En grundmodell för bröst- och lungcancerscreening med icke-kontrastförstärkt datortomografi

Varför en skanning för två cancerformer spelar roll

Cancerscreening fungerar oftast som en serie separata kontroller: ett test för lungorna, ett annat för brösten, där varje undersökning tillför tid, kostnad och extra strålning. Denna studie undersöker en annan idé—om en enda, mycket använd bröstkorgsskanning tyst skulle kunna kontrollera både lung- och bröstcancer samtidigt med hjälp av artificiell intelligens (AI). Om det lyckas kan ett sådant förfarande förvandla rutinundersökningar till ett tvåfaldigt säkerhetsnät, särskilt på upptagna sjukhus och i regioner med begränsade resurser.

En ny sorts digital cancerspanare

Forskarlaget utvecklade ett AI-system kallat OMAFound som lär sig att ”läsa” tredimensionella bröstkorgs-CT-bilder. Till skillnad från traditionella verktyg som tränas snävt på ett organ, studerar detta system först mer än 200 000 oannoterade skanningar från över 58 000 personer och lär sig helt enkelt hur friska respektive sjuka bröstkorgar ser ut i stort. Denna breda förträningsfas låter AI:n plocka upp subtila mönster över hela bröstkorgen. Teamet lade därefter till mindre, annoterade dataset som anger om varje patient så småningom visade sig ha bröstcancer, lungcancer eller ingen av delarna, för att lära modellen att omvandla sin generella bildförståelse till konkreta cancerprediktioner.

Att lära ett system att övervaka två organ

På toppen av den delade bildläsningsmotorn byggde teamet två fokuserade grenar: en finjusterad för tecken på bröstcancer och en för tecken på lungcancer. De tränade och testade dessa grenar på CT-skanningar från mer än 150 000 patienter vid flera kinesiska sjukhus och internationella dataset. För bröstcancer byggde de också ett separat AI-system som läser mammografier, den nuvarande standardmetoden, för att rättvist kunna jämföra CT-baserad AI med etablerad praxis hos samma kvinnor. I sida‑vid‑sida‑tester med kvinnor som hade båda typerna av bilder var mammografi-AI något mer exakt överlag, men CT-baserade bröstgrenen var mer sensitiv—den fångade fler cancerfall—medan mammografi bättre undvek falska larm.

Från organspecifika fynd till helhetliga patientbedömningar

Att betrakta varje organ isolerat kan vilseleda: om båda grenarna säger ”möjlig cancer” kan kombinationen orealistiskt antyda två separata tumörer hos samma person. För att undvika detta skapade forskarna en tredje AI‑modul som blandar information från både bröst‑ och lungvyerna i samma CT‑skanning och avgör om patienten i helhet sannolikt har cancer. Detta patientnivåperspektiv följer klinisk verklighet, där människor betydligt oftare har bara en cancer, om någon alls. Bland kvinnor i testuppsättningarna gav denna kombinerade strategi den bästa balansen—hög känslighet för befintliga cancerfall samtidigt som antalet falska positiva hölls i schack—och överträffade enkla matematiska sätt att slå samman organspecifika utdata.

Testning av systemet i verklig screening

För att undersöka hur OMAFound fungerar utanför laboratoriet genomförde teamet en prospektiv studie vid fyra medicinska centra och följde mer än 21 000 personer som kom för lågdos‑bröstkorgs‑CT‑screening. Hos män, där endast lungcancer är relevant, balanserade systemet korrekt cancerupptäckt och falska larm i ungefär 86 % av fallen. Hos kvinnor nådde det balanserade noggrannheter på cirka 82 % för bröstcancer, 88 % för lungcancer och 83 % när det skulle avgöra om en kvinna hade någon cancer alls. Forskarna bad också sju allmänradiologer läsa ett utmanande urval av skanningar, först på egen hand och sedan med OMAFound:s riskpoäng och värmekartor som framhävde oroande områden. Med AI‑stöd ökade radiologernas förmåga att upptäcka cancer markant—särskilt för brösttumörer—samtidigt som deras tendens att överdiagnostisera icke‑cancerfall inte ökade.

Vad detta kan innebära för vardagsvården

Sammanfattningsvis antyder studien att en enda lågdos‑bröstkorgs‑CT, redan mycket använd för lungundersökningar, också kan erbjuda ett extra lager av bröstcancerscreening när den paras med ett kraftfullt AI‑system. OMAFound ersätter inte mammografi eller expertbedömning, men det kan flagga personer med hög risk tidigare och hjälpa överbelastade kliniker att fokusera sin uppmärksamhet där den behövs mest. Genom att göra en vanlig skanning till en multikancerspanare pekar tillvägagångssättet mot screenningsprogram som är mer effektiva, mer tillgängliga och potentiellt mer livsräddande, utan att tillföra fler tester, kostnader eller strålningsexponering.

Citering: Liang, Z., Niu, Q., Wang, J. et al. A foundation model for breast and lung cancer screening using non-contrast computed tomography. Nat. Health 1, 403–415 (2026). https://doi.org/10.1038/s44360-026-00055-8

Nyckelord: multicancerscreening, lågdos-CT, bröstcancer, lungcancer, medicinsk AI