Así es AI WaveMar, la IA para mamografías que será una gran aliada para los radiólogos

El Hospital de Mar, en Barcelona, lleva años estudiando el uso de la IA para apoyar la lectura de mamografías dentro de programas poblacionales de cribado. Así nace AI WaveMar, un modelo desarrollado desde el propio hospital,

En este artículo explicamos qué es, cómo funciona, qué resultados preliminares se han obtenido y, sobre todo, qué significa en la práctica para el radiólogo y para el circuito asistencial.

Qué es AI WaveMar y dónde se ha desarrollado

AI WaveMar es una herramienta basada en aprendizaje profundo (redes neuronales convolucionales) diseñada para clasificar mamografías de cribado y detectar hallazgos sospechosos como apoyo a la interpretación radiológica.

Se ha desarrollado desde el Servicio de Diagnóstico por la Imagen del Hospital del Mar, integrado en la red dibi, con un enfoque explícito de herramienta de apoyo (no sustitutiva) y con voluntad de transferencia al sistema público.

Por qué hace falta apoyo con IA en el cribado mamográfico

El cribado mamográfico es una intervención poblacional compleja: trabaja con grandes volúmenes, busca detectar precozmente y debe equilibrar beneficio clínico con sobrediagnóstico, ansiedad y uso eficiente de recursos.

El reto de los falsos negativos y los falsos positivos

• Falsos negativos: una lesión puede pasar desapercibida, retrasando el diagnóstico.
• Falsos positivos: sospechas que obligan a repetir pruebas o hacer estudios complementarios, generando estrés y carga asistencial.

La promesa de herramientas como AI WaveMar es reducir errores evitables, ayudar a priorizar y mejorar la consistencia en un entorno de alta presión.

La dificultad añadida en mamas densas

En mamas densas, la lectura puede ser más exigente porque la densidad puede dificultar la visualización de hallazgos. Esto explica por qué, en la práctica, los equipos buscan apoyos (protocolos, segundas lecturas, herramientas de ayuda) para minimizar pérdidas de información y mejorar la toma de decisiones.

Cómo funciona AI WaveMar en la práctica

A nivel conceptual, el sistema se integra como una “capa” adicional:

1. Se realizan las proyecciones mamográficas del cribado (en el flujo habitual).
2. Las imágenes se procesan en un entorno controlado y el algoritmo analiza patrones radiológicos asociados a hallazgos sospechosos.
3. El resultado se devuelve como información de apoyo al radiólogo.

Qué devuelve al radiólogo: puntuación de riesgo y “mapa de calor”

AI WaveMar se describe como un modelo de clasificación que permite estimar la probabilidad de sospecha. En este tipo de herramientas, es habitual aportar visualizaciones para guiar la atención (por ejemplo, resaltando áreas que han pesado en la predicción). El objetivo es práctico: dirigir el foco hacia zonas potencialmente relevantes y facilitar la priorización.

Doble lectura humana + IA: un modelo de trabajo realista

Un punto importante —y a veces mal entendido fuera del ámbito sanitario— es que la IA no sustituye el estándar de calidad. AI WaveMar es una herramienta “de apoyo” y necesita validación prospectiva en práctica real.

En los programas de cribado, la doble lectura por radiólogos y la resolución de discrepancias son estrategias clásicas de seguridad diagnóstica. AI WaveMar encaja mejor como apoyo para priorizar casos, ayuda para no pasar por alto zonas sutiles y herramienta para gestionar carga de trabajo sin rebajar estándares.

Una IA entrenada con datos propios de mamografías

Según el trabajo publicado en Radiología (Elsevier), el modelo se entrenó con un dataset mixto de 48.562 proyecciones mamográficas anonimizadas, procedentes del propio Hospital del Mar y de un dataset externo (CMMD), y se evaluó en un conjunto de prueba independiente de 4.902 imágenes.

En ese set de prueba, reporta:

• Sensibilidad: 92,95%
• Especificidad: 98,12%
• Exactitud (accuracy): 93,34%
• VPP: 89,79%
• VPN: 98,74%
• F1-score: 92,34%

Dos ideas clave para interpretar estos números sin triunfalismos:

1. Son resultados preliminares en evaluación controlada; no equivalen automáticamente al rendimiento en circuito real.
2. Lo relevante no es solo “la métrica”, sino cómo impacta en el proceso: tiempos, priorización, tasa de recalls, carga de trabajo, y calidad global del programa.

Del laboratorio a la validación clínica

El propio artículo concluye que los resultados son prometedores para “optimizar el cribado”, pero remarca que se requiere validación clínica prospectiva en práctica real para confirmar utilidad diagnóstica.

Esto es especialmente importante en cribado: para saber si una herramienta mejora el programa hay que observar resultados en el tiempo, dentro del flujo real, con la población real y con los criterios del programa.

IA y responsabilidad diagnóstica: qué cambia y qué no

Aquí conviene ser muy claro:

• La IA puede sugerir, priorizar y señalar áreas.
• La IA no emite un diagnóstico clínico vinculante.
• La responsabilidad final de la interpretación, el informe y las decisiones clínicas sigue siendo del profesional.

En otras palabras: la IA es un “copiloto” que puede ayudar a disminuir la fatiga, mejorar el orden de lectura y reducir despistes, pero no traslada la responsabilidad.

Un apunte relevante para la práctica profesional y la RC

Cuando aparecen nuevas tecnologías en el flujo clínico, también aparecen dudas habituales:

• ¿Cómo se documenta el uso de la herramienta?
• ¿Qué pasa si el radiólogo discrepa de la IA?
• ¿Cómo se integra en protocolos internos?
• ¿Se registra el output (puntuación/mapa) en el sistema?

Aquí no hay una respuesta única para todos los centros. Lo sensato es que la adopción vaya acompañada de protocolos claros, formación y trazabilidad. Y, desde la perspectiva del profesional, contar con una cobertura de Responsabilidad Civil profesional adaptada a actividad y entorno ayuda a trabajar con más seguridad ante escenarios de reclamación.

Otras iniciativas de IA para mamografías y cáncer de mama en España

El desarrollo de AI WaveMar se inserta en una tendencia más amplia de uso de la inteligencia artificial en el diagnóstico del cáncer de mama en España.

El Institut Català de la Salut ha impulsado algoritmos que cuantifican biomarcadores como HER2, Ki67 y receptores hormonales en muestras de cáncer de mama digitalizadas, con el objetivo de hacer más rápida y reproducible la evaluación anatomopatológica.

Otros hospitales españoles, tanto públicos como privados, emplean soluciones comerciales de IA para ayudar en la lectura de mamografías, detectando automáticamente lesiones sospechosas y ofreciendo índices de riesgo bajo la supervisión de radiólogos. Estudios recientes apuntan a que aplicar inteligencia artificial al cribado de cáncer de mama puede reducir significativamente el número de tumores agresivos diagnosticados en fases tardías, lo que se traduce en mejores resultados clínicos.​

En este contexto, AI WaveMar destaca por ser un modelo desarrollado desde dentro del sistema público, entrenado con datos locales y concebido para ser compartido de manera abierta con otros centros, lo que refuerza la idea de una IA hecha en España al servicio de la sanidad pública.

Preguntas frecuentes sobre el uso de IA en mamografías

¿Qué significa el uso de IA en mamografías?

Uso de algoritmos de inteligencia artificial para analizar mamografías, normalmente como apoyo al radiólogo (priorización, señalización de zonas sospechosas, ayuda a la consistencia).

¿Qué es AI WaveMar?

Una herramienta desarrollada en el Hospital del Mar para apoyar la lectura de mamografías en programas de cribado.

¿AI WaveMar puede sustituir al radiólogo?

No. Se plantea como herramienta de apoyo; la interpretación clínica y la responsabilidad final siguen siendo del profesional.

¿Qué aporta un “mapa de calor” en IA?

Una visualización que ayuda a entender qué zonas de la imagen han influido en la predicción, útil para focalizar la revisión (sin ser un diagnóstico por sí mismo).

¿Está ya validada en práctica real?

El enfoque remarca la necesidad de validación prospectiva para confirmar impacto real en un programa de cribado.

¿La IA reduce falsos positivos o falsos negativos?

Puede ayudar, pero depende de la herramienta, el contexto y la validación clínica. Lo relevante es medir resultados en el circuito real (recalls, carga de lectura, detección, cánceres de intervalo).