AI upptäcker en tredjedel av fallen av bröstcancer i intervallintervallet som missas vid screening

En artificiell intelligens-algoritm för bröstcancerscreening skulle kunna förbättra prestandan för digital tomosyntesmammografi (DBT), vilket skulle minska andelen intervallcancerfall med upp till en tredjedel, enligt en studie som publicerades idag i tidskriften Radiology.

Intervallbröstcancer är symtomatiska tumörer som diagnostiseras mellan rutinmässiga screeningmammografier. Dessa fall har vanligtvis en sämre prognos på grund av mer aggressiv sjukdom och snabb tumörtillväxt. DBT, eller 3D-mammografi, ger förbättrad visualisering av bröstskador och kan identifiera tumörer som kan vara dolda av tät vävnad. Eftersom DBT är en relativt ny teknik är dock långsiktiga resultatdata för patienter vid institutioner som nyligen har använt tekniken fortfarande begränsade.

”Med tanke på bristen på data om bröstcancerdödlighet utöver 10 år med DBT-screening används ofta intervallcancerfrekvenser som en indikator”, förklarar studieförfattaren Dr. Manisha Bahl, chef för bröstavbildningskvalitet vid Massachusetts General Hospital och docent vid Harvard Medical School.
”En minskning av denna frekvens tyder på en minskning av bröstcancerincidensen och dödligheten.”

Studie: AI identifierar oupptäckta tumörer

I en studie av 1 376 fall analyserade Bal och kollegor retrospektivt 224 intervallcancerfall hos 224 kvinnor som genomgick DBT-screening. I dessa bilder lokaliserade Lunit INSIGHT DBT v1.1.0.0 AI-algoritmen korrekt 32,6 % (73 av 224) av tidigare oupptäckta tumörer.

"Vi blev förvånade över att nästan en tredjedel av intervalltumörerna upptäcktes och korrekt lokaliserades av AI-algoritmen i mammogram som tidigare tolkades som normala av radiologer, vilket belyser AI:s potential som en 'andra läsare'", sa Bahl.

Enligt forskarna kan detta vara den första publicerade studien som specifikt tittar på att använda AI för att upptäcka intervallcancer på DBT-bilder.

"AI har tidigare använts för att upptäcka intervalltumörer på konventionella 2D-digitala mammogram, men så vitt vi vet har det inte funnits några publicerade studier i litteraturen om AI-detektering av intervalltumörer specifikt på 3D-tomosyntesskanningar", förklarade Bal.

Metod: på lesionsnivå, inte bara en ögonblicksbild

För att undvika att överskatta algoritmens känslighet använde Bals team en lesionsspecifik analys: AI:n fick en "poängträff" endast om den korrekt identifierade och lokaliserade tumörens exakta plats.

”Däremot kan helbildsanalys ge AI:n ett 'godkänt' även om annoteringen är felaktig, vilket artificiellt ökar känsligheten”, tillägger hon.
”Att fokusera på noggrannheten i lesionslokaliseringen ger en mer tillförlitlig bedömning av algoritmens kliniska prestanda.”

Vad exakt hittar AI?

• Tumörer som upptäcktes av algoritmen tenderade att vara större
• Oftare slutade de med lymfkörtelskador
• Detta kan innebära att AI främst identifierar aggressiva eller snabbväxande tumörer, eller de som redan var i ett avancerat stadium men som läkare missade under screeningen.

Sammantaget resultat:

Bland 1 000 patienter (inklusive både de med bekräftade tumörer och de med godartade eller falskt positiva resultat), AI:

• Korrekt lokaliserade 84,4 % av 334 verkligt positiva fall
• Korrekt klassificerade 85,9 % av 333 sanna negativa resultat
• Avvisades som falskt i 73,2 % av 333 falskt positiva fall

Slutsatser och betydelse

”Vår studie visade att AI-algoritmen retrospektivt kunde upptäcka och korrekt lokalisera nästan en tredjedel av intervallbröstcancer på DBT-screeningbilder, vilket indikerar dess potential att minska förekomsten av intervallcancer och förbättra screeningresultaten”, säger Dr. Bahl.

"Våra resultat stöder integrationen av AI i DBT-arbetsflöden för att förbättra noggrannheten vid cancerdetektering. Den verkliga effekten kommer dock att bero på i vilken utsträckning radiologer anammar och anpassar AI i klinisk praxis, samt testar dess effektivitet i olika kliniska miljöer."