Prospektywna ocena integracji sztucznej inteligencji w badaniach przesiewowych raka piersi w różnych scenariuszach przepływu pracy: badanie GEMINI

Dlaczego to ma znaczenie dla kobiet i klinik

Badania przesiewowe piersi ratują życie, ale jednocześnie stawiają duże wymagania przed specjalistami i mogą wywoływać niepokój, gdy kobiety są niepotrzebnie przywoływane na dodatkowe badania. To badanie, przeprowadzone w rzeczywistym programie przesiewowym National Health Service (NHS) w Szkocji, postawiło praktyczne pytanie: czy sztuczna inteligencja (SI) może pomóc lekarzom wykrywać więcej nowotworów przy jednoczesnym utrzymaniu kontroli nad liczbą przywołań i obciążeniem pracy? Zamiast testować jedno ustawienie, badacze zbadali wiele sposobów włączenia SI do codziennego przebiegu przesiewów, oferując drogowskaz dla klinik o różnych ograniczeniach i priorytetach.

Jak działają dzisiaj badania przesiewowe

W Wielkiej Brytanii kobiety w wieku 50–71 lat są zapraszane na mammografię co trzy lata. Każdy zestaw zdjęć rentgenowskich piersi jest oceniany niezależnie przez dwóch przeszkolonych czytelników‑specjalistów. Jeśli się nie zgadzają, ostateczną decyzję podejmuje trzeci ekspert. Podejście „podwójnego czytania” zwiększa bezpieczeństwo, lecz wymaga dużych ilości czasu specjalistycznego. Jednocześnie systemy opieki zdrowotnej mierzą się ze wzrostem liczby kobiet zgłaszających się na badania i niedoborem radiologów. Każde nowe narzędzie musi więc robić więcej niż tylko wskazywać nowotwory — musi też wpasować się w istniejący system i pomóc zarządzać ograniczonym czasem personelu.

Co badanie GEMINI miało na celu przetestować

Badanie GEMINI objęło 10 889 kobiet, które uczestniczyły w rutynowych przesiewach w jednym regionie Wielkiej Brytanii w 2023 roku. Wszyscy otrzymali standardową opiekę: ich mammogramy były oceniane przez dwóch ludzkich ekspertów, z arbitrażem w razie potrzeby. Równolegle komercyjny system SI o nazwie Mia również analizował obrazy i dyskretnie zapisywał swoją opinię. Zespół badawczy zastosował dwie główne strategie. Po pierwsze, potraktowali SI jako „dodatkową siatkę bezpieczeństwa”: jeśli SI sugerowała wezwanie na ponowną ocenę, a zespół przesiewowy tego nie robił, obrazy były wysyłane do dodatkowego przeglądu przez człowieka. Po drugie, wykorzystali zapisane wyniki SI do symulowania różnych scenariuszy „triage”, w których SI czasami zastępowałaby drugiego czytelnika, aby oszczędzić czas. W sumie zamodelowali 17 odrębnych przepływów pracy łączących te podejścia.

Co się stało, gdy SI występowała jako dodatkowy czytelnik

Gdy SI nie zgadzała się z rutynową decyzją o nieprzywoływaniu, doświadczeni czytelnicy ponownie oceniali te mammogramy. Spośród 1 345 takich przypadków 55 kobiet zostało wezwanych na dodatkowe badania, a wykryto 11 dodatkowych nowotworów piersi, które w przeciwnym razie zostałyby przeoczone przy tej wizycie. Większość z nich to nowotwory inwazyjne, często stosunkowo małe. Co ważne, ponowna ocena tych dodatkowych przypadków była szybka: w przybliżeniu dziewięć na dziesięć ocen zajęło poniżej minuty, podobnie do lub szybciej niż typowy odczyt mammogramu. Wskazuje to, że doświadczeni czytelnicy potrafili efektywnie wykorzystać wskazania SI, potwierdzając rzeczywiste obawy i jednocześnie pewnie odrzucając nieistotne zmiany po porównaniu z wcześniejszymi obrazami.

Jak triage z użyciem SI może odciążyć pracę

Zespół następnie rozważył, w jaki sposób SI mogłaby bezpiecznie zastąpić część drugich odczytów przez ludzi. W przepływach „triage”, gdy pierwszy czytelnik‑człowiek i SI się zgadzali, to porozumienie było utrzymywane i nie było potrzeby drugiego czytelnika dla tych przypadków. W przepływach „triage negatives” skrót ten stosowano tylko wtedy, gdy obaj zgodzili się, że nie ma potrzeby przywołania, co unika dodatkowych wezwań, a jednocześnie oszczędza pracę. W zależności od progów decyzyjnych ustawionych dla SI, te symulowane strategie mogły zmniejszyć całkowite obciążenie odczytami o około jedną trzecią do niemal połowy. Niektóre wersje nieznacznie zmniejszały liczbę wykrywanych nowotworów, podczas gdy inne zachowywały wykrywalność i nawet zmniejszały odsetek kobiet przywoływanych na dalsze badania.

Znajdowanie najlepszego kompromisu dla każdej kliniki

Główny przepływ pracy, który autorzy preferowali, łączył ustawienie „triage negatives” z rolą dodatkowego czytelnika pełnioną przez SI. W tej konfiguracji wszystkie nowotwory wykrywane w rutynowym przesiewie były nadal identyfikowane, plus 11 dodatkowych nowotworów wskazanych przez SI. To zwiększyło wskaźnik wykrywania nowotworów o około 10 procent — w przybliżeniu jeden dodatkowy nowotwór na 1000 przesianych kobiet — przy praktycznie niezmienionej częstości przywołań i zmniejszeniu pracy ludzkiej przy odczytach nawet do 31 procent. Inne testowane przepływy pracy oferowały różne kompromisy, takie jak większe oszczędności pracy i mniej fałszywych alarmów, kosztem przeoczenia niewielkiej liczby nowotworów, które główny przepływ pracy wykryłby.

Co to oznacza dla przyszłości badań przesiewowych piersi

Dla osoby niebędącej specjalistą kluczowy komunikat jest taki, że SI nie ma na celu zastąpienia lekarzy w przesiewach piersi, lecz może pełnić rolę elastycznego asystenta. W tej ocenie w rzeczywistych warunkach jeden system SI, stosowany ostrożnie, pomógł wykryć więcej nowotworów bez zwiększania liczby przywołań i jednocześnie uwolnił znaczącą część czasu ekspertów na odczyty. Ponieważ badanie przebadało wiele możliwych ustawień, usługi zdrowotne mogą wybrać konfigurację najlepiej dopasowaną do ich potrzeb — czy to maksymalizacja wykrywalności nowotworów, minimalizacja niepotrzebnych wezwań, czy łagodzenie niedoborów personelu. Potrzebne będą dalsze prace w innych regionach, z różnymi narzędziami SI i dłuższym okresem obserwacji, ale to badanie pokazuje, że przemyślane włączenie SI może uczynić badania przesiewowe piersi zarówno skuteczniejszymi, jak i bardziej zrównoważonymi.

Cytowanie: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

Słowa kluczowe: badania przesiewowe raka piersi, sztuczna inteligencja, mammografia, obciążenie radiologii, wykrywanie nowotworów