ISSN 2953-6367  
http://revistainvestigo.com  
Octubre 2026  
Vol. 7 No. 21, PP. 466-474  
https://doi.org/10.56519/20dsmb47  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE  
MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
ARTIFICIAL INTELLIGENCE FOR THE CHARACTERIZATION OF  
BENIGN AND MALIGNANT BREAST MASSES USING  
MAMMOGRAPHY AND ULTRASOUND  
Juliana del Rocio Carrasco Lascano1, Elida Maria Hidalgo Gualan2, Raúl Eduardo Chávez  
Robalino 3, Abraham Oliver Balderas4  
{rocio19914.4@gmail.com1, correo elyta66@yahoo.es2, rolyraul22@gmail.com3, droliver.radiologiacyc@gmail.com4}  
Fecha de recepción: 13/09/2026  
/ Fecha de aceptación: 08/10/2026  
/ Fecha de publicación: 14/10/2026  
RESUMEN: El cáncer de mama es la neoplasia maligna más frecuente en mujeres a nivel  
mundial, con aproximadamente 2,3 millones de casos nuevos anuales. La capacidad para  
diferenciar con precisión entre las masas benignas y las malignas en la mamografía y la  
ecografía es una cuestión de diagnóstico clínico que presenta una considerable variabilidad  
entre observadores. En este artículo se analizan los estudios publicados entre 2023 y 2026 que  
evalúan el rendimiento de los sistemas de inteligencia artificial (IA), con su complejo de  
«aprendizaje profundo», para ayudar a diferenciar entre masa benigna y masa maligna. Se  
realizó una búsqueda estructurada en PubMed/MEDLINE, Scopus, Web of Science,  
ScienceDirect e IEEE Xplore. La evidencia disponible indica que los sistemas de deep learning  
alcanzan sensibilidades combinadas cercanas a 0,92–0,93 y especificidades de 0,88–0,91 en  
ecografía mamaria, mientras que en mamografía los valores de AUC en estudios de lectura se  
sitúan entre 0,87 y 0,90. Las técnicas multimodales que combinan información procedente de  
diferentes fuentes parecen tener mejor capacidad discriminativa en términos técnicos, aunque  
esto depende por completo del diseño del estudio y del grupo de pacientes estudiado. La  
mayoría de los estudios son retrospectivos, de un único centro y carecen de una validación  
externa prospectiva. Por lo tanto, parece que la inteligencia artificial podría resultar útil como  
apoyo en la práctica radiológica, pero aún se necesitan estudios prospectivos y multicéntricos  
para demostrar su precisión, así como un análisis detallado de sus implicaciones éticas y legales.  
1Hospital General Latacunga, Ecuador, Pelileo, https://orcid.org/0000-0003-3635-8955.  
2Universidad Central del Ecuador, Ecuador, Quito, https://orcid.org/0000-0002-7978-6864  
3Universidad Central del Ecuador, Ecuador, Quito, https://orcid.org/0009-0006-2075-5699  
4IMSS, Star médica, México, Mérida, Yucatán, https://0000-0001-9312-2346  
466  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
Palabras clave: Inteligencia artificial; Mamografía; Ecografía mamaria; Neoplasias de la mama;  
Diagnóstico asistido por computadora  
ABSTRACT: Breast cancer is the most frequent malignant neoplasm in women worldwide,  
with approximately 2.3 million new cases annually. The ability to accurately differentiate  
between benign and malignant masses on mammography and ultrasound is a clinical diagnostic  
challenge that shows considerable interobserver variability. This article reviews studies  
published between 2023 and 2026 that evaluate the performance of artificial intelligence (AI)  
systems, particularly those based on deep learning, to assist in distinguishing between benign  
and malignant masses. A structured search was conducted in PubMed/MEDLINE, Scopus, Web  
of Science, ScienceDirect, and IEEE Xplore. Available evidence indicates that deep-learning  
systems achieve combined sensitivities of approximately 0.92–0.93 and specificities of 0.88–  
0.91 in breast ultrasound, while in mammography the AUC values in reader studies range from  
0.87 to 0.90. Multimodal techniques that combine information from different sources appear  
to have better technical discriminatory capacity, although this depends entirely on study design  
and the patient population examined. Most studies are retrospective, single-center, and lack  
prospective external validation. Therefore, artificial intelligence may prove useful as a support  
tool in radiological practice, but prospective multicenter studies are still needed to  
demonstrate its accuracy, along with a detailed analysis of its ethical and legal implications.  
Keywords: Artificial intelligence; Mammography; Breast ultrasound; Breast neoplasms;  
Computer-assisted diagnosis  
INTRODUCCIÓN  
El cáncer de mama es la neoplasia maligna más frecuente en mujeres, con 2,3 millones de nuevos  
casos diagnosticados en todo el mundo en 2020 (1). Es una de las principales causas de mortalidad  
en la población femenina, lo que hace que el desarrollo de métodos de evaluación y detección de  
lesiones mamarias sea una prioridad absoluta.  
La mamografía digital y la tomografía digital de mama (DBT) se consideran los métodos «gold  
standard» para el cribado mamario; sin embargo, tienen una sensibilidad limitada cuando las  
mamas presentan tejido denso. Dado que esta es la principal limitación de la mamografía  
convencional, la ecografía se ha sugerido como complemento de la mamografía para detectar y  
caracterizar lesiones, así como para evaluar aquellas detectadas mediante mamografía. La  
interpretación subjetiva de los exámenes mamarios ecográficos es un importante «bucle de  
retroalimentación» de la ecografía, que se practica habitualmente en todo el mundo, lo que  
plantea la necesidad de encontrar una solución innovadora y rentable.  
Todas las soluciones anteriores requieren que el usuario identifique el tipo de tarea: detección,  
caracterización, triaje o cribado. Las tareas pueden diferenciarse en función de que la imagen de  
la mama se utilice para detectar una lesión (detección), caracterizar si una lesión detectada es  
benigna o maligna (caracterización), seleccionar la lesión de mayor probabilidad para la biopsia  
(triaje) o determinar si una mujer presenta una neoplasia mamaria (cribado). Este artículo aborda  
467  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
únicamente la segunda tarea, el problema de clasificación de distinguir entre masa benigna y  
masa maligna.  
Las primeras soluciones informáticas se basaban generalmente en métodos de gran escala, en los  
que los autores extrajeron ellos mismos las características radiómicas pertinentes para detectar  
un tumor mamario maligno y construyeron modelos de CAD. Sin embargo, estos métodos no  
lograron hacer frente al «dilema de los falsos positivos», lo que dio lugar a elevados costes de  
evaluación. En comparación con la ingeniería de características, el enfoque de la CNN (red  
neuronal convolucional) obtiene características de las imágenes de forma automática, sencilla y  
eficiente.  
Metaanálisis recientes han reportado valores de área bajo la curva (AUC) de aproximadamente  
0,87 para sistemas de IA autónoma en estudios de lectura de mamografía, comparables o  
superiores a los de radiólogos, así como sensibilidades combinadas cercanas a 0,93 y  
especificidades de 0,90 en ecografía mamaria (2,3). Existe una serie de cuestiones en este sentido,  
entre ellas, en primer lugar, la variedad de estudios, los diseños, la prevalencia de estudios  
retrospectivos unicéntricos, la falta, en general, de estudios de validación externa prospectiva con  
resultados clínicamente relevantes y la aplicabilidad de un algoritmo a una población diferente.  
La pregunta de investigación es la siguiente: ¿cuál es el rendimiento de los sistemas de  
información artificial en la caracterización de lesiones mamarias benignas y malignas en  
mamografías y ecografías, según la evidencia publicada entre 2023 y 2026. Se trata de una  
investigación destinada a comprender y explicar el valor diagnosticador de los algoritmos de  
inteligencia artificial para la detección de lesiones mamarias en imágenes de ecografía y  
mamografía. El objetivo es tener una idea clara del valor de dichos algoritmos para distinguir  
entre lesiones benignas y malignas. Por lo tanto, se plantean los siguientes objetivos: determinar  
qué algoritmos se utilizan, en resumen, comparar su rendimiento en términos de precisión,  
especificidad y precisión, y comprender qué limitaciones tienen, así como cómo pueden aplicarse  
en la práctica.  
MATERIALES Y MÉTODOS  
Se llevó a cabo una revisión narrativa estructurada con síntesis temática de la bibliografía  
científica. Este tipo de estudio permite la incorporación de información procedente de diversas  
fuentes, ya que integra un conjunto de literatura heterogéneo que abarca diferentes modalidades  
de imágenes y algoritmos de inteligencia artificial (IA). La revisión siguió las recomendaciones  
generales de la escala SANRA para revisiones narrativas, que no requieren un proceso sistemático  
de detección ni el registro en la base de datos de registros de revisiones, como PROSPERO (6).  
La búsqueda se realizó en las bases de datos PubMed/MEDLINE, Scopus, Web of Science,  
ScienceDirect y IEEE Xplore, y se limitó al período comprendido entre enero de 2023 y marzo de  
2026. La búsqueda se realizó utilizando conceptos relacionados con la inteligencia artificial  
(inteligencia artificial, aprendizaje profundo, aprendizaje automático, redes neuronales  
convolucionales, diagnóstico asistido por computadora) y las modalidades de imagen  
468  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
(mamografía, mamografía digital, ultrasonido mamario, tomosíntesis mamaria, imágenes  
mamarias por ultrasonido), junto con la entidad principal (neoplasmas mamarios, masa mamaria,  
benigno, maligno, BI-RADS). El operador lógico «Y/OR» se aplicó en los diferentes aspectos de la  
búsqueda. Para acceder a la lista completa de términos de búsqueda, consulte los autores.  
Se incluyeron estudios que evalúan sistemas de IA en mamografía y/o ultrasonido mamario para  
la caracterización de masas (adjudicación de riesgo), publicados entre enero de 2023 y marzo de  
2026, y que informen de al menos una medida de rendimiento (sensibilidad, especificidad, área  
bajo la curva (AUC) o precisión), junto con diagnósticos de referencia (histología o seguimiento  
clínico), escritos en inglés o español y que aporten datos suficientes. Se excluyeron los estudios  
de investigación que utilizan únicamente imágenes de detección, los estudios de predicción y de  
riesgo, las actas de congresos que carecen de datos suficientes, los artículos que no aportan datos  
sobre ninguna de las medidas de rendimiento requeridas y los estudios que no informan de la  
validación interna o externa.  
La selección de estudios se realizó de forma iterativa mediante tamizaje de títulos y resúmenes,  
seguido de la revisión de texto completo de los artículos potencialmente elegibles. No se empleó  
doble revisor independiente ni se elaboró un diagrama PRISMA formal, coherente con el carácter  
narrativo de la revisión. La extracción de datos incluyó información bibliográfica, diseño del  
estudio (prospectivo o retrospectivo), características de la población, modalidad de imagen, tipo  
de algoritmo de IA, referencia estándar empleada y métricas de rendimiento diagnóstico.  
La calidad metodológica se evaluó cualitativamente siguiendo los dominios de QUADAS-2 y los  
principios de QUADAS-AI (selección de pacientes, prueba índice, referencia estándar, flujo y  
tiempos, independencia de conjuntos de entrenamiento y prueba, validación externa y  
reproducibilidad) (5). Se diferenciaron explícitamente las herramientas de evaluación del riesgo  
de sesgo de las guías de reporte como CLAIM y TRIPOD+AI. Los resultados de esta evaluación se  
presentan de forma narrativa en la sección de Resultados, sin una tabla numérica exhaustiva por  
estudio debido a la heterogeneidad de los diseños y al carácter narrativo de la revisión.  
RESULTADOS  
De las bibliografías revisadas, se desprende que la mayor parte de los estudios utilizan redes  
neuronales profundas (CNN) para la clasificación y la segmentación, en comparación con los  
demás enfoques. Además, se han implementado arquitecturas de tipo U-Net para la  
segmentación de lesiones, modelos híbridos que combinan convoluciones con características  
radiómicas manuales, máquinas de vector soporte (SVM), árboles extremos y XGBoost, así como  
vision transformers o atención.  
La terminología se mantiene en inglés en cursiva cuando no existe una traducción consolidada  
en la literatura de habla hispana (deep learning, machine learning, Vision Transformers).  
En el ámbito de la ecografía mamaria, el metaanálisis de Li et al., que incluyó 20 estudios y un  
total de 14.955 casos (de los cuales 4.197 se utilizaron para prueba de modelos), reportó una  
469  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
sensibilidad combinada de 0,93, una especificidad de 0,90 y un AUC de 0,732. En el análisis de  
subgrupos, los modelos multimodales (que integran B-mode con Doppler color, elastografía o  
ecografía volumétrica automatizada) alcanzaron un AUC de 0,787, superior al de los modelos  
basados únicamente en B-mode (AUC 0,642) (3). Una revisión sistemática posterior de Dan et al.,  
que analizó 16 estudios con 9.238 participantes, concluyó que la evidencia disponible es  
insuficiente para afirmar que el deep learning supera de forma consistente a los lectores humanos  
o mejora de manera significativa su rendimiento en entornos clínicos reales (4).  
Estudios primarios multicéntricos han mostrado resultados más favorables. Gu et al.  
desarrollaron un modelo de atención dual basado en CNN que, mediante la combinación de las  
imágenes en modo B y de Doppler color, logró un AUC de entre 0,91 y 0,96 en los conjuntos de  
prueba externos procedentes de diferentes hospitales y equipos de fabricantes distintos. El uso  
de la IA como asistencia mejoró el rendimiento de radiólogos noveles y redujo la tasa de falsos  
positivos (7,8). Otros trabajos recientes que integran radiómica intratumoral y peritumoral, deep  
learning y variables clínicas han reportado AUC superiores a 0,86–0,93 en la caracterización de  
lesiones BI-RADS 4A, con potencial para reducir el número de biopsias innecesarias manteniendo  
una alta sensibilidad (12-15).  
En mamografía, el metaanálisis de Yoon et al., que analizó 16 estudios con más de 1,1 millones  
de exámenes en casi 500.000 mujeres, encontró un AUC de 0,87 para la IA autónoma frente a  
0,81 de los radiólogos en estudios de lectura de mamografía digital (diferencia estadísticamente  
significativa). En tomosíntesis digital de mama el AUC de la IA fue 0,90 frente a 0,79 de los  
radiólogos. La IA tendió a mostrar mayor sensibilidad y menor especificidad, lo que se traduce en  
tasas de recuerdo más elevadas cuando se utiliza como lector único (2,9).  
La integración de múltiples fuentes de información (características radiómicas de distintas  
regiones, datos clínicos y modalidades de imagen complementarias) muestra de forma  
consistente una mejor discriminación técnica en entornos controlados de evaluación. Sin  
embargo, esta superioridad no es universal, ya que depende del diseño del estudio, del tipo de  
pacientes incluidos y de las condiciones de la validación (interna o externa). Existe también un  
sesgo relacionado con el abanico de pacientes que podría propiciar una sobreestimación de la  
precisión de los modelos (16-20).  
Las limitaciones más comunes que determinaron la calidad de los modelos y de las predicciones  
fueron el diseño de estudios de tipo retrospectivo y unicéntrico; la falta de análisis de modelos  
de validación externa (en cuyo caso el rendimiento se veía reducido); las diferencias en los  
procedimientos de imagen y los umbrales de clasificación; las distribuciones desiguales de casos;  
y las características demográficas de determinados grupos de pacientes. Estas características  
suponen una limitación a la hora de aplicar los modelos en otras situaciones clínicas y explotar su  
verdadero potencial.  
470  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
Tabla 1. Resumen de rendimiento diagnóstico reportado en metaanálisis principales.  
Modalidad  
Ecografía  
Tipo de evidencia  
Metaanálisis (20 estudios)  
Subgrupo del metaanálisis  
Estudios de lectura  
Sensibilidad  
Especificidad  
AUC  
0,732  
0,787  
0,87  
Referencia  
0,93  
0,93  
—
0,90  
0,88  
—
(3)  
(3)  
(2)  
(2)  
Ecografía multimodal  
Mamografía  
DBT  
Estudios de lectura  
—
—
0,90  
DISCUSIÓN  
Los hallazgos de esta revisión indican que la inteligencia artificial basada en deep learning ha  
alcanzado un nivel de desarrollo técnico que permite considerarla una herramienta  
complementaria en la caracterización de masas mamarias. Los valores de sensibilidad y  
especificidad reportados en metaanálisis de ecografía, así como los AUC de estudios de lectura  
en mamografía, sugieren un potencial clínico significativo, particularmente en escenarios donde  
la disponibilidad de radiólogos especializados es limitada o donde se busca reducir la variabilidad  
interobservador (2,3).  
Sin embargo, hay que tener en cuenta que se ha constatado una discrepancia entre los resultados  
experimentales y el rendimiento de estas herramientas en el ámbito clínico real. El éxito técnico  
de las soluciones multimodales debe evaluarse en contextos específicos, teniendo en cuenta las  
características de los pacientes, las lesiones analizadas y el diseño del estudio. En mi opinión,  
basada en los resultados experimentales presentados y en las declaraciones de las sociedades  
europeas de referencia, la mejor opción es considerar a la IA como una herramienta de apoyo o  
una segunda opinión, más que como un sustituto de la opinión humana profesional real (7,10,11).  
Los estudios mencionados anteriormente presentan ciertas limitaciones que deben tenerse en  
cuenta a la hora de aplicar las mismas tecnologías en la práctica clínica. Entre ellas, cabe destacar  
que son retrospectivos, de carácter monocéntrico, carecen de validación externa y están  
formados por un grupo de población limitado. Es evidente que las aplicaciones prácticas de estos  
sistemas requieren una investigación adicional, en la que se estudien sus efectos reales sobre  
parámetros clínicos importantes, como la tasa de detección de tumores, las tasas de cáncer entre  
los que fueron pasados por alto, la tasa de detección y la necesidad de biopsia.  
También es necesario considerar la implementación de decisiones similares en entornos clínicos  
reales, con sus múltiples dilemas éticos, legales y políticos, algunos de los cuales pueden tener  
repercusiones catastróficas para todos los implicados.  
471  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
CONCLUSIONES  
Los sistemas de inteligencia artificial basados en deep learning demuestran un rendimiento  
diagnóstico prometedor para la caracterización de masas mamarias benignas y malignas en  
mamografía y ecografía, con sensibilidades combinadas cercanas a 0,92–0,93 y especificidades  
de 0,88–0,91 en ecografía, y AUC de aproximadamente 0,87–0,90 en estudios de lectura de  
mamografía. Por otro lado, hay que reconocer que los estudios son principalmente retrospectivos  
y de un solo centro, y que se necesitan investigaciones prospectivas y multicéntricas para  
confirmar estos resultados.  
Los modelos que combinan diversas fuentes de información suelen ofrecer mejor discriminación  
que aquellos que solo utilizan una, pero dicha discriminación no está exenta de reactividad.  
Habría que llevar a cabo estudios prospectivos y multicéntricos para evaluar las aplicaciones  
clínicas de la inteligencia artificial (IA) en materia de imagenología mamaria, con el fin de  
establecer si la tecnología permite un diagnóstico más preciso; además, habría que abordar las  
preocupaciones normativas y éticas expresadas. En la actualidad, la posición más defendible es la  
de la IA como herramienta complementaria al radiólogo.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, Jemal A. Global cancer  
statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers  
in 185 countries. CA Cancer J Clin. 2024;74(3):229-263. doi:10.3322/caac.21834  
Yoon JH, Strand F, Baltzer PAT, Conant EF, Gilbert FJ, Lehman CD, Morris EA, Mullen LA,  
Nishikawa RM, Sharma N, Vejborg I, Moy L, Mann RM. Standalone AI for breast cancer  
detection at screening digital mammography and digital breast tomosynthesis: a systematic  
review and meta-analysis. Radiology. 2023;307(5):e222639. doi:10.1148/radiol.222639  
Li H, Zhao J, Jiang Z. Deep learning-based computer-aided detection of ultrasound in breast  
cancer diagnosis: a systematic review and meta-analysis. Clin Radiol. 2024;79(11):e1403-  
e1413. doi:10.1016/j.crad.2024.08.002  
3.  
4.  
5.  
Dan Q, Xu Z, Burrows H, Bissram J, Stringer JSA, Li Y. Diagnostic performance of deep  
learning in ultrasound diagnosis of breast cancer: a systematic review. NPJ Precis Oncol.  
2024;8(1):21. doi:10.1038/s41698-024-00514-z  
Sounderajah V, Ashrafian H, Rose S, Shah NH, Ghassemi M, Golub R, et al. A quality  
assessment tool for artificial intelligence-centered diagnostic test accuracy studies:  
QUADAS-AI. Nat Med. 2021;27(10):1663-1665. doi:10.1038/s41591-021-01517-0  
Baethge C, Goldbeck-Wood S, Mertens S. SANRA—a scale for the quality assessment of  
narrative review articles. Res Integr Peer Rev. 2019;4:5. doi:10.1186/s41073-019-0064-8  
Gu Y, Xu W, Liu T, An X, Tian J, Ran H, et al. Deep Learning-assisted Diagnosis of Breast  
Lesions on US Images: A Multivendor, Multicenter Study. Radiol Artif Intell.  
2023;5(5):e220185. doi:10.1148/ryai.220185  
6.  
7.  
472  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
8.  
Gu Y, Xu W, Liu T, et al. Ultrasound-based deep learning in the establishment of a breast  
lesion risk stratification system: a multicenter study. Eur Radiol. 2023;33(4):2954-2964.  
doi:10.1007/s00330-022-09263-8  
9.  
Scaranelo AM. Standalone AI in Breast Cancer Screening: Where We Are and What Is to Be  
Achieved. Radiology. 2023;307(5):e230935. doi:10.1148/radiol.230935  
Athanasiou A, Appelman L, Pijnappel RM, Gilbert FJ, Pediconi F, Mann R. ESR Essentials:  
10.  
diagnostic  
work-up  
in  
patients  
with  
symptomatic  
breast  
disease—practice  
recommendations by the European Society of Breast Imaging. Eur Radiol. 2025;35(2):723-  
732. doi:10.1007/s00330-024-10980-5  
Klontzas ME, Groot Lipman KBW, Akinci D'Antonoli T, Andreychenko A, Cuocolo R, Dietzel  
M, et al. ESR Essentials: common performance metrics in AI—practice recommendations by  
the European Society of Medical Imaging Informatics. Eur Radiol. 2026;36(2):1528-1540.  
doi:10.1007/s00330-025-11890-w  
11.  
12.  
13.  
14.  
15.  
Singla V, Garg D, Negi S, Mehta N, Pallavi T, Choudhary S, Dhiman A. Deep learning powered  
breast ultrasound to improve characterization of breast masses: a prospective study. Acta  
Radiol. 2026;67(1):13-23. doi:10.1177/02841851251377927  
Vallez N, Mateos-Aparicio-Ruiz I, Rienda MA, Deniz O, Bueno G. Comparative analysis of  
deep learning methods for breast ultrasound lesion detection and classification. Phys Med.  
2025;134:104993. doi:10.1016/j.ejmp.2025.104993  
Lin X, Liao T, Yang Y, Ouyang R, Zhou Y, Lai X, Ma J. Value of deep learning model for  
predicting Breast Imaging Reporting and Data System 3 and 4A lesions on mammography.  
Quant Imaging Med Surg. 2025;15(5):4047-4058. doi:10.21037/qims-24-1523  
Breast Cancer Diagnosis Using a Dual-Modality Complementary Deep Learning Network  
With Integrated Attention Mechanism Fusion of B-Mode Ultrasound and Shear Wave  
Elastography.  
Ultrasound  
Med  
Biol.  
2025;51(11):2135-2143.  
doi:10.1016/j.ultrasmedbio.2025.08.007  
16.  
Tian R, Lu G, Tang S, Sang L, Ma H, Qian W, Yang W. Benign and malignant classification of  
breast tumor ultrasound images using conventional radiomics and transfer learning  
features: A multicenter retrospective study. Med Eng Phys. 2024;125:104117.  
doi:10.1016/j.medengphy.2024.104117  
17.  
18.  
Bruno P, Macrì M, Dodaro C, et al. A Dual-stage Deep Learning Framework for Breast  
Ultrasound Image Segmentation and Classification. J Med Syst. 2025;49(1):162.  
doi:10.1007/s10916-025-02298-6  
Bunnell A, Valdez D, Wolfgruber TK, Quon BK, Hung K, Hernandez BY, Seto TB, Killeen J.  
Prediction of mammographic breast density based on clinical breast ultrasound images  
using deep learning: a retrospective analysis. Lancet Reg Health Am. 2025;46:101096.  
doi:10.1016/j.lana.2025.101096  
19.  
Acosta-Jiménez S, Mendoza-Mendoza MM, Galván-Tejada CE, Celaya-Padilla JM, Galván-  
Tejada JI, Soto-Murillo MA. Explainable Deep Learning for Breast Lesion Classification in  
Digital and Contrast-Enhanced Mammography. Diagnostics (Basel). 2025;15(24):3143.  
doi:10.3390/diagnostics15243143  
473  
INTELIGENCIA ARTIFICIAL PARA LA CARACTERIZACIÓN DE MASAS MAMARIAS BENIGNAS Y MALIGNAS MEDIANTE  
MAMOGRAFÍA Y ECOGRAFÍA  
20.  
Shia WC, et al. Deep learning-based classification of benign and malignant breast  
microcalcifications in mammography. Sci Rep. 2025;15(1):42768. doi:10.1038/s41598-025-  
27149-9  
474