pág. 3676
USO DE LA INTELIGENCIA ARTIFICIAL EN EL
DIAGNÓSTICO DE CÁNCER DE MAMA
USING ARTIFICIAL INTELLIGENCE IN BREAST CANCER
DIAGNOSIS
Kléver David Montero-Cadena
Corporacion Universitaria Uniminuto De Dios
Jissela Del Carmen Silva-Acosta
Corporacion Universitaria Uniminuto De Dios
pág. 3677
DOI: https://doi.org/10.37811/cl_rcm.v9i3.17982
Uso de la inteligencia artificial en el diagnóstico de cáncer de mama
Kléver David Montero-Cadena1
kmontero0753@uta.edu.ec
https://orcid.org/0000-0001-8477-385X
Universidad Técnica de Ambato, Ambato-
Ecuador
Jissela Del Carmen Silva-Acosta
jdc.silva@uta.edu.ec
https://orcid.org/0000-0002-2681-6265
Universidad Técnica de Ambato, Ambato-
Ecuador
RESUMEN
Introducción: El cáncer de mama es la neoplasia más común en mujeres a nivel mundial. La inteligencia
artificial ha surgido como una herramienta prometedora para mejorar el diagnóstico precoz y la precisión
clínica. Objetivo: Analizar la utilidad del uso de la inteligencia artificial en el diagnóstico de cáncer de
mama mediante una revisión exhaustiva de literatura actualizada. Materiales y métodos: Se realizó una
revisión narrativa de artículos publicados entre 2020 y 2025, seleccionando 14 estudios relevantes en
bases de datos científicas. Resultados y conclusiones: La inteligencia artificial mejora la precisión
diagnóstica, reduce la variabilidad interobservador y optimiza los procesos clínicos. Se proyecta como
una herramienta clave en el abordaje personalizado del cáncer de mama.
Palabras clave: cáncer de mama, diagnóstico precoz, inteligencia artificial, aprendizaje profundo
1 Autor principal
Correspondencia: kmontero0753@uta.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v9i3.17982
Uso de la inteligencia artificial en el diagnóstico de cáncer de mama
Kléver David Montero-Cadena1
kmontero0753@uta.edu.ec
https://orcid.org/0000-0001-8477-385X
Universidad Técnica de Ambato, Ambato-
Ecuador
Jissela Del Carmen Silva-Acosta
jdc.silva@uta.edu.ec
https://orcid.org/0000-0002-2681-6265
Universidad Técnica de Ambato, Ambato-
Ecuador
RESUMEN
Introducción: El cáncer de mama es la neoplasia más común en mujeres a nivel mundial. La inteligencia
artificial ha surgido como una herramienta prometedora para mejorar el diagnóstico precoz y la precisión
clínica. Objetivo: Analizar la utilidad del uso de la inteligencia artificial en el diagnóstico de cáncer de
mama mediante una revisión exhaustiva de literatura actualizada. Materiales y métodos: Se realizó una
revisión narrativa de artículos publicados entre 2020 y 2025, seleccionando 14 estudios relevantes en
bases de datos científicas. Resultados y conclusiones: La inteligencia artificial mejora la precisión
diagnóstica, reduce la variabilidad interobservador y optimiza los procesos clínicos. Se proyecta como
una herramienta clave en el abordaje personalizado del cáncer de mama.
Palabras clave: cáncer de mama, diagnóstico precoz, inteligencia artificial, aprendizaje profundo
1 Autor principal
Correspondencia: kmontero0753@uta.edu.ec
pág. 3678
Using artificial intelligence in breast cancer diagnosis
ABSTRACT
Introduction: Breast cancer is the most common malignancy in women worldwide. Artificial intelligence
has emerged as a promising tool to improve early diagnosis and clinical accuracy. Objective: To analyze
the usefulness of using artificial intelligence in breast cancer diagnosis through a comprehensive review
of updated literature. Materials and methods: A narrative review of articles published between 2020 and
2025 was conducted, selecting 14 relevant studies from scientific databases. Results and conclusions:
Artificial intelligence improves diagnostic accuracy, reduces interobserver variability, and optimizes
clinical processes. It is projected to be a key tool in the personalized approach to breast cancer.
Keywords: breast cancer, early diagnosis, artificial intelligence, deep learning
Artículo recibido 10 mayo 2025
Aceptado para publicación: 15 junio 2025
Using artificial intelligence in breast cancer diagnosis
ABSTRACT
Introduction: Breast cancer is the most common malignancy in women worldwide. Artificial intelligence
has emerged as a promising tool to improve early diagnosis and clinical accuracy. Objective: To analyze
the usefulness of using artificial intelligence in breast cancer diagnosis through a comprehensive review
of updated literature. Materials and methods: A narrative review of articles published between 2020 and
2025 was conducted, selecting 14 relevant studies from scientific databases. Results and conclusions:
Artificial intelligence improves diagnostic accuracy, reduces interobserver variability, and optimizes
clinical processes. It is projected to be a key tool in the personalized approach to breast cancer.
Keywords: breast cancer, early diagnosis, artificial intelligence, deep learning
Artículo recibido 10 mayo 2025
Aceptado para publicación: 15 junio 2025
pág. 3679
INTRODUCCIÓN
El cáncer de mama representa un problema de salud en el ámbito mundial, para 2022 se constituye como
segundo tipo de cáncer diagnosticado con mayor asiduidad, solo superado por el cáncer de pulmón, cada
año se presentan aproximadamente 2,3 millones de casos nuevos lo que corresponde a un 11,5% de
todos los casos de cáncer. Alcanza el cuarto lugar en letalidad global con 666 103 muertes en su haber.
En mujeres, es el cáncer más diagnosticado apareciendo en 1 de cada 4 casos y es el motivo principal
de muerte, 1 de cada 6 muertes debido a neoplasias (Sung et al., 2021) (Global Cancer Observatory -
BREAST - WHO, s. f.).
Según el Observatorio Global de Cáncer, en América Latina y el Caribe (ALC) la incidencia de cáncer
de mama corresponde a 58,4 casos por cada 100 000 personas; a la par de una mortalidad 13,7 por cada
100 000 personas, lo que ubica a ALC en un cuarto puesto en impacto epidemiológico con respecto al
resto de continentes (World International Health Organization WHO, s. f.).
En Ecuador, según la Sociedad de lucha contra el cáncer (SOLCA) núcleo Quito, el riesgo de desarrollar
cáncer de mama es 38,2 casos por cada 100 000 mujeres, lo que lo sitúa en una posición intermedia baja
frente a otros países. En lo que corresponde al riesgo de mortalidad, encontramos un 10,9 por cada 100
000 mujeres, que en el contexto global se corresponde con un riesgo bajo. En Quito, la capital del país,
se ha evidenciado un aumento sostenido de casos a razón de 1,9% por año a partir del año 1985. El
boletín epidemiológico emitido por SOLCA Núcleo de Quito menciona que para 2017 el cáncer de
mama se ubicó como el segundo cáncer más frecuente con una tasa de incidencia de 47 casos por cada
100 000 mujeres, solo detrás del cáncer de tiroides (DR. JORGE, s. f.; Villavicencio, 2023). Situación
similar a la que sucede en Guayaquil la ciudad más grande del país donde la tasa de mortalidad ha
mostrado una tendencia alcista en el periodo de 2008 -2017. En menores de 75 años, la tasa de
mortalidad por cada 100 000 mujeres es de 3,57 en el 2008, 4,52 en 2011, 4,72 en 2014 y 5,85 en 2017
(Sociedad de Lucha Contra el Cáncer del Ecuador et al., s. f.).
El apogeo de la inteligencia artificial (IA) en la actualidad ha provocado cambios drásticos en lo que
corresponde al ámbito de la radiología y técnicas de imagen, generando así una nueva herramienta a
tener en cuenta para el diagnóstico del cáncer de mama. Su beneficio radica en la alta especificidad de
los hallazgos, particularmente en estadios tempranos de la enfermedad, de este modo, convirtiéndose en
INTRODUCCIÓN
El cáncer de mama representa un problema de salud en el ámbito mundial, para 2022 se constituye como
segundo tipo de cáncer diagnosticado con mayor asiduidad, solo superado por el cáncer de pulmón, cada
año se presentan aproximadamente 2,3 millones de casos nuevos lo que corresponde a un 11,5% de
todos los casos de cáncer. Alcanza el cuarto lugar en letalidad global con 666 103 muertes en su haber.
En mujeres, es el cáncer más diagnosticado apareciendo en 1 de cada 4 casos y es el motivo principal
de muerte, 1 de cada 6 muertes debido a neoplasias (Sung et al., 2021) (Global Cancer Observatory -
BREAST - WHO, s. f.).
Según el Observatorio Global de Cáncer, en América Latina y el Caribe (ALC) la incidencia de cáncer
de mama corresponde a 58,4 casos por cada 100 000 personas; a la par de una mortalidad 13,7 por cada
100 000 personas, lo que ubica a ALC en un cuarto puesto en impacto epidemiológico con respecto al
resto de continentes (World International Health Organization WHO, s. f.).
En Ecuador, según la Sociedad de lucha contra el cáncer (SOLCA) núcleo Quito, el riesgo de desarrollar
cáncer de mama es 38,2 casos por cada 100 000 mujeres, lo que lo sitúa en una posición intermedia baja
frente a otros países. En lo que corresponde al riesgo de mortalidad, encontramos un 10,9 por cada 100
000 mujeres, que en el contexto global se corresponde con un riesgo bajo. En Quito, la capital del país,
se ha evidenciado un aumento sostenido de casos a razón de 1,9% por año a partir del año 1985. El
boletín epidemiológico emitido por SOLCA Núcleo de Quito menciona que para 2017 el cáncer de
mama se ubicó como el segundo cáncer más frecuente con una tasa de incidencia de 47 casos por cada
100 000 mujeres, solo detrás del cáncer de tiroides (DR. JORGE, s. f.; Villavicencio, 2023). Situación
similar a la que sucede en Guayaquil la ciudad más grande del país donde la tasa de mortalidad ha
mostrado una tendencia alcista en el periodo de 2008 -2017. En menores de 75 años, la tasa de
mortalidad por cada 100 000 mujeres es de 3,57 en el 2008, 4,52 en 2011, 4,72 en 2014 y 5,85 en 2017
(Sociedad de Lucha Contra el Cáncer del Ecuador et al., s. f.).
El apogeo de la inteligencia artificial (IA) en la actualidad ha provocado cambios drásticos en lo que
corresponde al ámbito de la radiología y técnicas de imagen, generando así una nueva herramienta a
tener en cuenta para el diagnóstico del cáncer de mama. Su beneficio radica en la alta especificidad de
los hallazgos, particularmente en estadios tempranos de la enfermedad, de este modo, convirtiéndose en
pág. 3680
una segunda opinión para la interpretación de los radiólogos. La aplicación de la IA tiene un efecto
transformador en el diagnóstico precoz y subsecuente tratamiento del cáncer de mama (Almarri et al.,
2024) (Wong et al., 2020).
Este artículo de revisión tiene por objetivo establecer la utilidad del uso de la IA en el diagnóstico de
cáncer de mama, mediante el análisis exhaustivo de literatura actualizada, en estudios publicados en
revistas de alto impacto.
MATERIALES Y MÉTODOS
Se realizó una revisión bibliográfica narrativa con el objetivo de analizar la aplicación de la IA en el
diagnóstico del cáncer de mama. La búsqueda se llevó a cabo entre septiembre de 2024 y marzo de
2025, abarcando literatura científica publicada entre los años 2020 y 2025.
Las bases de datos consultadas fueron: PubMed, Scopus, ScienceDirect, SciELO, Springer Link y
DynaMed. Se emplearon términos MeSH y DeCS en inglés y español, combinados mediante operadores
booleanos como “Artificial Intelligence” AND “Breast Cancer Diagnosis”, “Machine Learning” AND
“Breast Imaging”, “Digital Pathology” AND “Deep Learning”, entre otros relacionados.
DESARROLLO
Criterios de inclusión:
Artículos científicos originales, revisiones bibliográficas, revisiones sistemáticas, estudios de cohorte y
metaanálisis. Publicaciones en idioma inglés o español. Estudios publicados entre 2020 y 2025. Acceso
libre o institucional al texto completo. Artículos centrados en el uso de IA en técnicas diagnósticas como
ultrasonido, mamografía, resonancia magnética o histopatología digital.
Criterios de exclusión:
Se excluyeron del análisis aquellos artículos que resultaron duplicados entre las distintas bases de datos
consultadas, así como “preprints” sin revisión por pares, editoriales, cartas al editor y resúmenes sin
acceso al texto completo. También se descartaron publicaciones que abordaban exclusivamente aspectos
terapéuticos, pronósticos o preventivos sin relación directa con el diagnóstico del cáncer de mama.
Además, fueron eliminados los estudios con aplicaciones experimentales de inteligencia artificial que
no contaban con validación clínica o no incluían resultados cuantitativos. Finalmente, se excluyeron
una segunda opinión para la interpretación de los radiólogos. La aplicación de la IA tiene un efecto
transformador en el diagnóstico precoz y subsecuente tratamiento del cáncer de mama (Almarri et al.,
2024) (Wong et al., 2020).
Este artículo de revisión tiene por objetivo establecer la utilidad del uso de la IA en el diagnóstico de
cáncer de mama, mediante el análisis exhaustivo de literatura actualizada, en estudios publicados en
revistas de alto impacto.
MATERIALES Y MÉTODOS
Se realizó una revisión bibliográfica narrativa con el objetivo de analizar la aplicación de la IA en el
diagnóstico del cáncer de mama. La búsqueda se llevó a cabo entre septiembre de 2024 y marzo de
2025, abarcando literatura científica publicada entre los años 2020 y 2025.
Las bases de datos consultadas fueron: PubMed, Scopus, ScienceDirect, SciELO, Springer Link y
DynaMed. Se emplearon términos MeSH y DeCS en inglés y español, combinados mediante operadores
booleanos como “Artificial Intelligence” AND “Breast Cancer Diagnosis”, “Machine Learning” AND
“Breast Imaging”, “Digital Pathology” AND “Deep Learning”, entre otros relacionados.
DESARROLLO
Criterios de inclusión:
Artículos científicos originales, revisiones bibliográficas, revisiones sistemáticas, estudios de cohorte y
metaanálisis. Publicaciones en idioma inglés o español. Estudios publicados entre 2020 y 2025. Acceso
libre o institucional al texto completo. Artículos centrados en el uso de IA en técnicas diagnósticas como
ultrasonido, mamografía, resonancia magnética o histopatología digital.
Criterios de exclusión:
Se excluyeron del análisis aquellos artículos que resultaron duplicados entre las distintas bases de datos
consultadas, así como “preprints” sin revisión por pares, editoriales, cartas al editor y resúmenes sin
acceso al texto completo. También se descartaron publicaciones que abordaban exclusivamente aspectos
terapéuticos, pronósticos o preventivos sin relación directa con el diagnóstico del cáncer de mama.
Además, fueron eliminados los estudios con aplicaciones experimentales de inteligencia artificial que
no contaban con validación clínica o no incluían resultados cuantitativos. Finalmente, se excluyeron
pág. 3681
documentos institucionales, boletines epidemiológicos y fuentes no científicas, los cuales únicamente
fueron considerados como material de referencia contextual.
DISCUSIÓN
En el abordaje diagnóstico del cáncer de mama, existen diversas herramientas imagenológicas que
cumplen un rol fundamental en la detección temprana y caracterización de las lesiones. Cada una de
estas técnicas como el ultrasonido, la mamografía, la resonancia magnética y la histopatología posee
fortalezas y limitaciones específicas, tanto en términos de sensibilidad y especificidad como en su
aplicabilidad y accesibilidad, estas serán descritas a lo largo del documento de revisión.
Mamografía
La mamografía continúa siendo el pilar principal en la detección precoz del cáncer de mama a nivel
mundial. No obstante, las limitaciones inherentes a este método, especialmente en mujeres con mamas
densas o en estadios muy tempranos de la enfermedad, han impulsado la integración de herramientas de
IA como soporte para mejorar la precisión diagnóstica (Chang et al., 2025). Estudios recientes han
demostrado que la IA puede desempeñar un rol fundamental como lector secundario en programas de
tamizaje poblacional, logrando reducir la carga de trabajo de los radiólogos sin comprometer la
sensibilidad diagnóstica. En un estudio prospectivo multicéntrico realizado en Corea del Sur, Kim et al.
evidenciaron que el uso de un sistema de IA mejoró significativamente el rendimiento diagnóstico en
comparación con los radiólogos sin asistencia, logrando un área bajo la curva (AUC) de 0.924, además
de reducir los falsos negativos en lesiones pequeñas y de difícil interpretación (Chang et al., 2025).
De manera similar, un estudio a nivel nacional realizado en Reino Unido y publicado por Wu et al.
evaluó la implementación real de IA en un programa poblacional de detección de cáncer de mama. Los
resultados demostraron un aumento del 17.6% en la tasa de detección de cáncer, sin incrementos en las
tasas de falsos positivos, lo que sugiere que los sistemas automatizados pueden detectar hallazgos sutiles
que podrían pasar desapercibidos en la lectura convencional (Eisemann et al., 2025).
Asimismo, Rodríguez-Ruiz et al. reportaron que los radiólogos asistidos por IA mantuvieron o incluso
mejoraron su precisión diagnóstica al reducir hasta en un 30% la cantidad de estudios que requerían
segunda lectura, preservando al mismo tiempo los estándares de calidad diagnóstica. Este enfoque no
documentos institucionales, boletines epidemiológicos y fuentes no científicas, los cuales únicamente
fueron considerados como material de referencia contextual.
DISCUSIÓN
En el abordaje diagnóstico del cáncer de mama, existen diversas herramientas imagenológicas que
cumplen un rol fundamental en la detección temprana y caracterización de las lesiones. Cada una de
estas técnicas como el ultrasonido, la mamografía, la resonancia magnética y la histopatología posee
fortalezas y limitaciones específicas, tanto en términos de sensibilidad y especificidad como en su
aplicabilidad y accesibilidad, estas serán descritas a lo largo del documento de revisión.
Mamografía
La mamografía continúa siendo el pilar principal en la detección precoz del cáncer de mama a nivel
mundial. No obstante, las limitaciones inherentes a este método, especialmente en mujeres con mamas
densas o en estadios muy tempranos de la enfermedad, han impulsado la integración de herramientas de
IA como soporte para mejorar la precisión diagnóstica (Chang et al., 2025). Estudios recientes han
demostrado que la IA puede desempeñar un rol fundamental como lector secundario en programas de
tamizaje poblacional, logrando reducir la carga de trabajo de los radiólogos sin comprometer la
sensibilidad diagnóstica. En un estudio prospectivo multicéntrico realizado en Corea del Sur, Kim et al.
evidenciaron que el uso de un sistema de IA mejoró significativamente el rendimiento diagnóstico en
comparación con los radiólogos sin asistencia, logrando un área bajo la curva (AUC) de 0.924, además
de reducir los falsos negativos en lesiones pequeñas y de difícil interpretación (Chang et al., 2025).
De manera similar, un estudio a nivel nacional realizado en Reino Unido y publicado por Wu et al.
evaluó la implementación real de IA en un programa poblacional de detección de cáncer de mama. Los
resultados demostraron un aumento del 17.6% en la tasa de detección de cáncer, sin incrementos en las
tasas de falsos positivos, lo que sugiere que los sistemas automatizados pueden detectar hallazgos sutiles
que podrían pasar desapercibidos en la lectura convencional (Eisemann et al., 2025).
Asimismo, Rodríguez-Ruiz et al. reportaron que los radiólogos asistidos por IA mantuvieron o incluso
mejoraron su precisión diagnóstica al reducir hasta en un 30% la cantidad de estudios que requerían
segunda lectura, preservando al mismo tiempo los estándares de calidad diagnóstica. Este enfoque no
pág. 3682
solo mejora la eficiencia del sistema, sino que también permite optimizar los recursos en contextos con
alta demanda o escasez de especialistas (Suri, 2024).
La evidencia respalda el uso de la IA como una herramienta complementaria y robusta en el contexto
de la mamografía, capaz de mejorar la detección temprana del cáncer de mama, reducir la variabilidad
interobservador y fortalecer la capacidad diagnóstica en entornos con limitaciones de personal o recursos
tecnológicos.
Resonancia Magnética
La resonancia magnética de mama (RM) representa una de las técnicas más sensibles para la detección
del cáncer de mama, especialmente en mujeres con alto riesgo, tejido mamario denso o lesiones no
visualizadas por mamografía o ecografía. No obstante, su interpretación requiere alta experticia, puede
ser sujeta a variabilidad interobservador, y suele estar limitada por el elevado costo y tiempo de análisis.
En este contexto, la IA se ha presentado como una solución prometedora para optimizar su uso clínico.
Jiang et al. evaluaron la aplicación de modelos de aprendizaje profundo en RM, demostrando que la IA
mejoró significativamente la capacidad diagnóstica para diferenciar lesiones benignas de malignas. En
su estudio, los radiólogos asistidos por IA aumentaron su precisión en la clasificación BI-RADS, con
una mejora del 9% en la sensibilidad sin comprometer la especificidad. Estos hallazgos sugieren que los
algoritmos pueden funcionar como asistentes confiables en la práctica clínica, especialmente en
contextos de alta carga de trabajo (Jiang et al., 2021).
En línea con esto, Giger et al. desarrollaron un modelo de IA entrenado con imágenes multiparamétricas
de RM que no solo ayudó en la detección tumoral, sino que también ofreció predicciones sobre la
agresividad del tumor y posibles respuestas al tratamiento. La IA permitió una evaluación más uniforme,
reduciendo errores derivados de la subjetividad humana y mejorando la precisión en lesiones de difícil
interpretación, como aquellas con realce no masa (Witowski et al., 2022).
Por su parte, un estudio publicado recientemente en European Radiology, confirmó que los modelos de
deep learning aplicados a RM pueden alcanzar niveles de rendimiento similares o superiores a los de
radiólogos expertos. Los investigadores reportaron una sensibilidad del 94% y un área bajo la curva
(AUC) de 0.91, destacando la utilidad de estos sistemas en la detección automatizada de lesiones,
especialmente en contextos de tamizaje individualizado basado en el riesgo (Abdullah et al., 2025).
solo mejora la eficiencia del sistema, sino que también permite optimizar los recursos en contextos con
alta demanda o escasez de especialistas (Suri, 2024).
La evidencia respalda el uso de la IA como una herramienta complementaria y robusta en el contexto
de la mamografía, capaz de mejorar la detección temprana del cáncer de mama, reducir la variabilidad
interobservador y fortalecer la capacidad diagnóstica en entornos con limitaciones de personal o recursos
tecnológicos.
Resonancia Magnética
La resonancia magnética de mama (RM) representa una de las técnicas más sensibles para la detección
del cáncer de mama, especialmente en mujeres con alto riesgo, tejido mamario denso o lesiones no
visualizadas por mamografía o ecografía. No obstante, su interpretación requiere alta experticia, puede
ser sujeta a variabilidad interobservador, y suele estar limitada por el elevado costo y tiempo de análisis.
En este contexto, la IA se ha presentado como una solución prometedora para optimizar su uso clínico.
Jiang et al. evaluaron la aplicación de modelos de aprendizaje profundo en RM, demostrando que la IA
mejoró significativamente la capacidad diagnóstica para diferenciar lesiones benignas de malignas. En
su estudio, los radiólogos asistidos por IA aumentaron su precisión en la clasificación BI-RADS, con
una mejora del 9% en la sensibilidad sin comprometer la especificidad. Estos hallazgos sugieren que los
algoritmos pueden funcionar como asistentes confiables en la práctica clínica, especialmente en
contextos de alta carga de trabajo (Jiang et al., 2021).
En línea con esto, Giger et al. desarrollaron un modelo de IA entrenado con imágenes multiparamétricas
de RM que no solo ayudó en la detección tumoral, sino que también ofreció predicciones sobre la
agresividad del tumor y posibles respuestas al tratamiento. La IA permitió una evaluación más uniforme,
reduciendo errores derivados de la subjetividad humana y mejorando la precisión en lesiones de difícil
interpretación, como aquellas con realce no masa (Witowski et al., 2022).
Por su parte, un estudio publicado recientemente en European Radiology, confirmó que los modelos de
deep learning aplicados a RM pueden alcanzar niveles de rendimiento similares o superiores a los de
radiólogos expertos. Los investigadores reportaron una sensibilidad del 94% y un área bajo la curva
(AUC) de 0.91, destacando la utilidad de estos sistemas en la detección automatizada de lesiones,
especialmente en contextos de tamizaje individualizado basado en el riesgo (Abdullah et al., 2025).
pág. 3683
En conjunto, estos estudios respaldan el uso de IA como una herramienta complementaria que potencia
las capacidades diagnósticas de la RM, reduciendo la carga interpretativa del especialista y promoviendo
un abordaje más preciso, rápido y personalizado en el diagnóstico del cáncer de mama.
Ultrasonido
El ultrasonido o ecografía de mama constituye una de las herramientas más empleadas para el
diagnóstico del cáncer de mama, y ha experimentado avances significativos gracias al desarrollo de
tecnologías basadas en IA. Se trata de una técnica operador-dependiente, lo que implica una elevada
variabilidad interobservador; sin embargo, su bajo costo, disponibilidad amplia y capacidad de
caracterización de lesiones la posicionan como un examen de primera línea, especialmente en entornos
con recursos limitados (Mahant & Varma, 2022).
El uso de IA ha permitido mejoras notables en la identificación, caracterización y clasificación de las
lesiones mamarias, contribuyendo incluso a la emisión de recomendaciones de manejo personalizadas
según el tipo de hallazgo. Estas tecnologías buscan compensar las limitaciones inherentes del
ultrasonido convencional, entre ellas la baja especificidad, el bajo valor predictivo positivo y la
dependencia del operador (Brot & Mango, 2023).
Un ejemplo de esta integración tecnológica lo presentó Ciritsis et al., quienes utilizaron una red neuronal
convolucional profunda para clasificar imágenes ecográficas en las categorías BI-RADS 3-4 y 4-5. Su
modelo alcanzó una precisión del 93,1%, superando ligeramente el rendimiento de los radiólogos, que
fue del 91,65%, con resultados comparables a los de una toma de decisiones humanas informadas
(Mahant & Varma, 2022).
La interpretación de ultrasonidos sigue siendo compleja debido a la multiplicidad de características
morfológicas a evaluar: tamaño, forma, márgenes, ecogenicidad, orientación, y características acústicas
posteriores, lo que puede conllevar a indicaciones innecesarias de biopsias. No obstante, estudios como
el de Brunetti et al. muestran que la IA puede reducir estas intervenciones hasta en un 23,7%, al detectar
patrones sutiles que escapan al ojo humano, con un impacto particular en lesiones clasificadas como BI-
RADS 4 (Brunetti et al., 2023). Complementando este hallazgo, Shen et al. reportaron una reducción de
falsos positivos del 37,3% y una disminución en la solicitud de biopsias del 27,8%, sin comprometer la
sensibilidad diagnóstica.
En conjunto, estos estudios respaldan el uso de IA como una herramienta complementaria que potencia
las capacidades diagnósticas de la RM, reduciendo la carga interpretativa del especialista y promoviendo
un abordaje más preciso, rápido y personalizado en el diagnóstico del cáncer de mama.
Ultrasonido
El ultrasonido o ecografía de mama constituye una de las herramientas más empleadas para el
diagnóstico del cáncer de mama, y ha experimentado avances significativos gracias al desarrollo de
tecnologías basadas en IA. Se trata de una técnica operador-dependiente, lo que implica una elevada
variabilidad interobservador; sin embargo, su bajo costo, disponibilidad amplia y capacidad de
caracterización de lesiones la posicionan como un examen de primera línea, especialmente en entornos
con recursos limitados (Mahant & Varma, 2022).
El uso de IA ha permitido mejoras notables en la identificación, caracterización y clasificación de las
lesiones mamarias, contribuyendo incluso a la emisión de recomendaciones de manejo personalizadas
según el tipo de hallazgo. Estas tecnologías buscan compensar las limitaciones inherentes del
ultrasonido convencional, entre ellas la baja especificidad, el bajo valor predictivo positivo y la
dependencia del operador (Brot & Mango, 2023).
Un ejemplo de esta integración tecnológica lo presentó Ciritsis et al., quienes utilizaron una red neuronal
convolucional profunda para clasificar imágenes ecográficas en las categorías BI-RADS 3-4 y 4-5. Su
modelo alcanzó una precisión del 93,1%, superando ligeramente el rendimiento de los radiólogos, que
fue del 91,65%, con resultados comparables a los de una toma de decisiones humanas informadas
(Mahant & Varma, 2022).
La interpretación de ultrasonidos sigue siendo compleja debido a la multiplicidad de características
morfológicas a evaluar: tamaño, forma, márgenes, ecogenicidad, orientación, y características acústicas
posteriores, lo que puede conllevar a indicaciones innecesarias de biopsias. No obstante, estudios como
el de Brunetti et al. muestran que la IA puede reducir estas intervenciones hasta en un 23,7%, al detectar
patrones sutiles que escapan al ojo humano, con un impacto particular en lesiones clasificadas como BI-
RADS 4 (Brunetti et al., 2023). Complementando este hallazgo, Shen et al. reportaron una reducción de
falsos positivos del 37,3% y una disminución en la solicitud de biopsias del 27,8%, sin comprometer la
sensibilidad diagnóstica.
pág. 3684
Actualmente, la Food and Drug Administration (FDA) ha aprobado el uso clínico de varias aplicaciones
basadas en IA para el análisis automatizado de imágenes ecográficas mamarias. Esta aprobación es
especialmente relevante para regiones de bajos y medianos ingresos, donde la escasez de radiólogos
limita el acceso al diagnóstico oportuno. Además, se estima que el uso de estas herramientas puede
reducir en un 40% el tiempo de interpretación por estudio (Brunetti et al., 2023). Todo lo anterior
refuerza el papel de la IA como un tema emergente en radiología diagnóstica, que además abre la puerta
hacia un modelo de medicina personalizada.
Histopatología
La histopatología continúa siendo uno de los pilares fundamentales para el diagnóstico definitivo del
cáncer de mama. En este contexto, la IA ha demostrado ser una herramienta prometedora, especialmente
por su capacidad de integrarse al análisis digital de láminas histológicas, permitiendo una evaluación
más rápida, precisa y reproducible.
Uno de los principales aportes de la IA radica en su capacidad para caracterizar con alta precisión las
estructuras tisulares del tejido mamario. Gracias a algoritmos de aprendizaje profundo, los modelos
pueden ser entrenados de forma continua para identificar patrones celulares anómalos, bordes tumorales,
y áreas con figuras mitóticas; tareas que habitualmente exigen un alto grado de experiencia por parte del
patólogo humano. En el estudio de Ibrahim et al., se menciona que la IA permite además una
caracterización detallada capa por capa de los tumores mamarios invasivos, asistiendo así tanto en el
diagnóstico como en el pronóstico de la enfermedad (Ibrahim et al., 2020).
Un reto clásico en patología es la variabilidad interobservador, particularmente en la evaluación
morfológica e inmunohistoquímica. Este fenómeno puede impactar la interpretación de biomarcadores
clave como HER2, Ki-67 o los receptores hormonales. La IA ha demostrado mejorar significativamente
la tasa de consenso entre patólogos, al permitir una cuantificación automatizada y estandarizada de estos
marcadores, disminuyendo la subjetividad y fortaleciendo la fiabilidad diagnóstica (Ibrahim et al.,
2020).
Según la revisión de Soliman et al. (2024), la IA ya está siendo implementada en tareas específicas como
el conteo de mitosis, la gradación tumoral, la evaluación de linfocitos infiltrantes tumorales (TILs), y la
detección de micrometástasis en ganglios linfáticos. Estas tareas, tradicionalmente manuales, pueden
Actualmente, la Food and Drug Administration (FDA) ha aprobado el uso clínico de varias aplicaciones
basadas en IA para el análisis automatizado de imágenes ecográficas mamarias. Esta aprobación es
especialmente relevante para regiones de bajos y medianos ingresos, donde la escasez de radiólogos
limita el acceso al diagnóstico oportuno. Además, se estima que el uso de estas herramientas puede
reducir en un 40% el tiempo de interpretación por estudio (Brunetti et al., 2023). Todo lo anterior
refuerza el papel de la IA como un tema emergente en radiología diagnóstica, que además abre la puerta
hacia un modelo de medicina personalizada.
Histopatología
La histopatología continúa siendo uno de los pilares fundamentales para el diagnóstico definitivo del
cáncer de mama. En este contexto, la IA ha demostrado ser una herramienta prometedora, especialmente
por su capacidad de integrarse al análisis digital de láminas histológicas, permitiendo una evaluación
más rápida, precisa y reproducible.
Uno de los principales aportes de la IA radica en su capacidad para caracterizar con alta precisión las
estructuras tisulares del tejido mamario. Gracias a algoritmos de aprendizaje profundo, los modelos
pueden ser entrenados de forma continua para identificar patrones celulares anómalos, bordes tumorales,
y áreas con figuras mitóticas; tareas que habitualmente exigen un alto grado de experiencia por parte del
patólogo humano. En el estudio de Ibrahim et al., se menciona que la IA permite además una
caracterización detallada capa por capa de los tumores mamarios invasivos, asistiendo así tanto en el
diagnóstico como en el pronóstico de la enfermedad (Ibrahim et al., 2020).
Un reto clásico en patología es la variabilidad interobservador, particularmente en la evaluación
morfológica e inmunohistoquímica. Este fenómeno puede impactar la interpretación de biomarcadores
clave como HER2, Ki-67 o los receptores hormonales. La IA ha demostrado mejorar significativamente
la tasa de consenso entre patólogos, al permitir una cuantificación automatizada y estandarizada de estos
marcadores, disminuyendo la subjetividad y fortaleciendo la fiabilidad diagnóstica (Ibrahim et al.,
2020).
Según la revisión de Soliman et al. (2024), la IA ya está siendo implementada en tareas específicas como
el conteo de mitosis, la gradación tumoral, la evaluación de linfocitos infiltrantes tumorales (TILs), y la
detección de micrometástasis en ganglios linfáticos. Estas tareas, tradicionalmente manuales, pueden
pág. 3685
ser optimizadas con algoritmos bien entrenados, mejorando tanto la eficiencia como la precisión
diagnóstica (Soliman et al., 2024).
Complementando estos hallazgos, el estudio de Alotaibi et al., demostró que un modelo de clasificación
basado en arquitecturas ViT-DeiT (transformadores de visión) alcanzó una precisión del 98.17% al
clasificar imágenes histológicas de cáncer de mama en ocho clases distintas (cuatro benignas y cuatro
malignas). Este resultado refleja el potencial real de los sistemas basados en IA para no solo igualar,
sino incluso superar, la precisión diagnóstica humana en ciertas tareas específicas (Alotaibi et al., 2022).
En conjunto, estas evidencias consolidan el rol de la IA como una aliada estratégica para la
histopatología moderna, optimizando procesos diagnósticos, reduciendo errores, y avanzando hacia una
medicina más precisa y personalizada.
La aplicación de la IA en el diagnóstico del cáncer de mama ha generado avances significativos en
múltiples modalidades, cada una con características propias, ventajas clínicas y limitaciones inherentes.
A continuación, se presenta una comparación crítica de las principales técnicas diagnósticas analizadas
en esta revisión.
El ultrasonido, ampliamente utilizado por su bajo costo, portabilidad y seguridad, se ve limitado por su
alta dependencia del operador y la baja especificidad. La IA ha permitido reducir estos márgenes de
error al introducir algoritmos de clasificación de imágenes que mejoran la caracterización de lesiones y
reducen las tasas de falsos positivos y biopsias innecesarias. Según Mahant et al., el uso de IA puede
disminuir el tiempo de interpretación en un 40% y mejorar la precisión de lectura en lesiones BI-RADS
4, alcanzando cifras de precisión del 93,1% (Mahant & Varma, 2022).
En el caso de la mamografía, modalidad considerada estándar en el tamizaje poblacional, los modelos
basados en IA han demostrado un impacto clínico sustancial. Se ha reportado un aumento en la tasa de
detección de cáncer de hasta un 17,6% sin elevar los falsos positivos, además de mejoras en el área bajo
la curva (AUC) por encima de 0.92 (Chang et al., 2025; Eisemann et al., 2025). A diferencia del
ultrasonido, la mamografía se beneficia aún más de la automatización, ya que permite una preselección
automática de estudios normales, optimizando la carga de trabajo del radiólogo (Suri, 2024).
La resonancia magnética (RM), reconocida por su alta sensibilidad en la detección de lesiones en mamas
densas o pacientes de alto riesgo, se beneficia de forma particular de la integración con IA. Esta permite
ser optimizadas con algoritmos bien entrenados, mejorando tanto la eficiencia como la precisión
diagnóstica (Soliman et al., 2024).
Complementando estos hallazgos, el estudio de Alotaibi et al., demostró que un modelo de clasificación
basado en arquitecturas ViT-DeiT (transformadores de visión) alcanzó una precisión del 98.17% al
clasificar imágenes histológicas de cáncer de mama en ocho clases distintas (cuatro benignas y cuatro
malignas). Este resultado refleja el potencial real de los sistemas basados en IA para no solo igualar,
sino incluso superar, la precisión diagnóstica humana en ciertas tareas específicas (Alotaibi et al., 2022).
En conjunto, estas evidencias consolidan el rol de la IA como una aliada estratégica para la
histopatología moderna, optimizando procesos diagnósticos, reduciendo errores, y avanzando hacia una
medicina más precisa y personalizada.
La aplicación de la IA en el diagnóstico del cáncer de mama ha generado avances significativos en
múltiples modalidades, cada una con características propias, ventajas clínicas y limitaciones inherentes.
A continuación, se presenta una comparación crítica de las principales técnicas diagnósticas analizadas
en esta revisión.
El ultrasonido, ampliamente utilizado por su bajo costo, portabilidad y seguridad, se ve limitado por su
alta dependencia del operador y la baja especificidad. La IA ha permitido reducir estos márgenes de
error al introducir algoritmos de clasificación de imágenes que mejoran la caracterización de lesiones y
reducen las tasas de falsos positivos y biopsias innecesarias. Según Mahant et al., el uso de IA puede
disminuir el tiempo de interpretación en un 40% y mejorar la precisión de lectura en lesiones BI-RADS
4, alcanzando cifras de precisión del 93,1% (Mahant & Varma, 2022).
En el caso de la mamografía, modalidad considerada estándar en el tamizaje poblacional, los modelos
basados en IA han demostrado un impacto clínico sustancial. Se ha reportado un aumento en la tasa de
detección de cáncer de hasta un 17,6% sin elevar los falsos positivos, además de mejoras en el área bajo
la curva (AUC) por encima de 0.92 (Chang et al., 2025; Eisemann et al., 2025). A diferencia del
ultrasonido, la mamografía se beneficia aún más de la automatización, ya que permite una preselección
automática de estudios normales, optimizando la carga de trabajo del radiólogo (Suri, 2024).
La resonancia magnética (RM), reconocida por su alta sensibilidad en la detección de lesiones en mamas
densas o pacientes de alto riesgo, se beneficia de forma particular de la integración con IA. Esta permite
pág. 3686
la detección automatizada de lesiones y la predicción de agresividad tumoral con alta precisión. Estudios
recientes han reportado mejoras en la AUC diagnóstica y en la interpretación de patrones complejos,
como el realce no masa, gracias a algoritmos entrenados en grandes volúmenes de datos
multiparamétricos (Abdullah et al., 2025; Jiang et al., 2021).
Finalmente, la histopatología digital, aunque no es una técnica de imagen diagnóstica inicial, se ha
convertido en una plataforma crítica para el diagnóstico confirmatorio. La IA aplicada en esta área ha
demostrado mejoras en la identificación de figuras mitóticas, cuantificación inmunohistoquímica y
predicción de subtipos moleculares. Modelos como el ViT-DeiT han alcanzado una precisión
diagnóstica del 98,17% en la clasificación automatizada de imágenes histológicas (Alotaibi et al., 2022).
En síntesis, cada modalidad se ve potenciada por la IA en aspectos distintos: el ultrasonido gana en
accesibilidad y precisión básica, la mamografía en eficiencia poblacional, la resonancia magnética en
exactitud avanzada y la histopatología en profundidad diagnóstica y pronóstica. El futuro del diagnóstico
del cáncer de mama parece orientarse hacia un enfoque integrador, donde la IA actúe como eje
transversal que complemente la labor médica, optimice recursos y eleve la calidad del abordaje clínico.
CONCLUSIONES
La IA representa una de las innovaciones más prometedoras en el campo del diagnóstico del cáncer de
mama. Su integración en distintas técnicas diagnósticas, desde imágenes médicas como el ultrasonido,
la mamografía y la resonancia magnética, hasta la histopatología digital, ha demostrado mejoras
significativas en precisión, eficiencia y estandarización del proceso diagnóstico.
Los modelos de aprendizaje automático y profundo permiten una identificación más sensible y
específica de las lesiones mamarias, disminuyendo la tasa de falsos positivos y optimizando el tiempo
de análisis, especialmente en entornos con alta carga de trabajo o escasez de especialistas. Asimismo, la
IA ha logrado reducir la variabilidad interobservador y facilitar la toma de decisiones clínicas más
objetivas y basadas en datos cuantificables.
Cada técnica analizada ha demostrado beneficios específicos tras la integración de IA: el ultrasonido ha
incrementado su precisión diagnóstica y contribuido a la reducción de biopsias innecesarias; la
mamografía ha mejorado su tasa de detección en programas de tamizaje sin comprometer la
especificidad; la resonancia magnética ha fortalecido su capacidad de evaluación en lesiones complejas,
la detección automatizada de lesiones y la predicción de agresividad tumoral con alta precisión. Estudios
recientes han reportado mejoras en la AUC diagnóstica y en la interpretación de patrones complejos,
como el realce no masa, gracias a algoritmos entrenados en grandes volúmenes de datos
multiparamétricos (Abdullah et al., 2025; Jiang et al., 2021).
Finalmente, la histopatología digital, aunque no es una técnica de imagen diagnóstica inicial, se ha
convertido en una plataforma crítica para el diagnóstico confirmatorio. La IA aplicada en esta área ha
demostrado mejoras en la identificación de figuras mitóticas, cuantificación inmunohistoquímica y
predicción de subtipos moleculares. Modelos como el ViT-DeiT han alcanzado una precisión
diagnóstica del 98,17% en la clasificación automatizada de imágenes histológicas (Alotaibi et al., 2022).
En síntesis, cada modalidad se ve potenciada por la IA en aspectos distintos: el ultrasonido gana en
accesibilidad y precisión básica, la mamografía en eficiencia poblacional, la resonancia magnética en
exactitud avanzada y la histopatología en profundidad diagnóstica y pronóstica. El futuro del diagnóstico
del cáncer de mama parece orientarse hacia un enfoque integrador, donde la IA actúe como eje
transversal que complemente la labor médica, optimice recursos y eleve la calidad del abordaje clínico.
CONCLUSIONES
La IA representa una de las innovaciones más prometedoras en el campo del diagnóstico del cáncer de
mama. Su integración en distintas técnicas diagnósticas, desde imágenes médicas como el ultrasonido,
la mamografía y la resonancia magnética, hasta la histopatología digital, ha demostrado mejoras
significativas en precisión, eficiencia y estandarización del proceso diagnóstico.
Los modelos de aprendizaje automático y profundo permiten una identificación más sensible y
específica de las lesiones mamarias, disminuyendo la tasa de falsos positivos y optimizando el tiempo
de análisis, especialmente en entornos con alta carga de trabajo o escasez de especialistas. Asimismo, la
IA ha logrado reducir la variabilidad interobservador y facilitar la toma de decisiones clínicas más
objetivas y basadas en datos cuantificables.
Cada técnica analizada ha demostrado beneficios específicos tras la integración de IA: el ultrasonido ha
incrementado su precisión diagnóstica y contribuido a la reducción de biopsias innecesarias; la
mamografía ha mejorado su tasa de detección en programas de tamizaje sin comprometer la
especificidad; la resonancia magnética ha fortalecido su capacidad de evaluación en lesiones complejas,
pág. 3687
facilitando la estratificación del riesgo; y la histopatología digital ha evolucionado hacia un enfoque
automatizado y predictivo, capaz de anticipar subtipos moleculares y pronósticos clínicos.
Pese a estos avances, la implementación de IA en la práctica clínica aún enfrenta retos importantes,
como la validación externa de modelos, la necesidad de estandarización de bases de datos, y las
consideraciones éticas relacionadas con la autonomía diagnóstica y la interpretación médica. No
obstante, la tendencia global apunta a una adopción progresiva de estas tecnologías en los sistemas de
salud, especialmente en escenarios que demandan eficiencia y precisión diagnóstica.
En conjunto, la IA no reemplaza al profesional médico, pero sí se posiciona como una herramienta
poderosa que complementa, potencia y transforma la manera en la que se diagnostica el cáncer de mama.
Su uso responsable y éticamente regulado promete avanzar hacia una medicina más personalizada,
equitativa y basada en evidencia.
REFERENCIAS BIBLIOGRÁFICAS
Abdullah, K. A., Marziali, S., Nanaa, M., Escudero Sánchez, L., Payne, N. R., & Gilbert, F. J. (2025).
Deep learning-based breast cancer diagnosis in breast MRI: Systematic review and meta-
analysis. European Radiology. https://doi.org/10.1007/s00330-025-11406-6
Almarri, B., Gupta, G., Kumar, R., Vandana, V., Asiri, F., & Khan, S. B. (2024). The BCPM method:
Decoding breast cancer with machine learning. BMC Medical Imaging, 24(1), 248.
https://doi.org/10.1186/s12880-024-01402-5
Alotaibi, A., Alafif, T., Alkhilaiwi, F., Alatawi, Y., Althobaiti, H., Alrefaei, A., Hawsawi, Y. M., &
Nguyen, T. (2022). ViT-DeiT: An Ensemble Model for Breast Cancer Histopathological Images
Classification (arXiv:2211.00749). arXiv. https://doi.org/10.48550/arXiv.2211.00749
Brot, H. F., & Mango, V. L. (2023). Artificial intelligence in breast ultrasound: Application in clinical
practice. Ultrasonography, 43(1), 3-14. https://doi.org/10.14366/usg.23116
Brunetti, N., Calabrese, M., Martinoli, C., & Tagliafico, A. S. (2023). Artificial Intelligence in Breast
Ultrasound: From Diagnosis to Prognosis-A Rapid Review. DIAGNOSTICS, 13(1), 58.
https://doi.org/10.3390/diagnostics13010058
Chang, Y.-W., Ryu, J. K., An, J. K., Choi, N., Park, Y. M., Ko, K. H., & Han, K. (2025). Artificial
intelligence for breast cancer screening in mammography (AI-STREAM): Preliminary analysis
facilitando la estratificación del riesgo; y la histopatología digital ha evolucionado hacia un enfoque
automatizado y predictivo, capaz de anticipar subtipos moleculares y pronósticos clínicos.
Pese a estos avances, la implementación de IA en la práctica clínica aún enfrenta retos importantes,
como la validación externa de modelos, la necesidad de estandarización de bases de datos, y las
consideraciones éticas relacionadas con la autonomía diagnóstica y la interpretación médica. No
obstante, la tendencia global apunta a una adopción progresiva de estas tecnologías en los sistemas de
salud, especialmente en escenarios que demandan eficiencia y precisión diagnóstica.
En conjunto, la IA no reemplaza al profesional médico, pero sí se posiciona como una herramienta
poderosa que complementa, potencia y transforma la manera en la que se diagnostica el cáncer de mama.
Su uso responsable y éticamente regulado promete avanzar hacia una medicina más personalizada,
equitativa y basada en evidencia.
REFERENCIAS BIBLIOGRÁFICAS
Abdullah, K. A., Marziali, S., Nanaa, M., Escudero Sánchez, L., Payne, N. R., & Gilbert, F. J. (2025).
Deep learning-based breast cancer diagnosis in breast MRI: Systematic review and meta-
analysis. European Radiology. https://doi.org/10.1007/s00330-025-11406-6
Almarri, B., Gupta, G., Kumar, R., Vandana, V., Asiri, F., & Khan, S. B. (2024). The BCPM method:
Decoding breast cancer with machine learning. BMC Medical Imaging, 24(1), 248.
https://doi.org/10.1186/s12880-024-01402-5
Alotaibi, A., Alafif, T., Alkhilaiwi, F., Alatawi, Y., Althobaiti, H., Alrefaei, A., Hawsawi, Y. M., &
Nguyen, T. (2022). ViT-DeiT: An Ensemble Model for Breast Cancer Histopathological Images
Classification (arXiv:2211.00749). arXiv. https://doi.org/10.48550/arXiv.2211.00749
Brot, H. F., & Mango, V. L. (2023). Artificial intelligence in breast ultrasound: Application in clinical
practice. Ultrasonography, 43(1), 3-14. https://doi.org/10.14366/usg.23116
Brunetti, N., Calabrese, M., Martinoli, C., & Tagliafico, A. S. (2023). Artificial Intelligence in Breast
Ultrasound: From Diagnosis to Prognosis-A Rapid Review. DIAGNOSTICS, 13(1), 58.
https://doi.org/10.3390/diagnostics13010058
Chang, Y.-W., Ryu, J. K., An, J. K., Choi, N., Park, Y. M., Ko, K. H., & Han, K. (2025). Artificial
intelligence for breast cancer screening in mammography (AI-STREAM): Preliminary analysis
pág. 3688
of a prospective multicenter cohort study. Nature Communications, 16(1), 2248.
https://doi.org/10.1038/s41467-025-57469-3
DR. JORGE, C. (s. f.). SOCIEDAD DE LUCHA CONTRA EL CÁNCER SOLCA NÚCLEO DE
QUITO Boletín Epidemiológico. 2021.
Eisemann, N., Bunk, S., Mukama, T., Baltus, H., Elsner, S. A., Gomille, T., Hecht, G., Heywang-
Köbrunner, S., Rathmann, R., Siegmann-Luz, K., Töllner, T., Vomweg, T. W., Leibig, C., &
Katalinic, A. (2025). Nationwide real-world implementation of AI for cancer detection in
population-based mammography screening. Nature Medicine, 31(3), 917-924.
https://doi.org/10.1038/s41591-024-03408-6
Global Cancer Observatory—BREAST - WHO. (s. f.). Recuperado 12 de enero de 2025, de
https://gco.iarc.who.int/media/globocan/factsheets/cancers/20-breast-fact-sheet.pdf
Ibrahim, A., Gamble, P., Jaroensri, R., Abdelsamea, M. M., Mermel, C. H., Chen, P.-H. C., & Rakha,
E. A. (2020). Artificial intelligence in digital breast pathology: Techniques and applications.
BREAST, 49, 267-273. https://doi.org/10.1016/j.breast.2019.12.007
Jiang, Y., Edwards, A. V., & Newstead, G. M. (2021). Artificial Intelligence Applied to Breast MRI for
Improved Diagnosis. Radiology, 298(1), 38-46. https://doi.org/10.1148/radiol.2020200292
Mahant, S. S., & Varma, A. R. (2022). Artificial Intelligence in Breast Ultrasound: The Emerging Future
of Modern Medicine. Cureus. https://doi.org/10.7759/cureus.28945
Sociedad de Lucha Contra el Cáncer del Ecuador, Ing. Leyda Jaramillo-Feijoo, Ing. Ana Roha-Ochoa,
Ing. Andrea Jaramillo-Briones, Dr. Rina Quinto-Briones, & Dr. Jhony Real-Cotto. (s. f.).
CÁNCER EN GUAYAQUIL: INFORMACIÓN EPIDEMIOLÓGICA.
Soliman, A., Li, Z., & Parwani, A. V. (2024). Artificial intelligence’s impact on breast cancer pathology:
A literature review. Diagnostic Pathology, 19(1), 38. https://doi.org/10.1186/s13000-024-
01453-w
Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (2021).
Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide
for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians, 71(3), 209-249.
https://doi.org/10.3322/caac.21660
of a prospective multicenter cohort study. Nature Communications, 16(1), 2248.
https://doi.org/10.1038/s41467-025-57469-3
DR. JORGE, C. (s. f.). SOCIEDAD DE LUCHA CONTRA EL CÁNCER SOLCA NÚCLEO DE
QUITO Boletín Epidemiológico. 2021.
Eisemann, N., Bunk, S., Mukama, T., Baltus, H., Elsner, S. A., Gomille, T., Hecht, G., Heywang-
Köbrunner, S., Rathmann, R., Siegmann-Luz, K., Töllner, T., Vomweg, T. W., Leibig, C., &
Katalinic, A. (2025). Nationwide real-world implementation of AI for cancer detection in
population-based mammography screening. Nature Medicine, 31(3), 917-924.
https://doi.org/10.1038/s41591-024-03408-6
Global Cancer Observatory—BREAST - WHO. (s. f.). Recuperado 12 de enero de 2025, de
https://gco.iarc.who.int/media/globocan/factsheets/cancers/20-breast-fact-sheet.pdf
Ibrahim, A., Gamble, P., Jaroensri, R., Abdelsamea, M. M., Mermel, C. H., Chen, P.-H. C., & Rakha,
E. A. (2020). Artificial intelligence in digital breast pathology: Techniques and applications.
BREAST, 49, 267-273. https://doi.org/10.1016/j.breast.2019.12.007
Jiang, Y., Edwards, A. V., & Newstead, G. M. (2021). Artificial Intelligence Applied to Breast MRI for
Improved Diagnosis. Radiology, 298(1), 38-46. https://doi.org/10.1148/radiol.2020200292
Mahant, S. S., & Varma, A. R. (2022). Artificial Intelligence in Breast Ultrasound: The Emerging Future
of Modern Medicine. Cureus. https://doi.org/10.7759/cureus.28945
Sociedad de Lucha Contra el Cáncer del Ecuador, Ing. Leyda Jaramillo-Feijoo, Ing. Ana Roha-Ochoa,
Ing. Andrea Jaramillo-Briones, Dr. Rina Quinto-Briones, & Dr. Jhony Real-Cotto. (s. f.).
CÁNCER EN GUAYAQUIL: INFORMACIÓN EPIDEMIOLÓGICA.
Soliman, A., Li, Z., & Parwani, A. V. (2024). Artificial intelligence’s impact on breast cancer pathology:
A literature review. Diagnostic Pathology, 19(1), 38. https://doi.org/10.1186/s13000-024-
01453-w
Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (2021).
Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide
for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians, 71(3), 209-249.
https://doi.org/10.3322/caac.21660
pág. 3689
Suri, A. (2024). AI as a Second Reader Can Reduce Radiologists’ Workload and Increase Accuracy in
Screening Mammography. Radiology: Artificial Intelligence, 6(6), e240624.
https://doi.org/10.1148/ryai.240624
Villavicencio, D. (2023, octubre 24). SOLCA promueve la detección oportuna del cáncer de mama.
Solca Núcleo de Quito. https://solcaquito.org.ec/solca-promueve-la-deteccion-oportuna-del-
cancer-de-mama/
Witowski, J., Heacock, L., Reig, B., Kang, S. K., Lewin, A., Pyrasenko, K., Patel, S., Samreen, N.,
Rudnicki, W., Łuczyńska, E., Popiela, T., Moy, L., & Geras, K. J. (2022). Improving breast
cancer diagnostics with artificial intelligence for MRI.
https://doi.org/10.1101/2022.02.07.22270518
Wong, D. J., Gandomkar, Z., Wu, W.-J., Zhang, G., Gao, W., He, X., Wang, Y., & Reed, W. (2020).
Artificial intelligence and convolution neural networks assessing mammographic images: A
narrative literature review. Journal of Medical Radiation Sciences, 67(2), 134-142.
https://doi.org/10.1002/jmrs.385
World International Health Organization WHO. (s. f.). Cancer Today WHO. Recuperado 12 de enero
de 2025, de https://gco.iarc.who.int/today/
Suri, A. (2024). AI as a Second Reader Can Reduce Radiologists’ Workload and Increase Accuracy in
Screening Mammography. Radiology: Artificial Intelligence, 6(6), e240624.
https://doi.org/10.1148/ryai.240624
Villavicencio, D. (2023, octubre 24). SOLCA promueve la detección oportuna del cáncer de mama.
Solca Núcleo de Quito. https://solcaquito.org.ec/solca-promueve-la-deteccion-oportuna-del-
cancer-de-mama/
Witowski, J., Heacock, L., Reig, B., Kang, S. K., Lewin, A., Pyrasenko, K., Patel, S., Samreen, N.,
Rudnicki, W., Łuczyńska, E., Popiela, T., Moy, L., & Geras, K. J. (2022). Improving breast
cancer diagnostics with artificial intelligence for MRI.
https://doi.org/10.1101/2022.02.07.22270518
Wong, D. J., Gandomkar, Z., Wu, W.-J., Zhang, G., Gao, W., He, X., Wang, Y., & Reed, W. (2020).
Artificial intelligence and convolution neural networks assessing mammographic images: A
narrative literature review. Journal of Medical Radiation Sciences, 67(2), 134-142.
https://doi.org/10.1002/jmrs.385
World International Health Organization WHO. (s. f.). Cancer Today WHO. Recuperado 12 de enero
de 2025, de https://gco.iarc.who.int/today/