APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN LA EVALUACIÓN DE LA CALIDAD TÉCNICA DE LA MAMOGRAFÍA: UNA REVISIÓN SISTEMÁTICA

Resumen

La calidad técnica de la mamografía influye directamente en la detección precoz del cáncer de mama, y la tasa de repetición (TR) constituye un importante indicador de la calidad de los servicios de diagnóstico por imagen. Este estudio tuvo como objetivo sintetizar la evidencia científica sobre la aplicación de técnicas de Inteligencia Artificial (IA), con énfasis en modelos de aprendizaje profundo (Deep Learning — DL), en la evaluación de la calidad técnica de la mamografía y su potencial para reducir la TR. Se realizó una Revisión Sistemática de la Literatura (RSL), siguiendo las directrices PRISMA 2020, con búsquedas en las bases ACM Digital Library, IEEE Xplore, PubMed, ScienceDirect, Scopus, SpringerLink y Web of Science. La calidad metodológica de los estudios se evaluó mediante criterios adaptados de Kitchenham. Tras el proceso de selección, 13 estudios primarios conformaron el corpus de la revisión. Se observó un predominio de modelos basados en DL, especialmente Redes Neuronales Convolucionales (CNN) y arquitecturas derivadas de U-Net, aplicados a la identificación de puntos de referencia anatómicos, la clasificación de la calidad técnica de las imágenes y la implementación de sistemas de apoyo a la decisión y retroalimentación durante la adquisición mamográfica. Los estudios reportaron una precisión de hasta el 98,5 % en la identificación del músculo pectoral, una reducción de la proporción de imágenes inadecuadas del 13,3 % al 3,2 % y una disminución de la TR hasta el 0,17 % en el mejor escenario identificado. La evidencia demuestra que la IA presenta un elevado potencial para apoyar el control de calidad de la mamografía, favoreciendo una mayor estandarización de las evaluaciones, la reducción de la variabilidad entre evaluadores y la mejora del flujo de adquisición de imágenes. Estos resultados refuerzan el potencial de la IA como herramienta de apoyo a los programas de control de calidad de la mamografía. Sin embargo, su incorporación a gran escala aún depende de la validación clínica multicéntrica, una mayor interpretabilidad de los modelos y la estandarización de los protocolos de evaluación