Gids voor industrieën

AI bij mammografie en borstkankerscreening

AI in mammografie maakt gebruik van beeldanalysemodellen om verdachte gebieden op röntgenfoto's van de borsten te markeren en het risico op kanker in te schatten, meestal als tweede lezer of triage-instrument naast radiologen in plaats van als vervanging ervan.

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina3 minuten lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van AI in mammografie en borstkankerscreening
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

Het is van belang omdat screeningprogramma's te maken krijgen met een tekort aan radiologen, en grote onderzoeken suggereren dat AI-ondersteuning meer kankers kan opsporen en tegelijkertijd de leeslast kan verminderen. Vragen over valse positieven, intervalkankers en dicht borstweefsel bepalen nog steeds hoe het wordt gebruikt.

Diepe duik

Screeningmammografie zoekt naar vroege borstkanker bij vrouwen zonder symptomen. Radiologen vergelijken de beelden van elke borst, zoeken naar massa's, verkalkingen, asymmetrieën en architecturale vervormingen, en beslissen of ze de vrouw terugroepen voor meer tests. In een groot deel van Europa lezen twee radiologen elk examen onafhankelijk van elkaar. In de Verenigde Staten leest één radioloog het meestal. Computerondersteunde detectie is niet nieuw. Traditionele CAD werd eind jaren negentig goedgekeurd en werd op grote schaal gebruikt in de VS, maar uit grote onderzoeken bleek dat het de nauwkeurigheid niet duidelijk verbeterde en valse markeringen toevoegde. Moderne deep learning-systemen, zoals Lunit INSIGHT MMG, iCAD ProFound AI en ScreenPoint Transpara, leren van zeer grote sets afbeeldingen met bekende uitkomsten en geven elk examen een verdenkingsscore en regiomarkeringen. Het sterkste bewijs komt uit prospectieve onderzoeken in echte screeningprogramma's. De gerandomiseerde studie MASAI in Zweden, voor het eerst gerapporteerd in The Lancet Oncology in 2023, gebruikte AI om examens te triageen: examens met een laag risico kregen één lezer en examens met een hoog risico kregen er twee. Het bleek dat de detectie van kanker minstens zo goed was als de standaard dubbele lezing, met een grote vermindering van de leeslast van radiologen en een vergelijkbaar percentage vals-positieve resultaten. Latere MASAI-resultaten en onderzoeken elders, waaronder een groot Duits praktijkonderzoek, rapporteerden hogere detectiepercentages met AI-ondersteuning. Er blijven belangrijke grenzen bestaan. Het vinden van meer kankersoorten betekent niet automatisch dat er meer levens worden gered, omdat sommige gedetecteerde kankersoorten langzaam groeien en een belangrijke maatstaf voor de lange termijn de intervalkankers zijn, die tussen screenings optreden. Dicht borstweefsel lijkt wit op mammogrammen, net als veel tumoren, die kankers voor zowel mensen als AI kunnen verbergen. Een veel voorkomende misvatting is dat AI mammogrammen zelf leest. In de huidige programma's nemen radiologen de terugroepbeslissingen.

Implementatie in de echte wereld

In een Europees dubbelleesprogramma worden examens die de AI als laag risico scoort, door één radioloog gelezen in plaats van door twee, terwijl examens die als hoog risico scoren door twee lezers worden gelezen.

Een radioloog ziet een AI-marker op een klein cluster van verkalkingen die ze niet had opgemerkt, kijkt opnieuw en roept de patiënt terug voor diagnostische beeldvorming.

Een screeningservice gebruikt AI-risicoscores om de werklijst van de dag te sorteren, zodat de meest verdachte onderzoeken als eerste worden gelezen.

Een kliniek die de AI-resultaten beoordeelt, merkt dat dicht borstweefsel sommige onderzoeken moeilijker maakt voor zowel lezers als software, en voegt een beleid toe over wanneer aanvullende echografie of MRI moet worden besproken.

De toekomst van AI in mammografie en borstkankerscreening

Het volgende belangrijke bewijsmateriaal zal afkomstig zijn van een langere follow-up van screeningsonderzoeken, vooral of AI-ondersteuning het aantal intervalkankers en gevorderde kankers vermindert in plaats van alleen het aantal detecties te verhogen. Programma's bestuderen ook AI voor risicovoorspelling, wat zou kunnen helpen de screeningsintervallen te personaliseren of vrouwen te identificeren die baat kunnen hebben bij aanvullende beeldvorming. De opname zal afhangen van de regelgeving, de vergoeding, het vertrouwen van radiologen en de voortdurende monitoring van prestatieafwijkingen wanneer de apparatuur verandert. Een redelijke verwachting is een breder gebruik als tweede lezer en triage-instrument, waarbij radiologen de verantwoordelijkheid behouden voor het terugroepen en diagnosticeren.

Het in de praktijk brengen

Waarom het ertoe doet

  • Context en regels. De industriële context bepaalt of AI-ideeën het contact met de werkelijkheid overleven.
  • Kwaliteitscontrole. Domeinbeperkingen beïnvloeden aanvaardbare foutenpercentages en toezichtmodellen.
  • Bouwkeuzes. Succesvolle implementaties stemmen de technische mogelijkheden af ​​op frontline-workflows.

Pas op voor

  • Regelgevingsvereisten kunnen anderszins sterke prototypes ongeldig maken.
  • Historische gegevens kunnen vooroordelen coderen die specifieke gemeenschappen schade toebrengen.
  • Oudere systemen kunnen integratieknelpunten en verborgen kosten veroorzaken.

Volgende stappen

  1. Betrek domeinexperts, van het formuleren van het probleem tot de evaluatie.
  2. Ontwerp audit trails en documentatie vóór de lancering.
  3. Valideer compliance- en veiligheidsverplichtingen vroegtijdig.
  4. Uitrol in fasen met duidelijke stop- en terugdraaicriteria.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the AI in Mammography and Breast Cancer Screening quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

Wat is AI bij mammografie en borstkankerscreening?

AI in mammografie maakt gebruik van beeldanalysemodellen om verdachte gebieden op röntgenfoto's van de borsten te markeren en het risico op kanker in te schatten, meestal als tweede lezer of triage-instrument naast radiologen in plaats van als vervanging ervan. Het is van belang omdat screeningprogramma's te maken krijgen met een tekort aan radiologen, en grote onderzoeken suggereren dat AI-ondersteuning meer kankers kan opsporen en tegelijkertijd de leeslast kan verminderen. Vragen over valse positieven, intervalkankers en dicht borstweefsel bepalen nog steeds hoe het wordt gebruikt.

Hoe gebruikte de Zweedse MASAI-studie AI bij screening?

MASAI gebruikte AI-risicoscores om de leesintensiteit te bepalen, waardoor de werklast werd verminderd en de kankerdetectie minstens zo goed bleef als bij standaard dubbel lezen.

Wat hebben grote onderzoeken gevonden over traditionele CAD die eind jaren negentig werd geïntroduceerd?

Oudere CAD werd op grote schaal toegepast, maar leverde geen duidelijke nauwkeurigheidswinst op. Daarom wordt moderne AI beoordeeld op basis van prospectieve tests.

Waarom maakt dicht borstweefsel screening moeilijker?

Zowel het dichte weefsel als de tumoren zien er wit uit, zodat kankers kunnen worden gemaskeerd. Dit heeft gevolgen voor zowel menselijke lezers als AI.

Waarom is het detecteren van meer kankergevallen op zichzelf geen bewijs dat AI levens redt?

Extra detectie kan bestaan ​​uit langzaam groeiende kankers. Minder intervalkankers zijn een sterker bewijs van reëel voordeel.

Wat gebeurt er als een programma de werkingsdrempel van het AI-systeem verlaagt?

Drempelt handelsgevoeligheid voor specificiteit. Meer gevoeligheid betekent meestal meer valse positieven en terugroepacties.