Ett tolkbart AI-system minskar falskt positiva MR-diagnoser genom att stratifiera högriskbröstlesioner

Smartare skanningar, färre onödiga ingrepp

Bröst-MR är ett av de bästa verktygen för tidig upptäckt av cancer, särskilt hos kvinnor med hög risk, men det fångar ofta upp “för mycket” och markerar många ofarliga förändringar som misstänkta. Dessa gråzonsfynd leder till oro, extra undersökningar och smärtsamma biopsier som i slutändan visar sig vara godartade. I den här studien presenteras ett nytt system med artificiell intelligens (AI) som läser bröst-MR tillsammans med radiologer och hjälper till att skilja verkligt farliga lesioner från sådana som kan följas tryggt över tid, med målet att upptäcka cancer utan att skicka så många kvinnor till biopsi.

Problemet med osäkra bröst-MR-fynd

När radiologer tolkar en bröst-MR kategoriserar de misstänkta områden enligt skalan BI-RADS. Kategori 4 är särskilt besvärlig: den omfattar lesioner med allt från 2 % till 95 % sannolikhet för cancer. Eftersom spannet är så stort är tumregeln i dag att man i princip biopsierar nästan alla dessa lesioner. Resultatet blir att många kvinnor genomgår invasiva ingrepp för förändringar som visar sig vara godartade. Dessutom är MR-tolkning subjektiv. Olika radiologer, särskilt mindre erfarna, kan vara oense om samma undersökning, ibland överskatta godartade fynd eller missa subtila cancerförändringar. Författarna ville bygga ett verktyg som minskar denna osäkerhet samtidigt som det passar in i verklig klinisk praxis.

En AI-partner tränad på tusentals skanningar

Forskarna utvecklade BI-RADS 4 Lesions Analysis System, eller BL4AS, en AI-modell särskilt avsedd för dessa högrisk men tvetydiga MR-fynd. Till skillnad från tidigare system som förlitade sig på en enda bildsekvens granskar BL4AS flera tidpunkter efter att kontrastmedel injicerats och följer hur varje lesion först framträder och sedan avtar över tid. Dessa förändrade mönster bär viktiga ledtrådar om vävnadens sannolika godartade eller maligna natur. Teamet förtränade först en stor ”foundation-modell” på mer än 17 000 MR-volymer för att lära sig generella bilddrag, och finjusterade den sedan på 2 803 BI-RADS 4-lesioner från 2 686 kvinnor behandlade vid tre medicinska centra. Systemet avgränsar lesionen och klassificerar den som låg- eller högrisk, samtidigt som det tillhandahåller en sannolikhet för att det rör sig om cancer.

Presterar bättre än mänskliga läsare i verkliga kliniker

För att undersöka hur väl BL4AS fungerar utanför laboratoriet testade författarna systemet på oberoende data från andra sjukhus och på en nyprospektivt insamlad patientgrupp. I dessa miljöer visade AI:n hög noggrannhet och, avgörande, betydligt högre specificitet än radiologerna — det vill säga den var bättre på att känna igen godartade lesioner och undvika falska larm. I en prospektiv läsarstudie tolkade åtta radiologer först fallen på egen hand och läste dem sedan om med stöd av BL4AS. Med AI:s hjälp förbättrades deras diagnostiska noggrannhet, andelen falskt positiva minskade med mer än en fjärdedel och överensstämmelsen mellan läsarna ökade avsevärt. Juniora radiologer gynnades mest; med systemets stöd närmade sig deras prestationer i stort sett de erfarna kollegornas nivå.

Gör AI-beslut transparenta och användbara

Där kliniker med fog är försiktiga med ”black box”-AI byggde teamet in visuella förklaringar. BL4AS producerar värmekartor som markerar vilka delar av en lesion som påverkade beslutet, ofta med fokus på oregelbundna former, skarpa kanter och ovanliga kontrastförbättringsmönster som radiologer redan förknippar med cancer. Systemet går också längre än ett enkelt ja/nej-beslut genom att placera lesioner i BI-RADS 4A, 4B eller 4C undergrupper som speglar ökande risk. I externa testuppsättningar överensstämde dessa AI-definierade underkategorier tätt med de faktiska cancerraterna och presterade bättre än radiologer både när det gällde att identifiera lågrisklesioner som möjligen kan avstå från biopsi och att flagga högrisklesioner som bör behandlas snabbt.

Vad detta kan innebära för patienter

Sammantaget tyder studien på att en tolkbar AI-assistent som BL4AS kan hjälpa radiologer att läsa bröst-MR mer konsekvent, minska onödiga biopsier och samtidigt upprätthålla en mycket hög säkerhetsmarginal mot missade cancerfall. Genom att utnyttja den fulla rikedom av tidsupplöst MR-data och presentera sitt resonemang på ett mänskligt tillgängligt sätt erbjuder systemet en praktisk väg mot mer individualiserad bröstcancervård: kvinnor med verkligt oroande lesioner kan snabbare gå vidare till behandling, medan de med lågriskfynd kan undvika invasiva ingrepp och istället följas noggrant över tid.

Citering: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

Nyckelord: bröst-MR, artificiell intelligens, cancerdiagnos, medicinsk bildbehandling, riskstratifiering