Een foundation-model voor borst- en longkankerscreening met niet-geconstrasteerde computertomografie

Waarom één scan voor twee kankers ertoe doet

Kankeropsporing werkt doorgaans als een reeks afzonderlijke controles: een onderzoek voor de longen, een ander voor de borsten, elk met extra tijd, kosten en stralingsbelasting. Deze studie onderzoekt een ander idee — of een enkele, veelgebruikte borstkas-CT tegelijkertijd stilletjes zowel long- als borstkanker kan controleren, met hulp van kunstmatige intelligentie (AI). Als dat lukt, zou zo’n aanpak routinematige scans kunnen veranderen in een dubbele veiligheidsnet, vooral in drukke ziekenhuizen en regio’s met beperkte middelen.

Een nieuw soort digitale kankerdetective

De onderzoekers ontwikkelden een AI-systeem genaamd OMAFound dat leert drie-dimensionale borstkas-CT-scans te "lezen". In tegenstelling tot traditionele hulpmiddelen die smal op één orgaan worden getraind, bestudeert dit systeem eerst meer dan 200.000 niet-geëtiketteerde scans van meer dan 58.000 mensen en leert zo in het algemeen hoe gezonde en zieke borstkasten eruitzien. Deze brede pretraining stelt de AI in staat subtiele patronen over de hele borstkas op te vangen. Het team voegde daarna kleinere, gelabelde datasets toe die aangeven of elke patiënt uiteindelijk borstkanker, longkanker of geen van beide bleek te hebben, en leerde het model zo zijn algemene beeldbegrip om te zetten in concrete kankervoorspellingen.

Een systeem dat twee organen tegelijk volgt

Bovenop de gedeelde beeldleeskernel bouwde het team twee gerichte takken: een afgestemd op tekenen van borstkanker en een op tekenen van longkanker. Ze trainden en testten deze takken op CT-scans van meer dan 150.000 patiënten uit meerdere Chinese ziekenhuizen en internationale datasets. Voor borstkanker bouwden ze ook een apart AI-systeem dat mammogrammen leest, de huidige standaard voor screening, om CT-gebaseerde AI eerlijk te kunnen vergelijken met de gevestigde praktijk bij dezelfde vrouwen. In zij-aan-zij-tests met vrouwen die beide beeldtypen hadden, was de mammogram-AI overall iets nauwkeuriger, maar de CT-gebaseerde borsttak was gevoeliger — vond meer kankers — terwijl mammografie beter was in het vermijden van valse alarmen.

Van orgaanbevindingen naar patiëntgerichte antwoorden

Het afzonderlijk bekijken van elk orgaan kan misleidend zijn: als beide takken zeggen "mogelijke kanker", kan de combinatie onrealistisch suggereren dat er twee afzonderlijke tumoren in dezelfde persoon zitten. Om dit te voorkomen creëerden de onderzoekers een derde AI-module die informatie van zowel borst- als longbeelden van dezelfde CT-scan mengt en beslist of de patiënt als geheel waarschijnlijk kanker heeft. Deze patiëntgerichte blik volgt de klinische realiteit, waarin mensen veel vaker één enkele kanker hebben, als er al een is. Bij vrouwen in de testsets bood deze gecombineerde strategie de beste balans — hoge gevoeligheid voor bestaande kankers terwijl valse positieven beperkt bleven — en presteerde beter dan eenvoudige wiskundige manieren om de orgaanniveau-uitgangen te combineren.

Het systeem testen in reële screeningssituaties

Om te zien hoe OMAFound buiten het laboratorium werkt voerde het team een prospectieve studie uit in vier medische centra, waarbij ze meer dan 21.000 mensen volgden die kwamen voor lage-dosis borstkas-CT-screening. Bij mannen, waar alleen longkanker relevant is, vond het systeem een goede balans tussen kankerdetectie en valse alarmen in ongeveer 86% van de gevallen. Bij vrouwen bereikte het systeem gebalanceerde nauwkeurigheden van ongeveer 82% voor borstkanker, 88% voor longkanker en 83% bij de beslissing of een vrouw überhaupt enige kanker had. De onderzoekers vroegen ook zeven generalistische radiologen een uitdagende steekproef van scans te lezen, eerst zelfstandig en daarna met OMAFound’s risicoscores en heatmaps die zorgwekkende gebieden markeren. Met AI-assistentie steeg het vermogen van de radiologen om kankers te detecteren scherp — vooral voor borsttumoren — terwijl hun neiging om niet-kankergevallen te overdiagnostiseren niet toenam.

Wat dit kan betekenen voor de dagelijkse zorg

Al met al suggereert de studie dat een enkele lage-dosis borstkas-CT, die al veelvuldig wordt gebruikt voor longcontroles, ook een extra laag borstkankerscreening kan bieden wanneer deze wordt gecombineerd met een sterk AI-systeem. OMAFound vervangt geen mammografie of deskundig oordeel, maar het kan mensen met hoog risico eerder signaleren en overbelaste clinici helpen hun aandacht te richten waar die het meest nodig is. Door één veelvoorkomende scan te veranderen in een multi-kanker waarnemer, wijst de aanpak op screeningsprogramma’s die efficiënter, toegankelijker en mogelijk levensreddender zijn, zonder extra tests, kosten of stralingsbelasting toe te voegen.

Bronvermelding: Liang, Z., Niu, Q., Wang, J. et al. A foundation model for breast and lung cancer screening using non-contrast computed tomography. Nat. Health 1, 403–415 (2026). https://doi.org/10.1038/s44360-026-00055-8

Trefwoorden: multi-kanker screening, lage-dosis CT, borstkanker, longkanker, medische AI