El cáncer de mama es una de las principales causas de muerte relacionada con el cáncer en mujeres en todo el mundo, y mejorar los resultados para los pacientes aún depende de la detección temprana. La técnica de imagen más común para diagnosticar y realizar cribados de cáncer de mama es la mamografía, que tiene un alto potencial para la detección temprana de lesiones. Con un énfasis en la incorporación de técnicas de aprendizaje profundo (DL), esta revisión examina el papel cambiante de la mamografía en la detección temprana del cáncer de mama. Examinamos los avances recientes en enfoques basados en DL para el análisis de mamografías, incluyendo tareas como clasificación, segmentación y detección de lesiones. Además, evaluamos las limitaciones de los métodos mamográficos tradicionales y destacamos cómo el DL puede mejorar la precisión diagnóstica, reducir los falsos positivos y negativos, y apoyar la toma de decisiones clínicas. La revisión enfatiza el potencial del DL para asistir a los radiólogos en la toma de decisiones clínicas, así como los aumentos en la precisión diagnóstica y las disminuciones en los falsos positivos y negativos. También discutimos cuestiones como la interpretabilidad, la generalización entre poblaciones y la escasez de datos. Esta revisión resume los datos disponibles para resaltar el potencial revolucionario de la mamografía mejorada con DL en el cribado del cáncer de mama y sugiere futuras vías de investigación para soluciones impulsadas por IA más confiables, transparentes y clínicamente útiles.