Kombination af AI-modeller forbedrer risikovurdering for brystkræft

Pressemeddelelse fra Radiological Society of North America (RSNA) oversat fra engelsk

De fleste screeningsprogrammer for brystkræft har en one-size-fits-all-tilgang og følger de samme protokoller, når det handler om at bestemme en kvindes livstidsrisiko for at udvikle brystkræft. Brug af mammografibaserede deep learning-modeller kan forbedre nøjagtigheden af risikovurderingen for brystkræft og kan også føre til tidligere diagnoser.

- Omkring 1 ud af 10 kvinder udvikler brystkræft i løbet af deres liv. I de senere år er AI blevet undersøgt med henblik på at diagnosticere brystkræft tidligere ved automatisk at opdage brystkræft i mammografier og måle risikoen for fremtidig brystkræft, siger undersøgelsens forfatter, postdoc Andreas Lauritzen fra Datalogisk Institut på Københavns Universitet.

Der findes en række AI-værktøjer til at hjælpe med at opdage kræftrisiko. Diagnostiske AI-modeller er trænet til at opdage mistænkelige læsioner på mammografier og er velegnede til at estimere brystkræftrisikoen på kort sigt.

Mere velegnede til langsigtet brystkræftrisiko er tekstur-AI-modeller, der er i stand til at identificere brysttæthed. Kvinder med tæt brystvæv har større risiko for at udvikle brystkræft og kan have gavn af supplerende MR-screening.

- Det er vigtigt at muliggøre en pålidelig og robust vurdering af brystkræftrisikoen ved hjælp af oplysninger fra screeningsmammogrammet, forklarer Andreas Lauritzen. 

Testet på mere end 119.000 kvinder

I denne undersøgelse forsøgte Andreas Lauritzen og hans kollegaer at identificere, om et kommercielt tilgængeligt diagnostisk AI-værktøj og en AI-teksturmodel, der trænes separat og derefter kombineres, kan forbedre risikovurderingen for brystkræft.

Forskerne brugte det diagnostiske AI-værktøj Transpara og en teksturmodel, som var udviklet af forskerne. Et hollandsk træningssæt med over 39.000 undersøgelser blev brugt til at træne modellerne. De kort- og langsigtede risikomodeller blev kombineret ved hjælp af et neuralt netværk med tre lag.

Den kombinerede AI-model blev testet på en studiegruppe bestående af mere end 119.000 kvinder, som deltog i et brystkræftscreeningsprogram i Region Hovedstaden mellem november 2012 og december 2015. Kvindernes gennemsnitsalder var 59 år.

Sammenlignet med de diagnostiske modeller og teksturmodellerne alene viste den kombinerede AI-model en samlet forbedret risikovurdering af kræft, både på kort sigt (interval) og lang sigt. Intervalkræft er kræft, der findes mellem rutinescreeninger.

Modellen gjorde det også muligt at identificere kvinder med høj risiko for brystkræft. Kvinder, som den kombinerede model identificerede som havende den 10% højeste kombinerede risiko, tegnede sig for 44,1 % af intervalkræfttilfældene og 33,7 % af langtidskræfttilfældene.

At bruge AI til at identificere en kvindes brystkræftrisiko ud fra et enkelt mammogram vil ikke kun resultere i tidligere kræftopdagelse, men kan også forbedre belastningen af sundhedssystemet på grund af den verdensomspændende mangel på specialiserede brystradiologer.

- Nuværende state-of-the-art kliniske risikomodeller kræver flere tests såsom blodprøver, genetiske tests, mammografi og udfyldelse af omfattende spørgeskemaer, hvilket alt sammen vil øge arbejdsbyrden i screeningsklinikken betydeligt. Ved hjælp af vores model kan risikoen vurderes med samme ydeevne som de kliniske risikomodeller, men inden for få sekunder fra screening og uden at introducere overhead i klinikken, siger Andreas Lauritzen.