AI detecteert een derde van de intervalborstkankergevallen die door screening worden gemist

Een algoritme voor kunstmatige intelligentie voor borstkankerscreening zou de prestaties van digitale tomosynthese-mammografie (DBT) kunnen verbeteren en zo de intervalkankerpercentages met wel een derde kunnen verlagen, zo blijkt uit een vandaag in het tijdschrift Radiology gepubliceerd onderzoek.

Intervalborstkankers zijn symptomatische tumoren die tussen routinematige screeningsmammografieën door worden vastgesteld. Deze gevallen hebben doorgaans een slechtere prognose vanwege de agressievere ziekte en snelle tumorgroei. DBT, of 3D-mammografie, biedt een betere visualisatie van borstlaesies en kan tumoren identificeren die mogelijk verborgen zijn achter dicht weefsel. Omdat DBT een relatief nieuwe technologie is, zijn de gegevens over de langetermijnuitkomsten voor patiënten in instellingen die de techniek recent hebben ingevoerd, echter beperkt.

"Gezien de schaarste aan gegevens over borstkankersterfte na tien jaar DBT-screening, worden intervalkankercijfers vaak als maatstaf gebruikt", legt studieauteur Dr. Manisha Bahl uit, directeur van de afdeling borstkankerbeeldkwaliteit aan het Massachusetts General Hospital en universitair hoofddocent aan de Harvard Medical School.
"Een daling van dit cijfer duidt op een daling van de incidentie en mortaliteit van borstkanker."

Onderzoek: AI identificeert onopgemerkte tumoren

In een onderzoek onder 1376 gevallen analyseerden Bal en collega's retrospectief 224 intervalkankers bij 224 vrouwen die een DBT-screening ondergingen. In deze beelden lokaliseerde het Lunit INSIGHT DBT v1.1.0.0 AI-algoritme 32,6% (73 van de 224) van de eerder niet-gedetecteerde tumoren correct.

"We waren verrast dat bijna een derde van de intervaltumoren werd gedetecteerd en nauwkeurig gelokaliseerd door het AI-algoritme in mammogrammen die voorheen door radiologen als normaal werden geïnterpreteerd. Dit onderstreept het potentieel van AI als 'tweede lezer'", aldus Bahl.

Volgens de onderzoekers is dit mogelijk de eerste gepubliceerde studie die specifiek kijkt naar het gebruik van AI om intervalkankers op DBT-beelden te detecteren.

"AI is eerder gebruikt om intervalkankers op te sporen op conventionele 2D digitale mammogrammen, maar voor zover wij weten zijn er in de literatuur geen gepubliceerde studies over AI-detectie van intervaltumoren specifiek op 3D-tomosynthesescans", aldus Bal.

Methodologie: op laesieniveau, niet zomaar een momentopname

Om te voorkomen dat de gevoeligheid van het algoritme overschat zou worden, gebruikte Bal's team een laesie-specifieke analyse: de AI kreeg alleen een 'scored hit' als deze de exacte locatie van de tumor correct identificeerde en lokaliseerde.

"Daarentegen kan analyse van het hele beeld de AI een 'goedkeuring' geven, zelfs als de annotatie onjuist is, wat de gevoeligheid kunstmatig verhoogt", voegt ze eraan toe.
"Door te focussen op de nauwkeurigheid van de laesielokalisatie ontstaat een betrouwbaardere beoordeling van de klinische prestaties van het algoritme."

Wat vindt AI precies?

• Tumoren die door het algoritme werden gedetecteerd, waren over het algemeen groter
• Vaker eindigden ze met schade aan de lymfeklieren
• Dit zou kunnen betekenen dat AI zich vooral richt op het identificeren van agressieve of snelgroeiende tumoren, of tumoren die zich al in een vergevorderd stadium bevinden, maar door artsen tijdens de screening over het hoofd zijn gezien.

Algemene resultaten:

Onder 1.000 patiënten (zowel patiënten met bevestigde tumoren als patiënten met goedaardige of vals-positieve uitslagen) heeft AI:

• 84,4% van de 334 echte positieve gevallen correct gelokaliseerd
• 85,9% van de 333 echte negatieven zijn correct geclassificeerd
• 73,2% van de 333 vals-positieve gevallen afgewezen als vals

Conclusies en betekenis

"Ons onderzoek toonde aan dat het AI-algoritme retrospectief bijna een derde van de intervalborstkankers op DBT-screeningbeelden kon detecteren en nauwkeurig lokaliseren, wat erop wijst dat het de incidentie van intervalkankers kan verminderen en de screeningresultaten kan verbeteren", aldus Dr. Bahl.

"Onze resultaten ondersteunen de integratie van AI in DBT-workflows om de nauwkeurigheid van kankerdetectie te verbeteren. De werkelijke impact zal echter afhangen van de mate waarin radiologen AI in de klinische praktijk omarmen en aanpassen, en van het testen van de effectiviteit ervan in verschillende klinische settings."