Olika BI‑RADS‑bröstcancerdiganoser med MobileNetV1 och vision transformer baserat på förklarbar artificiell intelligens (XAI)

Se cancer‑risk tidigare

Bröstcancer är mest behandlingsbar när den upptäcks tidigt, men att tolka mammografier är krävande och ofta stressigt arbete. Denna studie beskriver ett nytt system för artificiell intelligens (AI) som inte bara upptäcker tecken på cancer på mammografier med mycket hög noggrannhet, utan också visar för läkare exakt vilka områden i bildens bröst som påverkat dess beslut. Genom att kombinera två moderna bildanalystekniker på ett smart sätt syftar systemet till att ge radiologer snabba, tillförlitliga och transparenta andra åsikter.

Varför det är så svårt att läsa mammografier

Mammografier är röntgenbilder av bröstet som används för att leta efter tidiga tecken på cancer. Radiologer tilldelar varje undersökning en BI‑RADS‑poäng, en standardiserad skala som sträcker sig från normala fynd till tydligt cancerösa. I täta bröst, där det finns mycket körtelvävnad, kan misstänkta fläckar döljas eller likna ofarliga strukturer. Många tidigare datorstödda verktyg har antingen fokuserat endast på enkla ja‑/nej‑beslut om cancer, haft svårt med hela spektrumet av BI‑RADS‑kategorier eller fungerat som en svart låda, vilket lämnat läkare osäkra på varför ett visst beslut fattades.

Sammankopplar två sätt att ”titta” på en bild

Forskarlaget byggde en hybrid‑AI‑ram som imiterar hur en noggrann mänsklig läsare kan skanna en mammografi: först genom att granska små detaljer och sedan genom att betrakta helheten. En del av systemet, baserad på ett kompakt nätverk kallat MobileNetV1, koncentrerar sig på lokala detaljer som små kalkutfällningar och skarpa lesiongränser. En annan del, en vision transformer, delar bilden i patchar och analyserar hur mönster relaterar över hela bröstet, fångar övergripande vävnadsstruktur och subtila deformationer. Funktionerna från dessa två ”strömningar” slås sedan samman till en enda, rik beskrivning av varje bild.

Rensa, balansera och förenkla data

Innan bilderna går in i AI‑pipelines genomgår de flera förberedelsesteg. Teamet förbättrar kontrasten med en metod som ljusar upp subtila strukturer utan att förstärka brus, vilket gör svaga fläckar lättare att se. Bilder storleksändras och normaliseras så att systemet ser dem på ett konsekvent sätt. För att motverka att vissa BI‑RADS‑kategorier, såsom tydligt maligna fall, är relativt sällsynta, använder författarna dataaugmenteringsknep som små rotationer och speglingar och tillämpar klassmedveten träning så att mindre vanliga kategorier ändå påverkar inlärningen. Efter att de två strömmarna extraherat funktioner komprimerar ett matematiskt verktyg kallat principal component analysis informationen och behåller det som är viktigast samtidigt som komplexiteten minskas.

Från funktioner till riskpoäng, med förklaringar

I sista steget, istället för att förlita sig på en tung, ogenomskinlig neuronnätklassificerare, använder författarna många enkla logistiska regressionsmodeller kombinerade i en ensemble genom ”bagging”. Varje modell erbjuder ett rakt på sak sätt att koppla bildfunktioner till BI‑RADS‑risknivåer, och deras majoritetsröst ger stabilitet och motståndskraft mot överanpassning på den relativt blygsamma datasetet. Testat på mer än 6 000 mammografier från King Abdulaziz University Breast Cancer‑datasetet uppnådde det hybrida systemet över 99 % noggrannhet, känslighet och specificitet över de fyra nyckel‑BI‑RADS‑kategorierna det riktade in sig på: normalt, sannolikt godartat, misstänkt och malignt.

Låta läkare se vad AI:n ser

För att göra sina beslut begripliga använder systemet förklarbar AI‑tekniker kända som Grad‑CAM och Grad‑CAM++. Dessa producerar färgade värmekartor överlagrade på mammografin och markerar de regioner som mest påverkade den förutsagda BI‑RADS‑poängen. I maligna fall stämmer de markerade områdena vanligtvis överens med massor eller kluster av kalcifikationer som expertradiologer noterat; i normala bilder finns lite eller ingen fokuserad aktivering. Denna visuella återkoppling hjälper kliniker att bedöma om modellen uppmärksammar medicinskt meningsfulla kännetecken och kan avslöja varför vissa gränsfall — såsom tät vävnad som efterliknar en lesion — är svåra även för experter.

Vad detta kan betyda för patienter

Studien visar att, på en enskild klinisk dataset, kan detta tvåströmiga, förklarbara AI‑system klassificera mammografier i flera risknivåer med en noggrannhet jämförbar med, och i vissa avseenden överträffande, många tidigare metoder. Trots att det fortfarande behöver testas på mer olika populationer och på olika sjukhus pekar tillvägagångssättet mot AI‑verktyg som inte bara är mycket exakta, utan också tillräckligt snabba för upptagna kliniker och tillräckligt transparenta för att vinna radiologers och patienters förtroende. I praktiken skulle sådana system kunna fungera som ett extra par experters ögon — flagga subtila fynd, minska missade cancerfall och stödja klarare, mer förtroendefulla samtal om bröstcancerrisk.

Citering: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

Nyckelord: bröstcancer, mammografi, artificiell intelligens, vision transformer, förklarbar AI