Subgruppsprestanda hos en kommersiell modell för digital brösttomosyntes vid upptäckt av bröstcancer

Varför detta har betydelse för kvinnor och familjer

Bröstcancerscreening räddar liv, men inget test är perfekt. Läkare vänder sig nu till artificiell intelligens (AI) för att hjälpa till att läsa komplexa 3D-röntgenbilder av bröstet. Denna studie undersökte noggrant hur ett mycket använt AI-system fungerar för olika grupper kvinnor och för olika typer av bröstförändringar, och avslöjar var verktyget fungerar väl och var det har svårigheter.

En närmare titt på en ny sorts mammografi

Traditionella mammografier är platta, tvådimensionella röntgenbilder. Många kliniker använder nu digital brösttomosyntes, en 3D-liknande skanning som byggs upp av många tunna snitt av bröstet. Den kan avslöja cancer som kan ligga dolt i överlappande vävnad, särskilt i täta bröst, men bilderna tar längre tid att läsa och kan fortfarande missa små kalciumfläckar som signalerar tidig sjukdom. Därför har företag utvecklat AI-verktyg som flaggar misstänkta områden för radiologer. Fram tills nu har de flesta utvärderingar av dessa verktyg fokuserat på övergripande noggrannhet, inte hur de beter sig för specifika patienter eller tumörtyper.

Stort verklighetstest av en AI-hjälpare

Forskare vid Emory University studerade ett kommersiellt AI-system kallat INSIGHT DBT, använt på 3D-bröstbilder från mer än 167 000 screeningsundersökningar hos över 61 000 kvinnor. De jämförde AI-poäng med faktiska utfall och separerade klart negativa undersökningar, benigna biopsier och bekräftade cancerfall. Huvudfrågan var hur väl AI särskiljde cancer upptäckt vid rutinmässig screening från undersökningar som visade sig inte vara cancer. För alla kvinnor tillsammans visade AI stark prestanda, rankade i stort sett korrekt cancerösa och icke-cancerösa undersökningar och matchade resultaten från sin ursprungliga regulatoriska granskning. Prestandan var liknande över ålders-, ras- och etniska grupper, en viktig upptäckt för rättvisa i vården.

Var AI utmärker sig och var den brister

När teamet grävde djupare i detaljer framträdde tydliga mönster. AI:n var bäst på att upptäcka invasiva cancerformer som bildar solida massor eller skapar synliga distortioner i bröstsituationen; den flaggade korrekt de flesta av dessa fall. Den var mindre pålitlig för cancer som stannar inom mjölkgångarna, känd som in situ-sjukdom, och för cancer som främst visar sig som fina kluster av små kalciumavlagringar. För dessa tidiga lesioner missade systemet nästan hälften och dess totala noggrannhet sjönk. Tät bröstvävnad minskade också prestandan något, troligen eftersom tät vävnad kan dölja subtila tecken.

Vad poängmönstren visar

Genom att granska hela spannet av AI-poäng snarare än enbart ja- eller nej-beslut såg forskarna att undersökningar med mer oroande patologi tenderade att få högre poäng. Benigna och lågriskfynd fick vanligtvis låga poäng, medan invasiva cancerformer samlades i den höga änden. Dock fick vissa icke-cancerösa distortioner höga poäng, vilket ledde till falska larm, och vissa sällsynta undergrupper av invasiv cancer och in situ-lesioner blev underskattade. AI:n gav till och med höga poäng till omkring en tredjedel av de cancerfall som uppträdde mellan ordinarie screeningar, vilket tyder på att den ibland ser antydningar som människor missar, även om den verkliga kliniska betydelsen av detta fortfarande är osäker.

Konsekvenser för patienter och kliniker

För en lekmannaläsare är slutsatsen att detta AI-verktyg kan vara ett betydelsefullt stöd för radiologer vid läsning av komplexa 3D-bröstbilder, utan uppenbara skillnader mellan större demografiska grupper. Men det är inte en fristående cancerupptäckare. Det är mindre tillförlitligt för de tidigaste, kalciumbaserade cancerformerna och i mycket täta bröst, och det kan fortfarande leda till onödiga uppföljningar vid vissa benigna fynd. Författarna menar att förstå dessa styrkor och blindfläckar är avgörande innan man förlitar sig på AI i vardaglig screening, så att läkare kan använda det som en noggrann partner snarare än en ersättning.

Citering: Brown-Mulry, B., Isaac, R.S., Lee, S.H. et al. Subgroup performance of a commercial digital breast tomosynthesis model for breast cancer detection. Nat Commun 17, 4249 (2026). https://doi.org/10.1038/s41467-026-70637-3

Nyckelord: bröstcancerscreening, digital brösttomosyntes, medicinsk AI, mammografi, DCIS