Prestazioni per sottogruppi di un modello commerciale di tomosintesi digitale mammaria per la rilevazione del cancro al seno

Perché questo è importante per le donne e le loro famiglie

Lo screening per il cancro al seno salva vite, ma nessun test è perfetto. I medici stanno ora ricorrendo all’intelligenza artificiale (IA) per aiutare a interpretare le complesse radiografie 3D del seno. Questo studio ha esaminato in dettaglio come un ampiamente usato sistema di IA si comporta per diversi gruppi di donne e per differenti tipi di alterazioni mammografiche, mettendo in luce dove lo strumento funziona bene e dove incontra difficoltà.

Uno sguardo più ravvicinato a un nuovo tipo di mammografia

Le mammografie tradizionali sono radiografie piatte, bidimensionali. Molte cliniche utilizzano oggi la tomosintesi mammaria digitale, una scansione «simile al 3D» costruita da molte sottili sezioni della mammella. Può rilevare tumori che potrebbero essere nascosti da tessuti sovrapposti, specialmente nelle mammelle dense, ma le immagini richiedono più tempo per essere lette e possono comunque non evidenziare piccolissimi depositi di calcio che segnalano malattia precoce. Per questo motivo, le aziende hanno sviluppato strumenti di IA per segnalare aree sospette ai radiologi. Finora, la maggior parte delle valutazioni di questi strumenti si è concentrata sull’accuratezza complessiva, non sul loro comportamento per specifici pazienti o tipi di tumore.

Un enorme test nel mondo reale di un assistente IA

I ricercatori della Emory University hanno studiato un sistema commerciale di IA chiamato INSIGHT DBT, utilizzato su immagini mammografiche 3D provenienti da oltre 167.000 esami di screening su più di 61.000 donne. Hanno confrontato i punteggi dell’IA con gli esiti reali, separando gli esami chiaramente negativi, le biopsie benigne e i carcinomi accertati. La domanda principale era quanto bene l’IA distinguesse i tumori rilevati durante lo screening di routine dagli esami che si sono rivelati non cancerosi. Complessivamente, l’IA ha mostrato buone prestazioni, classificando correttamente gli esami cancerosi e non cancerosi nella maggior parte dei casi e riproducendo i risultati della sua valutazione regolatoria originale. Le prestazioni sono state simili tra età, razza e gruppi etnici, un risultato importante per l’equità delle cure.

Dove l’IA eccelle e dove vacilla

Analizzando i dettagli, sono emersi schemi chiave. L’IA ha dato il meglio nel rilevare i carcinomi invasivi che formano masse solide o provocano distorsioni visibili nel tessuto mammario; ha segnalato correttamente la maggior parte di questi casi. È risultata meno affidabile per i tumori che restano nei dotti lattiferi, noti come lesioni in situ, e per i tumori che si manifestano principalmente come fini aggregati di microcalcificazioni. Per queste lesioni precoci, il sistema ne ha mancato quasi la metà e la sua accuratezza complessiva è diminuita. Anche il tessuto mammario denso ha ridotto modestamente le prestazioni, probabilmente perché la densità può nascondere segni sottili.

Cosa rivelano i modelli di punteggio

Esaminando l’intera gamma dei punteggi dell’IA invece del solo responso binario, i ricercatori hanno osservato che gli esami con patologia più preoccupante tendevano a ricevere punteggi più alti. I reperti benigni e a basso rischio erano di solito valutati con punteggi bassi, mentre i carcinomi invasivi si concentravano all’estremità alta. Tuttavia, alcune distorsioni non cancerose hanno ricevuto punteggi elevati, causando falsi allarmi, e alcuni sottotipi rari di carcinoma invasivo e lesioni in situ sono stati sottostimati. L’IA ha anche assegnato punteggi alti a circa un terzo dei tumori che sono comparsi tra uno screening e l’altro, suggerendo che talvolta vede indizi che gli esseri umani non colgono, sebbene l’impatto reale di questo nel mondo clinico resti incerto.

Implicazioni per pazienti e clinici

Per un lettore non tecnico, la conclusione è che questo strumento di IA può assistere in modo significativo i radiologi nella lettura delle complesse immagini mammografiche 3D, senza differenze evidenti tra i principali gruppi demografici. Tuttavia non è un rilevatore di cancro autonomo. È meno affidabile per i tumori molto precoci basati sulle calcificazioni e nelle mammelle molto dense, e può ancora innescare follow-up non necessari in alcuni casi benigni. Gli autori sostengono che comprendere questi punti di forza e questi limiti è essenziale prima di fare affidamento sull’IA nello screening quotidiano, affinché i medici la usino come partner attento piuttosto che come sostituto.

Citazione: Brown-Mulry, B., Isaac, R.S., Lee, S.H. et al. Subgroup performance of a commercial digital breast tomosynthesis model for breast cancer detection. Nat Commun 17, 4249 (2026). https://doi.org/10.1038/s41467-026-70637-3

Parole chiave: screening per il cancro al seno, tomosintesi mammaria digitale, IA medica, mammografia, DCIS