BINDS: cáncer de mama por IA, examinado por dentro

BINDS: cáncer de mama por IA, examinado por dentro#

Un equipo en China entrenó BINDS, un modelo de deep learning que combina ecografía, mamografía y resonancia para diagnosticar cáncer de mama. El paper anuncia un AUROC de 0,973 sobre 27.048 pacientes. Bajamos sus Source Data (MOESM3, MOESM4, MOESM7) y miramos qué tan robusto es ese número cuando lo desmenuzamos por modalidad, por subgrupo clínico y por cantidad de datos de entrenamiento.

El hallazgo: El AUROC de 0,973 es la mediana del paper +6 puntos porcentuales — vive en el mejor escenario posible (paciente con las tres modalidades). Con solo ultrasonido el AUC cae a 0,876, y en pacientes BI-RADS 4A — el caso clínicamente más ambiguo — el intervalo de confianza se abre a [0,76–0,97].

Gráfica clave#

Distribución de AUROCs reportados en el paper, con el headline marcado

Reproducir#

Abrir en Colab

O localmente:

pip install pandas matplotlib numpy
jupyter execute notebook.ipynb

Datos#

  • datos/auroc_riesgo_por_modalidad.csv — AUROC interna y externa por combinación de modalidad (7 filas, fig 3a radar plot).

  • datos/desempeno_por_subgrupo.csv — AUC-ROC, AUC-PR, F1 con 95% CI por subgrupo (Overall, BI-RADS 4A/4B/4C, edad, T-stage, subtipo molecular). 13 filas, fig 3c.

  • datos/eficiencia_datos_entrenamiento.csv — AUROC vs % training data (10/25/50/75/100) por modalidad. 5 filas, Extended Fig 5b.

  • datos/ablacion_random_masking.csv — Comparación BINDS vs sin random masking en combinaciones bi y trimodales. 8 filas, Extended Fig 5e.

  • datos/auroc_subtipo_por_modalidad.csv — AUROC para clasificación de subtipo molecular por modalidad. 7 filas, fig 3b.

Origen: Supplementary Source Data del paper (Nature Biomedical Engineering, 2026). Springer Nature Source Data terms.

Contenido