AI-styrd mammografi minskar arbetsbelastningen med 33% och ökar upptäckten av bröstcancer

I en nyligen publicerad studie i tidskriften Radiology genomförde forskare från Danmark och Nederländerna en retrospektiv analys av screeningseffektivitet och den övergripande screeningbördan för mammografi före och efter införandet av artificiell intelligens (AI) system.

Regelbunden mammografiscreening för bröstcancer minskar dödligheten i denna sjukdom avsevärt. Massmammografiscreening ökar dock arbetsbelastningen för radiologer som måste analysera många mammografier, varav de flesta inte innehåller misstänkta lesioner.

Dessutom ökar dubbelscreening, som används för att minska falskt positiva resultat och förbättra upptäckten, arbetsbördan för radiologer ytterligare. Bristen på specialiserade radiologer som kan läsa mammografi förvärrar denna situation.

Nyligen genomförda studier har utförligt undersökt användningen av AI för att effektivt analysera radiologirapporter samtidigt som höga screeningstandarder upprätthålls. En kombinerad metod där AI hjälper radiologer att markera mammografi med flaggade lesioner tros minska radiologernas arbetsbelastning samtidigt som screeningskänsligheten bibehålls.

Den föreliggande studien använde preliminära prestationsmått från två kohorter av kvinnor som genomgick mammografiscreening som en del av det danska nationella screeningprogrammet för bröstcancer för att jämföra förändringen i screeningbörda och prestation efter införandet av AI-verktyg.

Programmet inbjöd kvinnor i åldern 50 till 69 år att screenas vartannat år fram till 79 års ålder. Kvinnor med markörer som indikerar en ökad risk för bröstcancer, såsom BRCA-generna, screenades enligt olika protokoll.

Forskarna använde två kohorter av kvinnor: en som screenades innan AI-systemet infördes och en efter. Analysen inkluderade endast kvinnor under 70 år för att exkludera de som tillhörde en högriskundergrupp.

Alla deltagare genomgick standardiserade protokoll med digital mammografi med kraniokaudala och mediolaterala sneda vyer. Alla positiva fall i denna studie identifierades genom screening för duktal karcinom eller invasiv cancer, vilket bekräftades med nålbiopsi. Data om patologirapporter, lesionsstorlek, lymfkörtelinvolvering och diagnoser erhölls också från ett nationellt hälsoregister.

AI-systemet som användes för att analysera mammogrammen tränades med hjälp av djupinlärningsmodeller för att upptäcka, markera och poängsätta eventuella misstänkta förkalkningar eller knölar på mammogrammet. AI:n klassificerade sedan screeningarna på en skala från 1 till 10, vilket indikerar sannolikheten för bröstcancer.

Ett team av mestadels erfarna radiologer granskade mammografierna för båda kohorterna. Innan AI-systemet användes granskades varje screening av två radiologer, och en patient rekommenderades en klinisk undersökning och nålbiopsi endast om båda radiologerna ansåg att screeningen krävde ytterligare utvärdering.

Efter att AI-systemet implementerats granskades mammografier med en poäng på 5 eller lägre av en erfaren radiolog, medveten om att de bara skulle få en avläsning. De som krävde ytterligare undersökning diskuterades med en andra radiolog.

Studien fann att implementeringen av AI-systemet avsevärt minskade arbetsbelastningen för radiologer som analyserar mammografi som en del av massscreening för bröstcancer, samtidigt som screeningens effektivitet förbättrades.

Kohorten som screenades innan AI-systemet implementerades inkluderade över 60 000 kvinnor, medan kohorten som screenades med AI inkluderade cirka 58 000 kvinnor. Screening med AI resulterade i en ökning av bröstcancerdiagnoser (0,70 % före AI jämfört med 0,82 % med AI) samtidigt som antalet falskt positiva resultat minskade (2,39 % jämfört med 1,63 %).

AI-baserad screening hade ett högre positivt prediktivt värde och andelen invasiva cancerfall var lägre med AI-baserade metoder. Även om andelen lymfkörtelnegativa cancerfall inte förändrades, visade andra prestationsmått att AI-baserad screening signifikant förbättrade resultaten. Läsbelastningen minskade också med 33,5 %.

Sammanfattningsvis utvärderade studien effektiviteten av ett AI-baserat screeningsystem för att minska radiologernas arbetsbelastning och förbättra screeningfrekvensen vid mammografianalys som en del av massscreening för bröstcancer i Danmark.

Resultaten visade att det AI-baserade systemet avsevärt minskade radiologernas arbetsbelastning samtidigt som det förbättrade screeningfrekvensen, vilket framgår av en betydande ökning av bröstcancerdiagnoser och en betydande minskning av falskt positiva resultat.