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

I en nylig undersøgelse offentliggjort i Radiology gennemførte forskere fra Danmark og Holland en retrospektiv analyse af screeningseffektivitet og den samlede byrde af mammografiscreening før og efter introduktionen af kunstig intelligens (AI)-systemer.

Regelmæssig mammografiscreening for brystkræft reducerer markant dødeligheden af sygdommen. Massemamografiscreening øger dog arbejdsbyrden for radiologer, som skal gennemgå mange mammografier, hvoraf de fleste ikke indeholder mistænkelige læsioner.

Derudover øger dobbelt screening, som bruges til at reducere falske positiver og forbedre detektion, arbejdsbyrden for radiologer yderligere. Manglen på specialiserede radiologer, der kan læse mammografi, forværrer denne situation.

Nylige undersøgelser har i vid udstrækning undersøgt brugen af kunstig intelligens til effektivt at analysere radiologirapporter og samtidig opretholde høje screeningsstandarder. Den kombinerede tilgang, hvor AI hjælper radiologer med at fremhæve mammografier med markerede læsioner, menes at reducere radiologernes arbejdsbyrde og samtidig bevare screeningsfølsomheden.

Den aktuelle undersøgelse brugte foreløbige præstationsmål fra to kohorter af kvinder, der blev screenet mammografisk som en del af det danske nationale brystkræftscreeningsprogram for at sammenligne ændringen i screeningsarbejdsbyrde 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 år. Kvinder med markører, der indikerer en øget risiko for brystkræft, såsom BRCA-gener, blev screenet ved hjælp af forskellige protokoller.

Forskerne brugte to kohorter af kvinder: en screenet før og en efter introduktionen af AI-systemet. Kun kvinder under 70 år blev inkluderet i analysen for at udelukke dem i højrisiko-undergruppen.

Alle deltagere gennemgik standardprotokoller ved hjælp af digitale mammografier med kraniokaudale og mediolaterale skrå visninger. Alle positive tilfælde i denne undersøgelse blev identificeret ved screening for duktalt karcinom eller invasiv cancer, som blev bekræftet ved nålebiopsi. Data om patologiske rapporter, læsionsstørrelse, lymfeknudepåvirkning og diagnoser blev også indhentet fra det nationale sundhedsregister.

AI-systemet, der blev brugt til at analysere mammografi, blev trænet ved hjælp af deep learning-modeller til at detektere, fremhæve og score eventuelle mistænkelige forkalkninger eller læsioner på et mammografi. AI rangerede derefter screeningerne på en skala fra 1 til 10, hvilket indikerer sandsynligheden for brystkræft.

Et team af for det meste erfarne radiologer gennemgik mammografi for begge kohorter. Før implementeringen af AI-systemet blev hver screening gennemgået af to radiologer, og patienten blev kun anbefalet til klinisk undersøgelse og nålebiopsi, hvis begge radiologer mente, at screeningen krævede yderligere evaluering.

Efter implementering af AI-systemet blev mammografier med en score mindre end eller lig med 5 gennemgået af en seniorradiolog, vel vidende at de kun modtog én aflæsning. Dem, der krævede yderligere undersøgelse, blev drøftet med en anden radiolog.

Undersøgelsen viste, at implementeringen af AI-systemet betydeligt reducerede arbejdsbyrden for radiologer, der analyserede mammografi som en del af massebrystkræftscreening, samtidig med at screeningseffektiviteten blev forbedret.

Den kohorte, der blev screenet før implementeringen af AI-systemet, bestod af mere end 60.000 kvinder, mens den kohorte, der blev screenet ved hjælp af AI, var cirka 58.000 kvinder. Screening med AI resulterede i en stigning i brystkræftdiagnoser (0,70 % præ-AI vs. 0,82 % med AI), mens antallet af falske positive blev reduceret (2,39 % vs. 1,63 %).

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

Undersøgelsen vurderede derfor effektiviteten af et AI-baseret screeningsystem til at reducere arbejdsbyrden for radiologer og forbedre screeningsraten for mammografi som en del af massebrystkræftscreening i Danmark.

Resultaterne viste, at det AI-baserede system signifikant reducerede radiologernes arbejdsbyrde og samtidig forbedrede screeningsrater, hvilket fremgår af en signifikant stigning i brystkræftdiagnoser og en signifikant reduktion af falske positiver.