Prospektiv utvärdering av integrationen av artificiell intelligens i bröstcancerscreening i flera arbetsflödesmiljöer: GEMINI-studien

Varför detta är viktigt för kvinnor och kliniker

Bröstcancerscreening räddar liv, men ställer också stora krav på specialistläkare och kan skapa oro när kvinnor kallas tillbaka i onödan. Denna studie, genomförd i ett verkligt National Health Service (NHS) bröstscreeningprogram i Skottland, ställde en praktisk fråga: kan artificiell intelligens (AI) hjälpa läkare att hitta fler cancerfall samtidigt som återkallelser och arbetsbörda hålls under kontroll? Istället för att testa en enda lösning undersökte forskarna många olika sätt att väva in AI i det dagliga screeningen och erbjöd en färdplan för kliniker med skiftande press och prioriteringar.

Hur bröstscreening fungerar idag

I Storbritannien blir kvinnor i åldern 50 till 71 inbjudna till mammografi vart tredje år. Varje uppsättning bröströntgen läses oberoende av två utbildade mänskliga läsare. Om de är oense fattar en tredje expert slutgiltigt beslut. Detta "dubbelavläsnings"-förfarande ökar säkerheten men kräver stora mängder specialistsupport. Samtidigt står vårdsystem inför ökande antal kvinnor som går på screening och brist på radiologer. Ett nytt verktyg måste därför göra mer än att bara upptäcka cancer; det måste också passa in i det befintliga systemet och hjälpa till att hantera begränsad personalresurs.

Vad GEMINI-studien ville pröva

GEMINI-studien följde 10 889 kvinnor som deltog i rutinmässig screening i en region i Storbritannien under 2023. Alla fick standardvård: deras mammografier lästes av två mänskliga experter, med skiljedom vid behov. I bakgrunden analyserade också ett kommersiellt AI-system kallat Mia bilderna och lagrade tyst sitt omdöme. Forskargruppen använde sedan två huvudidéer. För det första testade de AI som ett "extra säkerhetsnät": om AI föreslog återkallelse men screeningenheten inte gjorde det, skickades bilderna för en extra mänsklig granskning. För det andra använde de de lagrade AI-resultaten för att simulera olika "triage"-upplägg där AI ibland kunde ersätta den andra läsaren för att spara tid. Totalt modellerade de 17 olika arbetsflöden som kombinerade dessa tillvägagångssätt.

Vad som hände när AI agerade som extra läsare

När AI var oenig med det rutinmässiga beslutet att inte kalla tillbaka, tittade seniora läsare igen på dessa mammografier. Av 1 345 sådana fall kallades 55 kvinnor tillbaka för ytterligare tester, och 11 extra bröstcancerfall hittades som annars skulle ha missats vid det besöket. De flesta av dessa var invasiva cancerformer och många var relativt små. Viktigt är att granskningen av dessa extra fall var snabb: ungefär nio av tio lästes på under en minut, liknande eller snabbare än en typisk mammografiläsning. Detta tyder på att erfarna läsare kunde använda AI-promptarna effektivt, bekräfta verkliga fynd samtidigt som de med säkerhet avfärdade ofarliga förändringar vid jämförelse med tidigare bilder.

Hur triage med AI kan lätta arbetsbördan

Forskarna frågade sedan hur AI säkert kunde ersätta en del av de andra mänskliga avläsningarna. I "triage"-arbetsflöden stod en överenskommelse mellan första mänskliga läsaren och AI kvar, och en andra läsare behövdes inte för dessa fall. I "triage negatives"-upplägg användes genvägen endast när båda var överens om att ingen återkallelse behövdes, vilket undviker extra återkallelser men ändå sparar arbete. Beroende på vilka beslutströsklar som sattes för AI kunde dessa simulerade strategier minska den totala läsarbetsbördan med ungefär en tredjedel till nästan en halv. Vissa varianter minskade något antalet upptäckta cancerfall, medan andra bibehöll cancergenkänningen och till och med minskade andelen kvinnor som kallades tillbaka för fler tester.

Hitta den bästa balansen för varje klinik

Det huvudarbetsflöde som författarna föredrog kombinerade ett "triage negatives"-upplägg med AI:s roll som extra läsare. I denna konfiguration upptäcktes fortfarande alla cancerfall som hittades av rutinell screening, plus de 11 extra cancerfallen som AI belyste. Detta ökade cancerrate med cirka 10 procent — ungefär en extra cancer per 1 000 screenade kvinnor — samtidigt som återkallelsefrekvensen i praktiken förblev oförändrad och den mänskliga läsarbetssynden minskade med upp till 31 procent. Andra testade arbetsflöden erbjöd olika avvägningar, såsom större arbetsbesparingar och färre falska larm, på bekostnad av att ett litet antal cancerfall som huvudarbetsflödet hade fångat gick förlorade.

Vad detta betyder för framtidens bröstscreening

För en icke-specialist är huvudbudskapet att AI inte är redo att ersätta läkare i bröstscreening, men kan fungera som en flexibel assistent. I denna verklighetsbaserade utvärdering hjälpte ett AI-system, använt med eftertanke, till att hitta fler cancerfall utan att öka antalet kvinnor som kallades tillbaka och samtidigt frigjorde en betydande del av expertläsningstiden. Eftersom studien undersökte många möjliga konfigurationer kan vårdtjänster välja den uppsättning som bäst passar deras behov — om det handlar om att maximera cancerrapportering, minimera onödiga återkallelser eller lindra personalbrist. Ytterligare arbete i andra regioner, med olika AI-verktyg och längre uppföljning, kommer att behövas, men denna studie visar att genomtänkt integrerad AI kan göra bröstscreening både mer träffsäker och mer hållbar.

Citering: 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

Nyckelord: bröstcancerscreening, artificiell intelligens, mammografi, radiologens arbetsbörda, cancerdetektion