Dokładność diagnostyczna, sprawiedliwość i wdrożenie kliniczne sztucznej inteligencji w przesiewaniu raka piersi: wyniki wieloośrodkowych retrospektywnych i prospektywnych badań wykonalności technicznej

Mądrzejsze przesiewanie dla codziennych kobiet

Przesiewanie w kierunku raka piersi ratuje życie, ale obciąża systemy opieki zdrowotnej i może przeoczyć nowotwory albo wywołać stresujące fałszywe alarmy. To badanie stawia proste pytanie o dalekosiężnych konsekwencjach: czy program sztucznej inteligencji (SI) może bezpiecznie pomagać w odczytywaniu mammogramów w brytyjskim narodowym programie przesiewowym, wykrywając więcej groźnych nowotworów przy jednoczesnym zmniejszeniu obciążenia dla zajętych specjalistów — i robiąc to sprawiedliwie dla kobiet z różnych środowisk?

Jak działa przesiew dziś

W wielu krajach, w tym w Wielkiej Brytanii, kobiety w wieku 50–70 lat są zapraszane na regularne mammografie. W Wielkiej Brytanii każdy skan zwykle jest czytany niezależnie przez dwóch ludzkich ekspertów; jeśli się nie zgadzają, sprawę rozpatruje panel. Ten system podwójnego odczytu ma zapewniać bezpieczeństwo, ale jest czasochłonny i zależy od dostępności wystarczającej liczby przeszkolonych czytelników — czego wiele systemów zdrowotnych nie daje rady zapewnić. Wcześniejsze narzędzia komputerowe oferowały ograniczoną pomoc i czasem wprowadzały więcej szumu niż jasności, dlatego organy odpowiedzialne za zdrowie domagały się mocnych dowodów, zanim zaufały nowoczesnej SI w ramach programów krajowych.

Testowanie SI w prawdziwych klinikach

Badacze ocenili zaktualizowaną SI do mammografii firmy Google w dwóch głównych etapach w ramach National Health Service w Wielkiej Brytanii. Najpierw uruchomili system na prawie 116 000 wcześniejszych badań przesiewowych z pięciu różnych regionów, obserwując kobiety przez ponad trzy lata, aby zobaczyć, które nowotwory faktycznie się pojawiły. Następnie porównali wydajność SI z pierwszym czytającym, drugim czytającym i ostateczną decyzją panelu. W drugim etapie cicho zainstalowano SI w 12 placówkach przesiewowych i pozwolono jej przetworzyć ponad 9 000 nowych badań w czasie rzeczywistym — bez wpływu na opiekę — aby zbadać, jak zachowuje się w codziennej praktyce i jakie ustawienia mogą wymagać dostrojenia.

Co zobaczyła SI — i co wykryła

W obszernym retrospektywnym zbiorze danych SI okazała się bardziej czuła niż pierwszy ludzki czytelnik: wykrywała więcej nowotworów ogólnie, utrzymując jednocześnie wskaźnik fałszywych alarmów w ramach ustalonego marginesu bezpieczeństwa. Gdyby użyto jej jako jednego z czytających w systemie podwójnego odczytu, system podniósłby częstość wykrywania nowotworów z około 7,5 do 9,3 przypadków na 1000 kobiet, a także prawidłowo wskazał jedną czwartą nowotworów, które pierwotnie zostały przeoczone i wykryte dopiero później — między badaniami lub przy następnej rutynowej wizycie. Korzyści były szczególnie wyraźne u kobiet przychodzących na pierwsze badanie — zwykle najtrudniejszej grupy do interpretacji, ponieważ brak jest wcześniejszych obrazów. W tych pierwszych wizytach SI jednocześnie wzywała mniej kobiet do ponownego badania i wykrywała nieco więcej nowotworów, w szczególności guzów inwazyjnych, które stanowią największe zagrożenie.

Sprawiedliwość, obciążenie pracą i przeszkody w świecie rzeczywistym

Zespół dokładnie przeanalizował, czy SI traktuje różne grupy kobiet sprawiedliwie. W przekrojach wieku, gęstości tkanki piersiowej, statusu społeczno‑ekonomicznego oraz na podstawie ograniczonych dostępnych danych etnicznych nie zaobserwowano konsekwentnych oznak szkodliwych uprzedzeń: czułość i specyficzność utrzymywały się w wąskich granicach w porównaniu z czytającymi ludzkimi, choć niektóre bardzo małe podgrupy miały dużą niepewność. Zmodelowali także, jak użycie SI jako drugiego czytającego przeorganizowałoby pracę. Liczba ludzkich odczytów przed rozpatrzeniem przez panel mogłaby spaść prawie o połowę, skracając czas czytelników o około jedną trzecią, choć więcej przypadków byłoby eskalowanych do panelu. W fazie żywej wykonalności SI dostarczała wyniki w ciągu kilku minut — znacznie szybciej niż rutynowy odczyt ludzki — ale zespół odkrył zmianę w charakterze niedawnych obrazów w porównaniu ze starszymi danymi treningowymi. Początkowy próg operacyjny okazał się zbyt czuły, powodując wyższe wskaźniki ponownych wezwań i musiał zostać skalibrowany w dół przy użyciu świeżych lokalnych danych.

Budowanie systemu przesiewowego gotowego na SI

Ponad dokładnością, badanie ujawniło praktyczne bariery dla bezpiecznego wdrożenia. Wiele ośrodków przesiewowych nadal polega na formularzach papierowych i przestarzałym oprogramowaniu, które nie potrafi automatycznie przechowywać wyników SI ani wyjaśniać powodów wezwania na dodatkowe badanie — funkcji, których wymagają regulatorzy i klinicyści. Autorzy argumentują, że w pełni zdigitalizowane, standaryzowane przepływy pracy oraz lepsze gromadzenie danych demograficznych będą kluczowe do monitorowania wydajności i sprawiedliwości w czasie. Podkreślają także, że progi SI nie mogą być „ustaw i zapomnij”: sprzęt obrazujący, zachowanie czytelników i struktura populacji ulegają zmianom, więc system musi być ciągle sprawdzany i dopasowywany, z jasnymi krajowymi zasadami i wsparciem technicznym.

Co to oznacza dla pacjentek

Wyniki sugerują, że starannie wdrożony system SI mógłby pomóc krajowym programom przesiewowym w wykrywaniu poważniejszych nowotworów wcześniej, zwłaszcza u kobiet zgłaszających się na pierwszą mammografię, przy jednoczesnym zmniejszeniu obciążenia przepracowanych specjalistów. Jednak autorzy podkreślają, że sukces zależy od czegoś więcej niż dokładnego algorytmu. Usługi zdrowotne będą potrzebowały ciągłej kalibracji, rygorystycznego monitorowania dryfu i uprzedzeń, zmodernizowanej infrastruktury IT oraz przemyślanej integracji z istniejącymi przepływami pracy ludzi. Przy tych zabezpieczeniach SI mogłaby stać się zaufanym dodatkowym czytającym, poprawiając zarówno efektywność, jak i sprawiedliwość przesiewania raka piersi, zamiast być czarną skrzynką wprowadzającą nowe ryzyka.

Cytowanie: Kelly, C.J., Wilson, M., Warren, L.M. et al. Diagnostic accuracy, fairness and clinical implementation of AI for breast cancer screening: results of multicenter retrospective and prospective technical feasibility studies. Nat Cancer 7, 494–506 (2026). https://doi.org/10.1038/s43018-026-01127-0

Słowa kluczowe: przesiewanie raka piersi, medyczna sztuczna inteligencja, mammografia, sprawiedliwość w opiece zdrowotnej, wdrożenie kliniczne