What question did this study set out to answer?

Esta revisión tiene como objetivo evaluar la efectividad de la IA en los diagnósticos del cáncer de mama, centrándose en la histopatología y la detección de biomarcadores.

April 10, 2026Biomedical Research and Therapy0 citationsOpen Access

Inteligencia artificial en el diagnóstico del cáncer de mama a través de la histopatología y la detección de biomarcadores: una revisión de alcance

SMSiti Farizan Mansor MRMuhammad Nabil Fikri Roslan SDSyarifah Masyitah Habib Dzulkarnain

Puntos clave

Esta revisión tiene como objetivo evaluar la efectividad de la IA en los diagnósticos del cáncer de mama, centrándose en la histopatología y la detección de biomarcadores.
Se revisaron 11 estudios sobre enfoques de IA para la detección de biomarcadores en el cáncer de mama.
Se analizaron datos de paneles de suero, imágenes de inmunohistoquímica y histopatología digital.
Se evaluaron técnicas de IA como redes neuronales convolucionales y modelos de ensamblaje.
Los modelos de IA mostraron hasta un 92.9% de especificidad en clasificaciones basadas en suero e imagen.
Algunos métodos de IA pueden determinar el estado de los biomarcadores a partir de portaobjetos teñidos sin pruebas bioquímicas.
Los desafíos incluyen la necesidad de validación externa y abordar el sesgo de datos.

Resumen

El diagnóstico del cáncer de mama depende críticamente de la evaluación histopatológica precisa y la identificación de biomarcadores tumorales en biopsias y suero. Mientras que los procedimientos operativos estándar (SOP) proporcionan flujos de trabajo diagnósticos estructurados, están limitados por la variabilidad interobservador, incoherencias en las tinciones y inconsistencias en los criterios de interpretación y umbrales de decisión. La inteligencia artificial (IA) ofrece soluciones prometedoras al integrar fuentes de datos heterogéneas y estandarizar la interpretación. Esta revisión de alcance evalúa críticamente 11 estudios recientes sobre enfoques impulsados por IA para la detección de biomarcadores tumorales utilizando paneles de suero, imágenes de inmunohistoquímica (IHC), histopatología digital y predicción basada en morfología. Las técnicas de IA como las redes neuronales convolucionales, las máquinas de gradient boosting y los modelos de ensamblaje han demostrado mejoras en el rendimiento diagnóstico, la reproducibilidad y la eficiencia, logrando hasta un 92.9% de especificidad en modelos basados en suero y clasificaciones basadas en imágenes. Varios estudios han demostrado que la IA puede inferir el estado de los biomarcadores moleculares directamente de los portaobjetos teñidos con H&E, eliminando así la necesidad de ensayos bioquímicos. A pesar de estos avances, persisten desafíos significativos. Muchos modelos carecen de validación externa, explicabilidad e integración en flujos de trabajo clínicos. Además, las preocupaciones sobre el sesgo de datos, la propiedad y el despliegue equitativo destacan la urgente necesidad de gobernanza ética y diseño de modelos inclusivos. La investigación futura debe priorizar la validación prospectiva, la integración de datos multimodales y estrategias de implementación centradas en los clínicos para realizar el potencial de la IA en el avance de los diagnósticos del cáncer de mama y la atención personalizada.

Preguntar a la IA

Me gusta

Guardar

Ver artículo completo