Triarz oparty na AI i wsparcie decyzji w mammografii i tomosyntezie cyfrowej dla przesiewu raka piersi: badanie sparowane, o nietrafności

Dlaczego mądrzejszy przesiew ma znaczenie

Większość kobiet po 50. roku życia jest zapraszana na regularne badania rentgenowskie piersi, aby wykryć raka we wczesnym stadium. Programy przesiewowe ratują życie, ale równocześnie obciążają systemy ochrony zdrowia i wywołują niepokój, gdy badania powodują fałszywe alarmy. W tym badaniu postawiono pilne pytanie: czy sztuczna inteligencja (AI) może bezpiecznie przejąć część pracy przy odczytywaniu badań piersi, tak by radiolodzy koncentrowali się tylko na przypadkach o najwyższym ryzyku, nadal wykrywając co najmniej tyle samo nowotworów?

Jak dziś odczytuje się badania piersi

W wielu programach europejskich każdą mammografię odczytują niezależnie dwaj radiolodzy. To „podwójne odczytanie” umożliwia wykrycie większej liczby nowotworów, lecz także podwaja nakład pracy. Nowsze badania przypominające obraz 3D, zwane tomosyntezą, wymagają jeszcze więcej czasu na przegląd jednego badania. Jednocześnie społeczeństwa się starzeją, niektóre wytyczne sugerują wcześniejsze rozpoczynanie przesiewów, a w wielu regionach brakuje wykwalifikowanych radiologów. To wszystko utrudnia utrzymanie lub poprawę jakości przesiewów bez przeciążania specjalistów.

Co badacze przetestowali w warunkach klinicznych

Zespół przeprowadził duże badanie kliniczne w Kordobie w Hiszpanii, w ramach istniejącego publicznego programu przesiewowego. Ponad 31 000 kobiet w wieku 50–71 lat przeszło standardową mammografię cyfrową albo tomosyntezę. Każde badanie przetwarzano dwutorowo. Najpierw zastosowano normalne podejście: dwaj radiolodzy odczytywali każdy przypadek bez wsparcia AI. W drugim, eksperymentalnym podejściu system AI analizował obrazy i klasyfikował każde badanie pod kątem prawdopodobieństwa obecności raka. Skany oznaczone przez AI jako niskiego ryzyka były automatycznie traktowane jako prawidłowe i nie były pokazywane radiologowi; tylko badania o wyższym ryzyku były poddawane podwójnemu odczytowi, tym razem z dostępnymi wizualnymi oznaczeniami i ocenami AI jako wsparcie decyzyjne.

Co się stało z obciążeniem pracą i wykrywaniem raka

Strategia triage z użyciem AI sprawiła, że radiolodzy musieli odczytać nieco ponad jedną trzecią wszystkich badań zamiast każdego—co oznaczało spadek obciążenia o niemal dwie trzecie. Pomimo tej dramatycznej redukcji, strategia wspierana przez AI faktycznie wykryła więcej nowotworów: około 7,3 raka na 1000 badanych w porównaniu z 6,3 na 1000 przy standardowej metodzie. Ścieżka z AI wychwyciła dodatkowe wczesne, małe i bezobjawowe (bez zajęcia węzłów chłonnych) guzy — typy nowotworów, gdzie wczesne leczenie może przynieść największą korzyść. Zyski te były szczególnie widoczne przy tradycyjnej mammografii 2D, gdzie wykrywalność nowotworów wzrosła o ponad 30% dzięki wsparciu AI.

Cena: więcej wezwań na dodatkowe badania

Ceną tej poprawy był wzrost liczby kobiet wezwanych na dodatkowe badania. Ogólnie współczynnik wezwania wzrósł z 4,8% przy standardowym odczycie do 5,5% przy strategii z AI, a odsetek wyników fałszywie dodatnich był nieznacznie wyższy. Innymi słowy, znaleziono więcej nowotworów, ale nieco więcej kobiet doświadczyło stresu z powodu podejrzanego wyniku, który ostatecznie okazał się łagodny. W przypadku tomosyntezy AI jednak zmniejszyła obciążenie pracą bez istotnej zmiany liczby wezwań czy wykrytych nowotworów, co odzwierciedla już wysoką skuteczność tej modalności.

Bezpieczeństwo, pominięte nowotwory i pytania etyczne

AI nie była doskonała: 11 nowotworów otrzymało oceny niskiego ryzyka i w w pełni autonomicznym przepływie pracy zostałyby przeoczone. Jednak standardowe podejście bez AI pominęło jeszcze więcej nowotworów, które strategia wspierana AI wychwyciła. Większość nowotworów przeoczonych przez AI miała bardzo subtelne cechy, zauważone tylko przez jednego z dwóch radiologów w tradycyjnym ramieniu badania. Autorzy podkreślają, że szerokie stosowanie samoistnego odczytu przez AI dla wielu badań rodzi pytania etyczne i prawne. Twierdzą, że potrzebne byłyby dodatkowe zabezpieczenia — takie jak rygorystyczne kontrole jakości przy pozyskiwaniu obrazu i ciągły monitoring wydajności AI — zanim poleganie na AI w celu oznaczania większości skanów jako prawidłowych bez przeglądu przez człowieka mogłoby być dopuszczalne.

Co to oznacza dla przyszłości przesiewów

Dla czytelnika nietechnicznego istota jest taka, że starannie zaprojektowana AI może pomóc radiologom obsłużyć znacznie więcej badań przesiewowych, jednocześnie wykrywając co najmniej tyle samo, a w niektórych przypadkach więcej wczesnych raków piersi. W tym badaniu automatyczne oczyszczanie mammografii niskiego ryzyka przez AI zmniejszyło obciążenie radiologów prawie o dwie trzecie, utrzymało dokładność pozytywnych ustaleń i nieco poprawiło ogólne wykrywanie raka, chociaż większa liczba kobiet została poproszona o powrót na badania kontrolne. Badanie sugeruje, że przy odpowiednim nadzorze i dalszej walidacji triage oparty na AI i wsparcie decyzji mogą uczynić ogólnoskalowy przesiew raka piersi bardziej zrównoważonym dla systemów opieki zdrowotnej i skuteczniejszym w wykrywaniu choroby we wczesnym stadium.

Cytowanie: Elías-Cabot, E., Romero-Martín, S., Raya-Povedano, J.L. et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nat Med 32, 1296–1305 (2026). https://doi.org/10.1038/s41591-026-04277-x

Słowa kluczowe: przesiew raka piersi, mammografia, sztuczna inteligencja, obciążenie radiologii, wczesne wykrywanie raka