AI oppdager en tredjedel av tilfellene av brystkreft i intervallet som ikke blir oversett av screening

En kunstig intelligens-algoritme for brystkreftscreening kan forbedre ytelsen til digital tomosyntese-mammografi (DBT), og redusere forekomsten av intervallkreft med opptil en tredjedel, ifølge en studie publisert i dag i tidsskriftet Radiology.

Intervallbrystkreft er symptomatiske svulster som diagnostiseres mellom rutinemessige screeningmammografier. Disse tilfellene har vanligvis en dårligere prognose på grunn av mer aggressiv sykdom og rask svulstvekst. DBT, eller 3D-mammografi, gir forbedret visualisering av brystlesjoner og kan identifisere svulster som kan være skjult av tett vev. Men fordi DBT er en relativt ny teknologi, er langsiktige utfallsdata for pasienter ved institusjoner som nylig har tatt i bruk teknikken fortsatt begrensede.

«Gitt mangelen på data om brystkreftdødelighet utover 10 år med DBT-screening, brukes ofte intervallkreftrater som en proxy», forklarer studieforfatter Dr. Manisha Bahl, direktør for brystavbildningskvalitet ved Massachusetts General Hospital og førsteamanuensis ved Harvard Medical School.
«En nedgang i denne raten tyder på en nedgang i brystkreftforekomst og -dødelighet.»

Studie: AI identifiserer uoppdagede svulster

I en studie av 1376 tilfeller analyserte Bal og kolleger retrospektivt 224 intervallkreftformer hos 224 kvinner som gjennomgikk DBT-screening. I disse bildene lokaliserte Lunit INSIGHT DBT v1.1.0.0 AI-algoritmen korrekt 32,6 % (73 av 224) av tidligere uoppdagede svulster.

«Vi ble overrasket over at nesten en tredjedel av intervalltumorene ble oppdaget og nøyaktig lokalisert av AI-algoritmen i mammogrammer som tidligere ble tolket som normale av radiologer, noe som fremhever potensialet til AI som en 'andre leser'», sa Bahl.

Ifølge forskerne kan dette være den første publiserte studien som spesifikt ser på bruk av kunstig intelligens for å oppdage intervallkreft på DBT-bilder.

«KI har tidligere blitt brukt til å oppdage intervallkreft på konvensjonelle 2D digitale mammogrammer, men så vidt vi vet har det ikke vært noen publiserte studier i litteraturen om KI-deteksjon av intervalltumorer spesifikt på 3D-tomosynteseskanninger», forklarte Bal.

Metodikk: på lesjonsnivå, ikke bare et øyeblikksbilde

For å unngå å overvurdere algoritmens følsomhet, brukte Bals team en lesjonsspesifikk analyse: AI-en fikk bare et «scoret treff» hvis den korrekt identifiserte og lokaliserte svulstens nøyaktige plassering.

«I motsetning til dette kan helbildeanalyse gi AI-en et «godkjent» resultat selv om annoteringen er feil, noe som kunstig blåser opp sensitiviteten», legger hun til.
«Å fokusere på nøyaktigheten av lesjonslokaliseringen gir en mer pålitelig vurdering av algoritmens kliniske ytelse.»

Hva finner egentlig AI?

• Svulster oppdaget av algoritmen hadde en tendens til å være større
• Oftere endte de opp med lymfeknutskade
• Dette kan bety at AI primært identifiserer aggressive eller hurtigvoksende svulster, eller de som allerede var i et avansert stadium, men som ble oversett av leger under screening.

Samlede resultater:

Blant 1000 pasienter (inkludert både de med bekreftede svulster og de med godartede eller falskt positive resultater), AI:

• Korrekt lokalisert 84,4 % av 334 ekte positive tilfeller
• Riktig klassifisert 85,9 % av 333 sanne negative svar
• Avvist som falskt 73,2 % av 333 falskt positive tilfeller

Konklusjoner og betydning

«Studien vår viste at AI-algoritmen retrospektivt kunne oppdage og nøyaktig lokalisere nesten en tredjedel av intervallbrystkreftene på DBT-screeningbilder, noe som indikerer potensialet til å redusere forekomsten av intervallkreft og forbedre screeningresultatene», sa Dr. Bahl.

«Resultatene våre støtter integreringen av kunstig intelligens i DBT-arbeidsflyter for å forbedre nøyaktigheten av kreftdeteksjon. Den reelle effekten vil imidlertid avhenge av i hvilken grad radiologer tar i bruk og tilpasser kunstig intelligens i klinisk praksis, samt tester dens effektivitet i ulike kliniske settinger.»