Neuartige AI steigert die Erkennung von Brustkrebs in Mammographien

Eine schwedische Studie ergibt, dass AI-unterstütztes Screening 29% mehr Krebserkrankungen erfasst, ohne falsch-positives Aspekte zu erhöhen, während die Arbeitsbelastung der Radiologen um 44% gesenkt wird.

In einer kürzlich in der Lancet Digital Health veröffentlichten Studie untersuchten die Forscher die Leistung des Krebs -Screenings bei der MAMAI -Studie mit künstlicher Intelligenz (MASAI).

Hintergrund

Brustkrebs ist eine heterogene Erkrankung, die von träge bis aggressive Formen reicht. Krebscharakterisierung basierend auf Größe, Morphologie, molekularem Subtyp, immunhistochemischer Biomarker, Metastasen und Beteiligung von Lymphknoten liefert prädiktive und prognostische Informationen, die für die Behandlungsplanung und die Nachuntersuchung der Behandlung nützlich sind.

Künstliche Intelligenz (KI) kann möglicherweise die Screen-Leading-Arbeitsbelastung beim Mammographie-Screening verringern und die Krebserkennung verbessern.

Die doppelte Lesung von Screening -Prüfungen ist der Standard der Versorgung in europäischen Screening -Programmen. Die Reduzierung der Doppelleserarbeit durch Ersetzen (Teil des) menschlichen Lesens durch die KI könnte sich positiv auf das Personal von Brustradiologen auswirken.

Einige prospektive Studien haben darauf hingewiesen, dass der KI -Einsatz beim Mammographie -Screening die Krebserkennung erhöht. Die mit KI unterstützte Krebserkennung sollte jedoch nicht überwiegend träge Krebserkrankungen identifizieren oder auf Kosten falscher positiver Aspekte auftreten. Stattdessen sollte die KI -Verwendung die Erkennung klinisch relevanter Krebserkrankungen erhöhen.

Über die Studie

In der vorliegenden Studie bewerteten die Forscher die Leistung von Krebs -Screening -Maßnahmen in der MASAI -Studie. Die Studie wurde entwickelt, um das AI-unterstützte Mammographie-Screening mit Standard-Doppel-Lesen zu vergleichen.

Die Teilnehmer waren Frauen, die für die Teilnahme am bevölkerungsbasierten Mammographie-Screening in Schweden berechtigt waren. Nach der Mammogrammerfassung wurden die Prüfungen auf Standard-Doppel-Reading (Kontrolle) oder AI-unterstütztes Screening (Intervention) randomisiert.

In der Interventionsgruppe wurden die Prüfungen unter Verwendung des AI -Systems „Transpara“ analysiert. Transpara lieferte auf einer 10-Punkte-Skala, die in eine hohe (Punktzahl: 10), mittleres (8–9) oder niedriges Risiko (1–7) eingestuft wurde, einen Malignitätsrisiko-Score, der in eine hohe (Punktzahl) eingestuft wurde. Hochrisikountersuchungen wurden doppelt unterzogen, während Untersuchungen mit mittlerer und geringem Risiko einer einzelnen Lesung unterzogen wurden.

Untersuchungen mit dem höchsten 1%-Risiko wurden als extra-hohes Risiko gekennzeichnet. Kontrolluntersuchungen wurden Standard -Doppel -Lesungen unterzogen und wurden nicht durch KI analysiert.

Krebserkrankungen wurden geschichtet als in situinvasiv, histologisch, histologischer Nottingham -Grad und nukleare Grad. Der molekulare Subtyp wurde unter Verwendung immunhistochemischer Biomarker bestimmt.

Die Tumor-, Knoten-, Metastasierungsstadium (TNM) wurde basierend auf der Beteiligung des Lymphknotens und der pathologischen Größe ermittelt. Die Hauptergebnisse waren die frühe Screening-Leistung, das Tumorstadium und die Typ-Erkennung und die Workloadung des Bildschirms.

Die Leistungsmaßnahmen umfassten die Erkennungsrate, die Rückrufrate, einen positiven Vorhersagewert (PPV) des Rückrufs und die falsch positive Rate.

Ergebnisse

Die analytische Stichprobe umfasste 53.043 Probanden in der Interventionsgruppe und 52.872 Teilnehmer der Kontrollgruppe. Im Interventionsarm waren 3.800 Untersuchungen mit hohem Risiko, von denen 655 als extra-hohes Risiko gekennzeichnet waren. Transpara lieferte für 368 Prüfungen keinen Risikowert. Etwa 0,1% der Prüfungen in beiden Gruppen waren technische Rückrufe.

Die Krebserkennung stieg mit dem AI-unterstützten Screening im Vergleich zum Standard-Doppelwert signifikant um 29% an. Darüber hinaus zeigten Rückruf- und falsch positive Raten nicht signifikante Zunahme mit dem AI-unterstützten Screening, während PPV des Rückrufs einen signifikanten Anstieg hatte. Die Interventionsgruppe hatte 48.444 weniger Messwerte, aber 65 mehr Konsenstreffen als der Kontrollarm.

Dies bedeutete einen Rückgang der Arbeitsbelastung mit Bildschirmlesedaten um 44%. In der Interventionsgruppe wurden 941 Teilnehmer aufgrund mammografischer Befunde zurückgerufen, und 169 wurden aufgrund der gemeldeten Symptome im Vergleich zu 847 bzw. 180 Probanden in der Kontrollgruppe zurückgerufen.

Darüber hinaus hatte die Interventionsgruppe mehr Krebserkrankungen in 10-jährigen Altersgruppen und eine erhöhte falsch positive Rate von 60 Jahren als die Kontrollgruppe.

Die Verwendung von KI führte zu 76 weiteren Krebsarten, die 23 zusätzliche umfassten in situ Krebsarten und 53 zusätzliche invasive Krebsarten. Darüber hinaus war auch die Nachweis über histologische Typen erhöht, wobei die Anzahl der invasiven Krebserkrankungen ohne besonderen Typ größtenteils zunahm.

Ein erhöhter Nachweis mit AI-unterstütztem Screening wurde auch in histologischen Klassen beobachtet; Krebserkrankungen der Klasse I hatten den höchsten Anstieg.

Darüber hinaus wurden 29 zusätzliche Luminal A und 21 mehr nicht luminale A-invasive Krebserkrankungen mit AI-unterstütztem Screening nachgewiesen. Die Interventionsgruppe hatte 46 mehr Lymphknoten-negative und fünf weitere Lymphknoten-positive invasive Krebserkrankungen als die Kontrollgruppe.

In der Interventionsgruppe waren die meisten nicht-luminalen A-Krebserkrankungen Lymphknoten-negativ. Eine ähnliche Anzahl von Probanden mit TNM -Stadium 2+ wurde zwischen den Gruppen beobachtet.

Schlussfolgerungen

Insgesamt zeigen die Ergebnisse, dass ein AI-unterstütztes Screening zu einem signifikanten Anstieg der Krebserkennung im Vergleich zu Standard-Doppel-Lesart führte.

Die KI-Verwendung erhöhte hauptsächlich den Nachweis von kleinen, lymphknoten-negativen invasiven Krebserkrankungen. Es reduzierte im Vergleich zu Standard-Leser die Bildschirme-Lesen-Arbeitsbelastung wesentlich, hatte jedoch eine ähnliche falsch positive Rate.

Die Verwendung von KI hatte keinen negativen Einfluss auf die Raten von Konsensbesprechungen, Rückrufen oder falschen Positiven. Diese Ergebnisse unterstreichen das Potenzial von KI, den frühen Nachweis klinisch relevanter Brustkrebs zu erhöhen, ohne falsch -positives Aspekte zu erhöhen.

Quellen: