AI-styret mammografi reducerer arbejdsbyrden med 33% og øger opdagelsen af brystkræft

I et nyligt studie offentliggjort i tidsskriftet Radiology gennemførte forskere fra Danmark og Holland en retrospektiv analyse af screeningseffektivitet og den samlede mammografiscreeningsbyrde før og efter introduktionen af kunstig intelligens (AI) systemer.

Regelmæssig mammografiscreening for brystkræft reducerer dødeligheden fra denne sygdom betydeligt. Massemammografiscreening øger dog arbejdsbyrden for radiologer, der skal analysere mange mammogrammer, hvoraf de fleste ikke indeholder mistænkelige læsioner.

Derudover øger dobbeltscreening, som bruges til at reducere falsk positive resultater og forbedre detektion, yderligere radiologernes arbejdsbyrde. Manglen på specialiserede radiologer, der kan læse mammogrammer, forværrer denne situation.

Nyere studier har i vid udstrækning undersøgt brugen af kunstig intelligens til effektivt at analysere radiologiske rapporter, samtidig med at høje screeningsstandarder opretholdes. En kombineret tilgang, hvor kunstig intelligens hjælper radiologer med at fremhæve mammografier med markerede læsioner, menes at reducere radiologernes arbejdsbyrde, samtidig med at screeningsfølsomheden opretholdes.

I den foreliggende undersøgelse blev der anvendt foreløbige præstationsmål fra to kohorter af kvinder, der gennemgik mammografiscreening som en del af det danske nationale screeningsprogram for brystkræft, for at sammenligne ændringen i screeningsbyrde og -præstation efter introduktionen af AI-værktøjer.

Programmet inviterede kvinder i alderen 50 til 69 år til at blive screenet hvert andet år indtil 79-årsalderen. Kvinder med markører, der indikerer en øget risiko for brystkræft, såsom BRCA-generne, blev screenet under forskellige protokoller.

Forskerne brugte to kohorter af kvinder: én der blev screenet før AI-systemet blev introduceret, og én efter. Analysen inkluderede kun kvinder under 70 år for at udelukke dem i en højrisikoundergruppe.

Alle deltagere gennemgik standardiserede protokoller ved hjælp af digital mammografi med kraniokaudale og mediolaterale skrå visninger. Alle positive tilfælde i dette studie blev identificeret ved screening for duktalt karcinom eller invasiv kræft, hvilket blev bekræftet ved nålebiopsi. Data om patologirapporter, læsionsstørrelse, lymfeknudeinvolvering og diagnoser blev også indhentet fra et nationalt sundhedsregister.

AI-systemet, der blev brugt til at analysere mammogrammerne, blev trænet ved hjælp af deep learning-modeller til at opdage, fremhæve og score eventuelle mistænkelige forkalkninger eller knuder på mammogrammet. AI'en klassificerede derefter screeningerne på en skala fra 1 til 10, hvilket angav sandsynligheden for brystkræft.

Et team af overvejende erfarne radiologer gennemgik mammografier for begge kohorter. Før AI-systemet blev hver screening gennemgået af to radiologer, og en patient blev kun anbefalet en klinisk undersøgelse og nålebiopsi, hvis begge radiologer vurderede, at screeningen krævede yderligere evaluering.

Efter implementeringen af AI-systemet blev mammografier med en score på 5 eller mindre gennemgået af en erfaren radiolog, vel vidende at de kun ville modtage én aflæsning. De mammografier, der krævede yderligere undersøgelse, blev drøftet med en anden radiolog.

Undersøgelsen viste, at implementeringen af AI-systemet reducerede arbejdsbyrden for radiologer, der analyserede mammogrammer som en del af massescreening for brystkræft, betydeligt, samtidig med at effektiviteten af screeningen forbedredes.

Kohorten, der blev screenet før implementeringen af AI-systemet, omfattede over 60.000 kvinder, mens kohorten, der blev screenet med AI, omfattede cirka 58.000 kvinder. Screening med AI resulterede i en stigning i brystkræftdiagnoser (0,70 % før AI vs. 0,82 % med AI), samtidig med at antallet af falsk positive blev reduceret (2,39 % vs. 1,63 %).

AI-baseret screening havde en højere positiv prædiktiv værdi, og procentdelen af invasive kræftformer var lavere med AI-baserede metoder. Selvom procentdelen af lymfeknude-negative kræftformer ikke ændrede sig, viste andre præstationsmål, at AI-baseret screening forbedrede resultaterne signifikant. Læsebelastningen blev også reduceret med 33,5 %.

Sammenfattende vurderede studiet effektiviteten af et AI-baseret screeningssystem til at reducere radiologers arbejdsbyrde og forbedre screeningsraterne inden for mammografianalyse som en del af massescreening for brystkræft i Danmark.

Resultaterne viste, at det AI-baserede system reducerede radiologernes arbejdsbyrde betydeligt, samtidig med at screeningsraterne forbedredes, hvilket fremgår af en betydelig stigning i brystkræftdiagnoser og en betydelig reduktion i falsk positive resultater.