Modelos Predictivos para la recidiva del cáncer de mama basado en el aprendizaje automático
Palabras clave:
cáncer de mama, aprendizaje automático, recurrencia de la enfermedad, modelo de predicciónResumen
Introducción: El cáncer de mama es la neoplasia maligna más frecuente en mujeres en todo el mundo. La prevalencia y la incidencia del cáncer de mama aumentan cada año; por lo tanto, el diagnóstico temprano, junto con una detección adecuada de la recidiva, es una estrategia importante para mejorar el pronóstico.
Objetivo: Este estudio tuvo como objetivo comparar diferentes algoritmos de aprendizaje automático para seleccionar el mejor modelo predictivo de recurrencia del cáncer de mama.
Método: Se realizó un estudio analítico prospectivo longitudinal donde se desarrollaron varios modelos de aprendizaje automático, que incluyen regresión logística, bosque aleatorio, análisis discriminante lineal y AdaBoost para predecir la recurrencia del cáncer de mama. El área bajo la curva, la precisión, la sensibilidad, la especificidad, el valor predictivo positivo, el valor predictivo negativo y la puntuación F1 se utilizaron para evaluar el rendimiento del modelo pronóstico. Resultado:
Las variables triples negativo, Ki-67, permeación vascular y linfáticas como adenopatías concentran el 78% de la importancia predictiva. Los modelos Bosques aleatorios y AdaBoost muestran el mejor rendimiento global en cuanto a área bajo la curva, sensibilidad, especificidad y F1 score detectando 34 de cada 37 recidivas. Conclusiones: Con base en el rendimiento los modelos muestran excelente estabilidad y generalización, con caídas mínimas de rendimiento corregidas bajo la supervisión clínica.
Citas
1. Siegel RL, Miller KD, Fuchs HE, Jemal A. Cancer statistics, 2021. CA Cancer J Clin. [Internet]. 2021 [acceso:19/09/2025];71(1):7-33. Disponible en: https://acsjournals.onlinelibrary.wiley.com/doi/10.3322/caac.21654
2. Filho AM, Laversanne M, Ferlay J, Colombet M, Piñeros M, Znaor A, Parkin DM, Soerjomataram I, Bray F. The GLOBOCAN 2022 cancer estimates: data sources, methods, and a snapshot of the cancer burden worldwide. Int J Cancer. [Internet]. 2025;156(7):1336-1346. DOI: https://doi.org/10.1002/ijc.35278
3. Valencia-Moreno JM, Gonzalez-Fraga JA, Gutierrez-Lopez E, Estrada-Senti V, Cantero-Ronquillo HA, Kober V. Breast cancer risk estimation with intelligent algorithms and risk factors for Cuban women. Comput Biol Med [Internet]. 2024; 179:108818. DOI: https://doi.org/10.1016/j.compbiomed.2024.108818
4. Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Campbell JP. Introduction to machine learning, neural networks, and deep learning. Transl Vis Sci Technol [Internet]. 2020;9(2):14. DOI: https://doi.org/10.1167/tvst.9.2.14
5. Sarker IH. Machine learning: algorithms, real-world applications and research directions. SN Comput Sci [Internet]. 2021;2(3):160. DOI: https://doi.org/10.1007/s42979-021-00592-x
6. Yang PT, Wu WS, Wu CC, Shih YN, Hsieh CH, Hsu JL. Breast cancer recurrence prediction with ensemble methods and cost-sensitive learning. Open Med (Wars) [Internet]. 2021;16(1):754-768. DOI: https://doi.org/10.1515/med-2021-0302
7. Bangalore Yogananda CG, Shah BR, Vejdani-Jahromi M, Nalawade SS, Murugesan GK, Yu FF, et al. A fully automated deep learning network for brain tumor segmentation. Tomography. [Internet]. 2020;6(2):186-193. DOI: https://doi.org/10.18383/j.tom.2019.00026
8. Yuan Q, Ye R, Qian Y, Yu H, Zhou Y, Cui X, et al. Machine learning and SHAP value interpretation for predicting the response to neoadjuvant chemotherapy and long-term clinical outcomes in Chinese female breast cancer. Ann Med [Internet]. 2025;57(1):2541316. DOI: https://doi.org/10.1080/07853890.2025.2541316
9. Wilkinson L, Gathani T. Understanding breast cancer as a global health concern. Br J Radiol [Internet]. 2022;95(1130):20211033. DOI: https://doi.org/10.1259/bjr.20211033
10. Michaels E, Worthington RO, Rusiecki J. Breast cancer: risk assessment, screening, and
11. primary prevention. Med Clin North Am. [Internet]. 2023; 107(2):271-284. DOI: https://doi.org/10. 1016/j.mcna.2022.10.007
11. Tesch ME, Gelmon KA. Targeting HER2 in breast cancer: latest developments on treatment sequencing and the introduction of biosimilars. Drugs. [Internet]. 2020;80(17):1811-1830. DOI: https://doi.org/10.1007/s40265-020-01411-y
12. Qian X, Pei J, Han C, Liang Z, Zhang G, Chen N, et al. A multimodal machine learning model for the stratification of breast cancer risk. Nat Biomed Eng. [Internet]. 2025;9(3):356-370. DOI: https://doi.org/10.1038/s41551-024-01302-7
13. Sánchez WL, Azaín AME, Gómez VPP, Acosta BC, Chang MA. Reconstrucción mamaria poscáncer en el Instituto Nacional de Oncología y Radiobiología de Cuba. Cir Plást Ibero-Latinoam [Internet]. 2021;47(1):49-58. DOI: https://dx.doi.org/10.4321/s0376-78922021000100007
14. Koley T. Analysis of the time to breast cancer diagnosis in Cuba: an observational study. BMC Public Health [Internet]. 2025;25(1):4413. DOI: https://doi.org/10.1186/s12889-025-25444-8
15. Nolan L, Davey MG, Calpin GG, Ryan ÉJ, Boland MR. Risk of locoregional recurrence after breast cancer surgery by molecular subtype: a systematic review and network meta-analysis. Ir J Med Sci [Internet]. 2024;193(6):2965-2974. DOI: https://doi.org/10.1007/s11845-024-03809-z
16. Pinto D, Schmitt FC. Immunohistochemistry applied to breast cytological material. Pathobiology [Internet]. 2022;89(5):343-358. DOI: https://doi.org/10.1159/000522542
17. Li F, Zhou X, Hu W, Du Y, Sun J, Wang Y. Prognostic predictive value of Ki-67 in stage I-II triple-negative breast cancer. Future Sci OA [Internet]. 2024;10(1): FSO936. DOI: https://doi.org/10.2144/fsoa-2023-0129
18. Zuo D, Yang L, Jin Y, Qi H, Liu Y, Ren L. Machine learning-based models for the prediction of breast cancer recurrence risk. BMC Med Inform Decis Mak. [Internet]. 2023;23(1):276. DOI: https://doi.org/10.1186/s12911-023-02377-z
19. Zhong X, Lin Y, Zhang W, Bi Q. Predicting diagnosis and survival of bone metastasis in breast cancer using machine learning. Sci Rep. [Internet]. 2023;13(1):18301. DOI: https://doi.org/10.1038/s41598-023-45438-z
20. Najjar S, Allison KH. Updates on breast biomarkers. Virchows Arch [Internet]. 2022;480(1):163-176. DOI: https://doi.org/10.1007/s00428-022-03267-x
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Rene Borges Sandrino, Enia Ramon Musibay, Vivian Sistachs-Vega, Miguel Ángel Díaz Martínez , Mercedes Gisela Borges Sandrino
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores conservan los derechos de autor y todos los derechos de publicación sin restricciones.
Investigaciones Medicoquirúrgicas se encuentra sujeta bajo la Licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0) y sigue el modelo de publicación de SciELO Publishing Schema (SciELO PS) para la publicación en formato XML.
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material.
La licencia no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
- Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No Comercial — Usted no puede hacer uso del material con propósitos comerciales.
- No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
Avisos:
- No tiene que cumplir con la licencia para elementos del material en el dominio público o cuando su uso esté permitido por una excepción o limitación aplicable.
- No se dan garantías. La licencia podría no darle todos los permisos que necesita para el uso que tenga previsto. Por ejemplo, otros derechos como publicidad, privacidad, o derechos morales pueden limitar la forma en que utilice el material.
