Artículo original: Sexauer, R., Riehle, F., Borkowski, K. et al. Enhancing breast positioning quality through real-time AI feedback. Eur Radiol 36, 55–63 (2026). https://doi.org/10.1007/s00330-025-11812-w
DOI: https://doi.org/10.1007/s00330-025-11812-w
Sociedad: European Society of Radiology (@myESR).
Palabras clave: aprendizaje profundo, cáncer de mama “Deep Learning”, mamografía, , mejora de la calidad, retroalimentación.
Abreviaturas y acrónimos utilizados: AI (Artificial Intelligence), AIC (Akaike Information Criterion), CC (Craniocaudal), DBM (Digital Breast Mammography), DBT (Digital Breast Tomosynthesis), dCNN (Deep Convolutional Neural Network), EMM (Estimated Marginal Means), MLO (Mediolateral Oblique), PGMI (Perfect-Good-Moderate-Inadequate), PNL (Posterior Nipple Line), YOE (Years of Experience).
Línea editorial: La revista European Radiology es la revista oficial de la Sociedad Europea de Radiología (ESR) y se sitúa como una publicación líder en la investigación clínica dentro del diagnóstico por imagen. Su línea editorial se centra en la difusión de estudios originales de alto impacto, investigaciones novedosas y comentarios de expertos destinados a profundizar en las innovaciones científicas más complejas del sector.
El artículo elegido pertenece al volumen 36 (2026), páginas 1-16, pero no solo se encuentra este artículo, hay muchos, y muy interesantes. Por eso me gustaría destacar el artículo “Updated ESUR Guidelines for Endometrial Cancer: integrating MRI with the 2023 FIGO Staging Revolution”. La estadificación precisa del cáncer de endometrio es indispensable para la adecuada planificación quirúrgica y terapéutica, especialmente tras la «revolución» que ha supuesto la nueva clasificación FIGO 2023 al integrar por primera vez el perfil molecular y nuevos criterios histopatológicos. La resonancia magnética (RM) se suele obtener como herramienta clave para evaluar la extensión local, pero la nueva normativa exige una mayor precisión diagnóstica para descartar cualquier grado de invasión miometrial (IM). Este es un artículo que detalla el consenso del grupo de trabajo de la ESUR para actualizar las guías de 2018, recomendando la transición de protocolos opcionales a un uso sistemático de secuencias de contraste multifásico (fase temprana, de equilibrio y tardía). Se obtuvieron datos que demuestran que la combinación de imágenes en T2 con este estudio dinámico de contraste aumenta la precisión para detectar la invasión miometrial de un 60-65% hasta un 85-90%. En conclusión, los resultados ponen de manifiesto la necesidad de estandarizar y adaptar los protocolos de RM para alinearse con los nuevos estándares moleculares y optimizar el manejo personalizado de las pacientes.
Motivos para la selección: Este artículo me ha parecido especialmente interesante teniendo en cuenta el panorama actual porque sitúa a la inteligencia artificial en el centro de la transformación digital de la radiología, demostrando que la inteligencia artificial no es una amenaza, ni una tecnología del futuro, si no una herramienta del presente que busca ayudarnos y tiene beneficios tangibles. En un contexto donde la carga de trabajo y la exigencia de precisión son cada vez mayores, analizar cómo la inteligencia artificial puede ayudarnos es fundamental para entender su papel como aumento de nuestras capacidades.
La alianza con la inteligencia artificial es necesaria para optimizar nuestros flujos de trabajo, mientras la máquina se encarga, como en este caso, de la auditoría técnica objetiva y constante —identificando fallos de posicionamiento en segundos—, de esta manera el profesional puede centrarse en la interpretación clínica compleja y, sobre todo, en el trato humano, valor insustituible de los radiólogos, especialmente en la radiología de mama.
Resumen:
Objetivos del estudio:
El estudio buscaba elevar la calidad de las mamografías mediante un sistema de retroalimentación (feedback) en tiempo real impulsado por IA. El fin último es garantizar que las imágenes cumplan con los más altos estándares de calidad —clasificados bajo los criterios PGMI (Perfecto, Bueno, Moderado e Inadecuado)— para maximizar la detección de posibles tumores.
Material y métodos:
Para evaluar el impacto real del software de IA «b-box™» en la práctica clínica, se diseñó un estudio retrospectivo comparativo que analizó la calidad del posicionamiento en mamografías digitales (DBM) y tomosíntesis (DBT) realizadas en un hospital de tercer nivel. La población de estudio incluyó a 1.220 mujeres, de las cuales se obtuvieron un total de 4.577 imágenes diagnósticas. Para garantizar la pureza de los datos sobre posicionamiento estándar, se excluyeron únicamente aquellas pacientes con antecedentes de cirugía mamaria reciente o implantes, incluyendo el resto de mamografías tanto de cribado como de carácter diagnóstico, lo que permitió obtener una muestra representativa de la carga de trabajo habitual en una unidad de mama.
La metodología se estructuró en torno a cuatro cohortes temporales clave para monitorizar la evolución técnica del personal. La primera cohorte (fase A) se estableció como control basal durante los 50 días previos a la implementación de la tecnología. La segunda (fase B) comprendió los 50 días inmediatamente posteriores a la instalación, capturando el efecto del feedback inicial. Finalmente, para medir la sostenibilidad de los resultados, se realizaron dos cortes adicionales: uno al año de uso (cohorte C1) y otro a los dos años (cohorte C2). El software de IA utilizado emplea algoritmos de aprendizaje profundo mediante redes neuronales convolucionales diseñadas para identificar con precisión hitos anatómicos fundamentales, como el pezón, el pliegue inframamario y el músculo pectoral, proporcionando una evaluación instantánea basada en los estándares internacionales de calidad.
El núcleo del análisis consistió en la clasificación de cada imagen según los criterios PGMI (Perfecto, Bueno, Moderado e Inadecuado). Estas puntuaciones otorgadas por la IA fueron validadas y comparadas mediante un análisis estadístico robusto que incluyó modelos de ecuaciones de estimación generalizadas para manejar la correlación entre imágenes de una misma paciente. Además, se emplearon criterios de información de Akaike para asegurar la precisión de los modelos estadísticos, permitiendo no solo cuantificar la mejora en las puntuaciones globales, sino también analizar de forma específica cómo la retroalimentación en tiempo real influyó en la visualización de cada estructura anatómica por separado a lo largo de los dos años de seguimiento.
Resultados:
Los datos obtenidos revelaron una transformación profunda y estadísticamente significativa en los estándares de calidad técnica tras la implementación de la IA. Al comparar la fase basal con el seguimiento a largo plazo, se observó que la tasa de imágenes clasificadas como «Inadecuadas» —aquellas que según los criterios PGMI comprometen la seguridad diagnóstica y suelen exigir la repetición de la prueba— se redujo de manera drástica, pasando de un 13,31% inicial a tan solo un 3,20% tras dos años de uso del sistema. Este descenso no fue un fenómeno transitorio, sino que mostró una tendencia a la baja consolidada, lo que demuestra que la retroalimentación inmediata del software b-box™ genera un cambio de hábito permanente y una estandarización de la técnica en los profesionales.
Paralelamente a la reducción de errores, el sistema impulsó un incremento notable en la excelencia diagnóstica, logrando que las proyecciones calificadas como «Perfectas» aumentaron del 22,34% al 32,27%. Este desplazamiento hacia la excelencia se vio reflejado específicamente en una mejor representación de los hitos anatómicos críticos: el software demostró una alta precisión al monitorizar la visibilidad del músculo pectoral en las proyecciones mediolaterales oblicuas (MLO) y la correcta extensión de la línea posterior del pezón en las proyecciones craneocaudales (CC). La capacidad de la IA para evaluar estos parámetros en segundos permitió asegurar que se incluyera la mayor cantidad de parénquima mamario posible en cada exposición, minimizando las áreas «ciegas» donde podrían ocultarse lesiones sutiles.
La mayor mejora en la calidad de la imagen se produjo de forma casi inmediata tras la instalación del software y se mantuvo estable en las evaluaciones realizadas a los doce y veinticuatro meses. Esto sugiere que la IA no solo actúa como un filtro de calidad, sino como una herramienta pedagógica de formación continua para los técnicos de radiología. Al proporcionar una auditoría objetiva y constante, se logra reducir la variabilidad interindividual entre los distintos operadores, elevando el nivel técnico global de la unidad de mama y garantizando una atención más segura y precisa para la paciente.
Conclusión:
El estudio descrito en el presente artículo es un claro ejemplo de que la integración de la IA en los servicios de radiología, más que suponer una amenaza, son un catalizador para la excelencia asistencial. En este caso, permitiendo transformar la evaluación subjetiva en una métrica objetiva y constante. Esto permite optimizar los flujos de trabajo cada vez más demandantes, reduciendo el tiempo de repetición de estudios. En definitiva, el estudio demuestra que la simbiosis entre el profesional y la tecnología es indispensable para elevar la seguridad de la paciente y garantizar la detección precoz de lesiones en las unidades de mama modernas.
Valoración personal:
Personalmente, me ha parecido un artículo muy interesante, por varias razones, en primer lugar, porque la inteligencia artificial es un campo muy amplio, por lo que no creo dominarlo. De esta manera, conocer una aplicación más, dentro de las infinitas aplicaciones posibles que tiene y que van encontrando su lugar en nuestros hospitales, permite entender cómo el futuro de los residentes de los residentes de radiología, es decir los radiólogos del futuro, trabajaremos de la mano de las nuevas tecnologías e inteligencia artificial. Esto, me deja como conclusión final, la idea de que estamos ante una nueva y emocionante revolución de nuestra especialidad, como lo fueron la llegada de la TC o la RM.
María Juan Porter
Hospital Universitario Infanta Leonor (Madrid), R2
cbseram.com 
Deja un comentario