Sztuczna inteligencja poprawia wykrywanie raka piersi, ale wymaga uważnego monitorowania
![Sztuczna inteligencja poprawia wykrywanie raka piersi, ale wymaga uważnego monitorowania](https://oen.pl/wp-content/uploads/2024/08/a60d6234f3e07d105e7448610665edf62fc579ea-6240x2479-770x470.jpg)
Sztuczna inteligencja (AI) może pomóc w wykrywaniu raka piersi, ale radiolodzy muszą się szkolić, aby zapewnić dokładność i zapobiec przeoczeniu raka. | Źródło zdjęcia: wichayada – stock.adobe.com
![](https://oen.pl/wp-content/uploads/2024/08/Sztuczna-inteligencja-poprawia-wykrywanie-raka-piersi-ale-wymaga-uwaznego-monitorowania.jpg)
W badaniu retrospektywnym przeprowadzonym przy wyższej czułości i niższej swoistości niż w przypadku oryginalnych czytników ekranowych stwierdzono wysoką częstość występowania raka piersi, ale po dodaniu informacji zebranych za pomocą sztucznej inteligencji (AI) urządzenie zostało skalibrowane tak, aby działać podobnie do radiologów w środowisku badań przesiewowych, w którym czułość była niższa, a swoistość wyższa, zgodnie z wynikami opublikowanymi w Europejska Radiologia.1
Wczesne wykrywanie raka piersi poprzez badania przesiewowe poprawia wyniki leczenia, ale mammografia ma pewne ograniczenia. Wykrywanie może być utrudnione przez takie czynniki, jak gęsta tkanka piersi, subtelny wzrost nowotworu i błąd ludzki.2 Choć badania mammograficzne są pomocne, nie zawsze są w 100% dokładne.3 Do ograniczeń zalicza się m.in. wyniki fałszywie dodatnie i fałszywie ujemne, naddiagnostykę i nadmierne leczenie oraz narażenie na promieniowanie.
W miarę postępu technologicznego zwiększa się również wykorzystanie sztucznej inteligencji do wspomaganego komputerowo wykrywania, co staje się rozwiązaniem mogącym pomóc w rozwiązaniu problemu niedoboru radiologów i ułatwieniu wykrywania nowotworów.1 Algorytmy głębokiego uczenia mogą przewyższać tradycyjne podejścia oparte na cechach w analizie mammografii cyfrowej. Obecnie na rynku dostępnych jest wiele systemów mammograficznych opartych na sztucznej inteligencji.4
Jednak wielu radiologów nie zaczęło jeszcze wykorzystywać sztucznej inteligencji do interpretacji mammogramów, ponieważ nie ma jeszcze kodów rozliczeniowych, na podstawie których mogliby pobierać opłaty od planów zdrowotnych za te procesy.5 Zazwyczaj to CMS odpowiada za opracowanie nowych kodów rozliczeniowych, a prywatne plany zdrowotne muszą przestrzegać swoich planów płatności, ale do tej pory nie podjęto jeszcze tego kroku.
Ważne jest, aby radiolodzy rozumieli interpretację informacji dostarczanych przez sztuczną inteligencję, ponieważ odgrywa ona coraz większą rolę w wykrywaniu nowotworów i wyodrębnianiu biomarkerów obrazu w celu oceny gęstości, korelacji radiologiczno-patologicznej i przewidywania reakcji na terapię.1
Metody
Niniejsze badanie przeprowadzono na podstawie wybranych mammogramów przesiewowych, obejmujących oryginalną ocenę radiologiczną przeprowadzoną w latach 2010–2013 w Szpitalu Uniwersyteckim Karolinska w Szwecji.1 Autorzy przeprowadzili pełną podwójną dyskusję czytania i konsensusu najpierw bez wsparcia decyzyjnego AI, a następnie ze wsparciem decyzyjnym AI. Wiek uczestników został sklasyfikowany jako „młodszy” (40–55 lat) lub „starszy” (56–75 lat).
Wyniki
W badaniu wzięło udział 758 kobiet, u których wykonano mammografię, a 50% (n = 379) miało jakąś formę raka piersi. Młodsza populacja stanowiła 52% całego zestawu danych, a około 40% otrzymało jakąś formę diagnozy. Jednak ponad połowa kobiet w wieku od 40 do 55 lat została uznana za zdrową (64%). Spośród 379 mammografii, które wykryły raka, 10% stanowiły diagnozy in situ, 42% miało raka inwazyjnego do 15 mm, a 45% miało raka inwazyjnego, którego średnica przekraczała 15 mm.
Współczynnik flagowania czytelników
Badania piersi z AI i bez AI zostały sprawdzone przez radiologów i oznaczono wszystkie badania z nieprawidłowościami w dowolnym z 2 odczytów. Radiolodzy badający obliczyli badania piersi oznaczone przez dowolnego czytelnika, podzielili je przez wszystkie badania, aby otrzymać wskaźnik oznaczania. Wskaźnik przypominania został znaleziony poprzez obliczenie badań z decyzją o przypomnieniu podzieloną przez wszystkie badania.
Bez AI radiolodzy w niewzbogaconej populacji pierwotnej w całym otoczeniu pacjentów z podtypami raka piersi, które nie są związane z receptorem ludzkiego naskórkowego czynnika wzrostu 2, mieli 34% wskaźnik flagowania. Jednak w populacji wzbogaconej 59% badań w badaniu czytelników zostało oznaczonych przez radiologów bez AI i 46% ze wsparciem AI.
W przypadku wstępnie skalibrowanego, niewzbogaconego środowiska dla samodzielnej sztucznej inteligencji, wskaźnik flagowania wyniósł 36%.
Czułość, swoistość po dyskusji konsensusowej
Radiolodzy zbadali czułość (wykrywanie przypadków pozytywnych) i swoistość (przewidywanie przypadków negatywnych) systemu AI. Czułość badania wynosiła 81% bez AI i 75% ze wsparciem AI. Spowodowało to 7% względny spadek (P < .001). Ponadto czułość badania czytelnika była niższa (67%) bez AI niż specyficzność oryginalnego ustawienia (98%). Po wsparciu decyzji AI specyficzność wzrosła do 86%, co stanowi względny wzrost o 28% (P < .001).
Po zastosowaniu AI 39 nowotworów początkowo wykrytych przez radiologów zniknęło, podczas gdy AI zidentyfikowała 16 wcześniej niewykrytych nowotworów. Spowodowało to spadek netto o 23 nowotwory przy użyciu wsparcia decyzyjnego AI.
Ocena tendencji do zmiany
Prawdopodobieństwo, że radiolodzy zmienią swoje oceny na podstawie informacji AI, różniło się w zależności od cech indywidualnych i obrazu. Podczas gdy niektórzy radiolodzy byli bardziej skłonni zmienić oceny z negatywnych na pozytywne, inni byli bardziej skłonni zmienić oceny z pozytywnych na negatywne.
Zmiana wyniku z dodatniego na ujemny na podstawie informacji AI stała się powszechniejsza w przypadku badań z bardziej pośrednimi oznakami możliwej złośliwości, takimi jak zniekształcenie architektoniczne i asymetryczna gęstość, w porównaniu z wyraźnymi oznakami, takimi jak mikrozwapnienia.
Radiolodzy rzadziej zmieniali ocenę z pozytywnej na negatywną po przejrzeniu informacji AI, gdy wynik Bi-RADS był wyższy i występowały liczne oznaki obrazowe potencjalnej złośliwości.
Charakterystyka raka
W przypadku nowotworów większych niż 15 mm badanie wykryło 134 nowotwory inwazyjne bez AI i 128 z AI. W przypadku nowotworów mniejszych lub równych 15 mm liczba nowotworów inwazyjnych wynosiła odpowiednio 134 i 119. Model AI wykazał większą dokładność w wykrywaniu mniejszych, a nie większych nowotworów inwazyjnych.
Czas czytania
Czas czytania egzaminu skrócił się o 38% dzięki wsparciu sztucznej inteligencji, ze średnio 21 sekund do 13 sekund.
Ograniczenia
Niezawodność badania była ograniczona, ponieważ badacze korzystali z usług różnych radiologów do początkowych mammografii i badania czytelnika. Ponadto wysoki współczynnik wzbogacenia może nie odzwierciedlać typowej praktyki klinicznej. Ponadto, gdy AI jest zintegrowane z badaniami przesiewowymi, wydajność radiologów może się wahać w zależności od postrzeganej częstości występowania raka w przypadkach triage. W związku z tym stałe monitorowanie wydajności radiologów ma kluczowe znaczenie dla pomyślnego wdrożenia AI.
„Te efekty interakcji mogą nie być możliwe do wcześniejszego oszacowania, dlatego też konieczne jest uważne monitorowanie pracy radiologów, zarówno całościowej, jak i indywidualnej, w rzeczywistych wdrożeniach sztucznej inteligencji do mammografii przesiewowej” – podsumowali autorzy badania.
Odniesienia
1. Al-Bazzaz H, Janicijevic M, Strand F. Błąd czytelników w badaniach przesiewowych raka piersi związany z częstością występowania nowotworu i wsparciem decyzji przy pomocy sztucznej inteligencji — badanie czytelników. Radiol europejski. 2024;34(8):5415-5424. doi:10.1007/s00330-023-10514-5
2. Lång K, Hofvind S, Rodríguez-Ruiz A i in. Czy sztuczna inteligencja może zmniejszyć częstość występowania raka interwałowego w badaniach mammograficznych? Radiol europejski. 2021;31(8):5940-5947. doi:10.1007/s00330-021-07686-3
3. Ograniczenia mammografii. American Cancer Society. 14 stycznia 2022 r. Dostęp 13 sierpnia 2024 r. https://www.cancer.org/cancer/types/breast-cancer/screening-tests-and-early-detection/mammograms/limitations-of-mammograms.html
4. Yoon JH, Strand F, Baltzer P i in. Samodzielna sztuczna inteligencja do wykrywania raka piersi w przesiewowej mammografii cyfrowej i cyfrowej tomosyntezie piersi: przegląd systematyczny i metaanaliza. 2023;307(5):1-10. doi:10.1148/radiol.222639
5. Andrews M. Mammografia AI może kosztować pacjentów więcej. Czy warto? CBS News. 9 stycznia 2024 r. Dostęp 12 sierpnia 2024 r.