Een interpreteerbaar AI-systeem vermindert vals-positieve MRI-diagnoses door stratificatie van hoog-risico borstklierschade

Slimmere scans, minder onnodige ingrepen

Borst-MRI is een van de beste middelen om kanker vroeg op te sporen, vooral bij vrouwen met een verhoogd risico, maar het ‘ziet’ vaak te veel en markeert veel onschuldige plekken als verdacht. Die grijszone‑bevindingen leiden tot angst, extra onderzoeken en pijnlijke biopsieën die uiteindelijk goedaardig blijken. Deze studie introduceert een nieuw systeem voor kunstmatige intelligentie (AI) dat borst-MRI-scans samen met radiologen leest en helpt echt gevaarlijke letsels te onderscheiden van letsels die veilig kunnen worden gecontroleerd, met als doel kanker te detecteren zonder zoveel vrouwen naar de biopsietafel te sturen.

Het probleem van onduidelijke borstkliervondsten op MRI

Wanneer radiologen een borst-MRI beoordelen, labelen ze verdachte gebieden met een schaal genaamd BI-RADS. Categorie 4 is het meest probleemgevend: die omvat letsels met een kans op kanker van ongeveer 2% tot 95%. Omdat die range zo breed is, is de huidige vuistregel om vrijwel al deze gevallen te biopsiëren. Daardoor ondergaan veel vrouwen invasieve procedures voor letsels die uiteindelijk goedaardig blijken. Daarnaast is MRI-interpretatie subjectief. Verschillende radiologen, vooral minder ervaren collega’s, kunnen van mening verschillen over dezelfde scan, soms goedaardige bevindingen te sterk inschatten of subtiele tumoren te missen. De auteurs wilden een hulpmiddel ontwikkelen dat deze onzekerheid vermindert en tegelijkertijd praktisch inzetbaar is in ziekenhuizen.

Een AI-partner getraind op duizenden scans

De onderzoekers ontwikkelden het BI-RADS 4 Lesions Analysis System, of BL4AS, een AI-model dat specifiek is ontworpen voor deze hoogrisico maar ambigue MRI-bevindingen. In tegenstelling tot eerdere systemen die op één enkel beeld vertrouwden, bekijkt BL4AS meerdere tijdstippen na het inspuiten van contrastvloeistof en volgt hoe elk letsel oplicht en weer vervaagt in de tijd. Die veranderende patronen bevatten belangrijke aanwijzingen over de kans dat weefsel goedaardig of kwaadaardig is. Het team pre-trainede eerst een groot ‘foundation model’ op meer dan 17.000 MRI-volumes om algemene beeldkenmerken te leren en verfijnde het daarna op 2.803 BI-RADS 4‑letsels van 2.686 vrouwen behandeld in drie medische centra. Het systeem omlijnt het letsel en classificeert het als laag of hoog risico, en geeft een kansschatting dat het om kanker gaat.

Het overtreft menselijke lezers in echte klinieken

Om te bepalen hoe goed BL4AS buiten het laboratorium presteert, testten de auteurs het op onafhankelijke gegevens uit andere ziekenhuizen en op een nieuwe, prospectief verzamelde patiëntengroep. In deze settings toonde de AI sterke nauwkeurigheid en, cruciaal, veel hogere specificiteit dan radiologen — daarmee herkende het beter goedaardige letsels en voorkwam het valse alarmen. In een prospectieve lezersstudie interpreteerden acht radiologen eerst cases zelfstandig en lazen die vervolgens opnieuw met hulp van BL4AS. Met AI-ondersteuning steeg hun diagnostische nauwkeurigheid, daalde hun vals-positieve tarief met meer dan een kwart, en verbeterde de overeenstemming tussen lezers aanzienlijk. Junior radiologen profiteerden het meest; hun prestaties kwamen met de AI-assistentie vrijwel op gelijke hoogte met die van senior collega’s.

AI-beslissingen transparant en bruikbaar maken

Aangezien clinici terecht terughoudend zijn tegenover ‘black box’-AI, bouwde het team visuele verklaringen in. BL4AS genereert heatmaps die laten zien welke delen van een letsel de beslissing beïnvloedden, vaak met focus op onregelmatige vormen, scherpe randen en ongebruikelijke versterkingspatronen die radiologen al met kanker associëren. Het systeem gaat bovendien verder dan een simpele ja/nee‑kankervoorspelling door letsels in BI-RADS 4A, 4B of 4C subgroepen in te delen die toenemend risico weerspiegelen. In externe testsets kwamen deze AI-gedefinieerde subcategorieën goed overeen met de werkelijke kankercijfers en deden ze het beter dan radiologen bij zowel het identificeren van laag-risico letsels die mogelijk zonder biopsie veilig kunnen worden opgevolgd, als bij het signaleren van hoog-risico letsels die snel behandeld moeten worden.

Wat dit voor patiënten kan betekenen

Samengevat suggereert de studie dat een interpreteerbare AI-assistent zoals BL4AS radiologen kan helpen borst-MRI-scans consistenter te beoordelen, onnodige biopsieën te verminderen en toch een zeer hoge veiligheidsmarge tegen gemiste kankers te behouden. Door het volledige spectrum van tijdsgebaseerde MRI-data te gebruiken en zijn redenering op een mensvriendelijke manier te presenteren, biedt het systeem een praktische route naar meer gepersonaliseerde borstkankerzorg: vrouwen met echt verontrustende letsels kunnen snel worden doorverwezen naar behandeling, terwijl zij met laag-risico bevindingen invasieve procedures kunnen vermijden en in plaats daarvan nauwgezet worden gevolgd in de tijd.

Bronvermelding: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

Trefwoorden: borst-MRI, kunstmatige intelligentie, kankerdignose, medische beeldvorming, risicostratificatie