonoscopia estándar se redujo de un 28.4% antes del uso de la IA a un 22.4% después, con una diferencia absoluta del 6.0%. Los autores señalan que la exposición continua a la IA podría reducir ADR cuando los clínicos dejan de contar con la asistencia de la inteligencia artificial. Esto sugiere un efecto negativo de la IA sobre el rendimiento del endoscopista[9].

Varios autores señalan que la retención de habilidades técnicas disminuye cuando no hay oportunidades de formación práctica. La pérdida o deterioro de estas destrezas plantea riesgos en la prestación sanitaria en cuanto a la calidad, con resultados clínicos subóptimos o incluso perjudiciales para los pacientes[10].

Es importante fomentar una cultura de reciclaje y adaptación. Esto significa encontrar un balance entre la integración tecnológica, como la IA, y la preservación de competencias humanas críticas[10]. Por ejemplo, la lectura de mamografías de cribado.

Los profesionales de la Sociedad Española de Imagen Mamaria detectan la necesidad de una formación extra. En especial, para los radiólogos generales que terminan la residencia y deciden dedicarse a la mamografía de cribado. De la falta de esta formación inicial, aunque también continuada, surge el proyecto de una herramienta digital de entrenamiento en el cribado de cáncer de mama.

La Dra. Teresa Presa Abós lidera este proyecto desde el IRYCIS. Aplicaciones Tecnológicas S.A. firmó un acuerdo estratégico de codesarrollo y futura comercialización. El recurso formativo dirigido a los especialistas de imagen mamaria se alojará en la plataforma educativa AT-Training Hub.

La herramienta se concibe estructurada por niveles, según se trate de formación inicial o continuada. De esta manera, se pretende que evolucione conforme a la experiencia del usuario, incorporando casos de dificultad creciente. En un futuro se plantea incluir un módulo asistido por IA, de modo que se pueda practicar el funcionamiento de sistemas de inteligencia artificial y verificar los hallazgos mamográficos que encuentra.

El recurso tendrá una colección de imágenes anonimizadas, etiquetadas y supervisadas. El usuario de la herramienta contará con un espacio de trabajo donde realizar la lectura de mamografías. Una vez terminada su interpretación, mediante un algoritmo se comparará con el gold standard del experto. Este algoritmo valorará la precisión, sobre todo. Es decir, si se ha marcado de forma correcta el hallazgo.

La formación continuada con esta herramienta digital puede constituir una medida de seguridad en la prevención de la descualificación de los radiólogos de mama. Por tanto, está en la línea de una propuesta de varios autores[11] que proponen incorporar intervalos breves con la inteligencia artificial desactivada o retrasar su intervención. El fin es recalibrar la atención del profesional de forma que no pierda su competencia.

Puede obtener más información sobre el potencial de esta innovadora herramienta de entrenamiento en cribado de cáncer de mama para prevenir la falta de cualificación o descualificación de los radiólogos en el siguiente enlace.

Referencias

[1]    J. Rafner et al., ‘Deskilling, Upskilling, and Reskilling: a Case for Hybrid Intelligence’, Morals & Machines, vol. 1, no. 2, pp. 24–39, Jan. 2021, doi: 10.5771/2747-5174-2021-2-24.

[2]    A. Oprisan, E. Baettig-Arriagada, C. Baeza-Delgado, and L. Martí-Bonmatí, ‘Prevalence of burnout syndrome in Spanish radiologists’, Radiología, vol. 65, pp. 307–314, 2023, [Online]. Available: https://www.elsevier.es/en-revista-radiologia-english-edition–419-pdf-S2173510723000721

[3]    A. L. Chetlen et al., ‘Addressing burnout in radiologists’, Acad. Radiol., vol. 26, no. 4, pp. 526–533, Apr. 2019, doi: 10.1016/j.acra.2018.07.001.

[4]    A. Brady, R. Ó. Laoide, P. McCarthy, and R. McDermott, ‘Discrepancy and error in radiology: concepts, causes and consequences’, Ulster Med. J., vol. 81, no. 1, pp. 3–9, Jan. 2012, Accessed: Oct. 10, 2024. [Online]. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3609674/

[5]    J. A. Harolds, J. R. Parikh, E. I. Bluth, S. C. Dutton, and M. P. Recht, ‘Burnout of radiologists: Frequency, risk factors, and remedies: A report of the ACR commission on human resources’, J. Am. Coll. Radiol., vol. 13, no. 4, pp. 411–416, Apr. 2016, doi: 10.1016/j.jacr.2015.11.003.

[6]    M. Bhargavan, A. H. Kaye, H. P. Forman, and J. H. Sunshine, ‘Workload of radiologists in United States in 2006-2007 and trends since 1991-1992’, Radiology, vol. 252, no. 2, pp. 458–467, Aug. 2009, doi: 10.1148/radiol.2522081895.

[7]    R. Nicola, M. F. McNeeley, and P. Bhargava, ‘Burnout in radiology’, Curr. Probl. Diagn. Radiol., vol. 44, no. 5, pp. 389–390, Sep. 2015, doi: 10.1067/j.cpradiol.2015.04.007.

[8]    E. Du-Crow, S. M. Astley, and J. Hulleman, ‘Is there a safety-net effect with computer-aided detection?’, J. Med. Imaging (Bellingham), vol. 7, no. 2, p. 022405, Mar. 2020, doi: 10.1117/1.JMI.7.2.022405.

[9]    K. Budzyń et al., ‘Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study’, Lancet Gastroenterol. Hepatol., vol. 10, no. 10, pp. 896–903, Aug. 2025, doi: 10.1016/S2468-1253(25)00133-5.

[10]  C. Natali, L. Marconi, L. D. Dias Duran, and F. Cabitza, ‘AI-induced deskilling in medicine: A mixed-method review and research agenda for healthcare and beyond’, Artif. Intell. Rev., vol. 58, no. 11, p. 356, Aug. 2025, doi: 10.1007/s10462-025-11352-1.

[11]       T. M. Berzin and E. J. Topol, ‘Preserving clinical skills in the age of AI assistance’, Lancet, vol. 406, no. 10513, p. 1719, Oct. 2025, doi: 10.1016/S0140-6736(25)02075-6.