Verschillende BI-RADS-borstkankerdiagnoses met MobileNetV1 en vision transformer gebaseerd op uitlegbare kunstmatige intelligentie (XAI)

Risico op kanker eerder zien

Borstkanker is het best behandelbaar wanneer het vroeg wordt ontdekt, maar het beoordelen van mammogrammen is moeilijk en gebeurt vaak onder tijdsdruk. Deze studie beschrijft een nieuw systeem voor kunstmatige intelligentie (AI) dat niet alleen met zeer hoge nauwkeurigheid tekenen van kanker op mammogrammen herkent, maar artsen ook precies laat zien welke delen van de borstafbeelding zijn beslissingen hebben beïnvloed. Door op een slimme manier twee moderne beeldanalysetechnieken te combineren, wil het systeem radiologen ondersteunen met snelle, betrouwbare en transparante second opinions.

Waarom het lezen van mammogrammen zo lastig is

Mammogrammen zijn röntgenfoto’s van de borst die worden gebruikt om vroege tekenen van kanker op te sporen. Radiologen kennen elk onderzoek een BI-RADS-score toe, een gestandaardiseerde schaal die loopt van normale bevindingen tot duidelijk maligne. Bij dichte borsten, waar veel klierweefsel aanwezig is, kunnen verdachte plekjes verborgen zijn of eruitzien als onschuldige structuren. Veel eerder ontwikkelde computerondersteunde hulpmiddelen richtten zich alleen op simpele ja‑of‑nee-beslissingen over kanker, hadden moeite met het volledige bereik van BI‑RADS-categorieën, of werkten als een black box, waardoor artsen niet wisten waarom een bepaalde beslissing was genomen.

Twee manieren van “kijken” naar een afbeelding combineren

De onderzoekers bouwden een hybride AI‑kader dat nabootst hoe een zorgvuldige menselijke lezer een mammogram zou scannen: eerst door kleine details te onderzoeken en daarna het geheel te beoordelen. Een deel van het systeem, gebaseerd op een compact netwerk genaamd MobileNetV1, concentreert zich op lokale details zoals kleine verkalkingen en scherpe laesieranden. Een tweede deel, een vision transformer, deelt de afbeelding op in patches en analyseert hoe patronen zich over de gehele borst verhouden, waardoor de algemene weefselstructuur en subtiele vervormingen worden vastgelegd. De kenmerken uit deze twee “stromen” worden vervolgens samengevoegd tot een enkele, rijke beschrijving van elke afbeelding.

Data schonen, balanceren en vereenvoudigen

Voordat afbeeldingen de AI‑pijplijn binnenkomen, doorlopen ze meerdere voorbereidingsstappen. Het team verbetert het contrast met een methode die subtiele structuren opheldert zonder ruis te overdrijven, waardoor vage plekjes beter zichtbaar worden. Afbeeldingen worden herschaald en genormaliseerd zodat het systeem ze op een consistente manier ziet. Om te compenseren dat sommige BI‑RADS‑categorieën, zoals duidelijk maligne gevallen, relatief zeldzaam zijn, gebruiken de auteurs data‑augmentatietrucs zoals kleine rotaties en flips en passen ze class‑aware training toe zodat minder voorkomende categorieën toch invloed hebben tijdens het leren. Nadat de twee stromen kenmerken hebben geëxtraheerd, comprimeert een wiskundig hulpmiddel genaamd hoofdcomponentenanalyse deze informatie, waarbij het belangrijkste behouden blijft en de complexiteit wordt verminderd.

Van kenmerken naar risicoscores, met verklaringen

Voor de laatste stap gebruiken de auteurs in plaats van een zware, ondoorzichtige neurale‑netwerkclassifier veel eenvoudige logistieke regressiemodellen gecombineerd in een "bagging"‑ensemble. Elk model biedt een directe manier om beeldkenmerken aan BI‑RADS‑risiconiveaus te koppelen, en hun meerderheidsstem zorgt voor stabiliteit en weerstand tegen overfitting op de relatief bescheiden dataset. Getest op meer dan 6.000 mammogrammen uit de King Abdulaziz University Breast Cancer‑dataset behaalde het hybride systeem meer dan 99% nauwkeurigheid, sensitiviteit en specificiteit voor de vier belangrijkste BI‑RADS‑categorieën waarop het zich richtte: normaal, waarschijnlijk goedaardig, verdacht en maligne.

Artsen laten zien wat de AI ziet

Om zijn beslissingen begrijpelijk te maken, gebruikt het systeem uitlegbare AI‑technieken die bekendstaan als Grad‑CAM en Grad‑CAM++. Deze genereren gekleurde heatmaps die over het mammogram worden gelegd en de regio’s benadrukken die de voorspelde BI‑RADS‑score het meest beïnvloedden. In maligne gevallen komen de benadrukte gebieden doorgaans overeen met massa’s of clusters van verkalkingen die door ervaren radiologen worden opgemerkt; in normale beelden is er weinig of geen gefocuste activatie. Deze visuele feedback helpt clinici beoordelen of het model aandacht besteedt aan medisch relevante kenmerken en kan verklaren waarom bepaalde grensgevallen — zoals dicht weefsel dat een laesie nabootst — zelfs voor experts moeilijk zijn.

Wat dit voor patiënten kan betekenen

De studie toont aan dat dit dual‑stream, uitlegbare AI‑systeem op één klinische dataset mammogrammen in meerdere risiconiveaus kan classificeren met een nauwkeurigheid die vergelijkbaar is met, en op sommige punten hoger ligt dan, veel eerdere methoden. Hoewel het nog getest moet worden op meer diverse populaties en in verschillende ziekenhuizen, wijst de aanpak op AI‑hulpmiddelen die niet alleen zeer nauwkeurig zijn, maar ook snel genoeg voor drukke klinieken en transparant genoeg om het vertrouwen van radiologen en patiënten te winnen. In de praktijk zouden dergelijke systemen als een extra paar deskundige ogen kunnen fungeren — subtiele bevindingen signaleren, gemiste kankers verminderen en ondersteunen bij duidelijkere, zelfverzekerdere gesprekken over het risico op borstkanker.

Bronvermelding: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

Trefwoorden: borstkanker, mammografie, kunstmatige intelligentie, vision transformer, uitlegbare AI