Sztuczna inteligencja może wykorzystać zmiany widoczne w kolejnych mammografiach 3D do przewidywania długoterminowego ryzyka raka piersi. Naukowcy z NYU Langone Health opracowali model NYU-DRP, który analizuje badania wykonywane u tej samej kobiety na przestrzeni lat. W badaniu opublikowanym w „American Journal of Roentgenology” model osiągnął lepsze wyniki niż AI analizująca pojedynczą mammografię oraz klasyczna ocena ryzyka Tyrera-Cuzicka.
Z tego artykułu dowiesz się…
- Jak model sztucznej inteligencji NYU-DRP wykorzystuje powtarzane mammografie 3D do przewidywania pięcioletniego ryzyka raka piersi.
- Jakie są wyniki badania obejmującego ponad 313 tys. mammografii 3D wykonanych u ponad 161 tys. kobiet i dowiesz się, dlaczego analiza kolejnych badań może być skuteczniejsza niż pojedyncza mammografia.
- Jak NYU-DRP wypadł w porównaniu z modelem AI analizującym pojedynczą mammografię oraz klasyczną oceną ryzyka Tyrera-Cuzicka.
- Dlaczego sama gęstość piersi nie wystarcza do dokładnego określenia ryzyka raka piersi i jak AI może w przyszłości pomóc personalizować badania przesiewowe.
AI analizuje nie tylko mammografię, ale również zmiany zachodzące w czasie
Cyfrowa tomosynteza piersi (DBT), określana również jako mammografia 3D, pozwala uzyskać przestrzenny obraz tkanki piersi. Naukowcy z NYU Langone Health postanowili sprawdzić, czy sztuczna inteligencja może wykorzystać nie tylko pojedyncze badanie, lecz także informacje pochodzące z kolejnych mammografii wykonywanych przez tę samą kobietę. Tak powstał model głębokiego uczenia NYU-DRP (DBT-based Risk Prediction). Narzędzie wykorzystuje podłużne dane z mammografii 3D wraz z informacją o wieku i gęstości piersi, aby oszacować ryzyko rozwoju raka piersi w perspektywie od dwóch do pięciu lat. Model opracowano na podstawie ponad 313 tys. badań DBT wykonanych u ponad 161 tys. kobiet. Średni wiek uczestniczek wynosił około 58,5 roku. Badania obrazowe pochodziły z lat 2016–2020.
Nasze badanie pokazuje, w jaki sposób modele sztucznej inteligencji, takie jak NYU-DRP, mogą być wykorzystywane do wiarygodnego określania ryzyka zachorowania kobiety na raka piersi w przyszłości na podstawie istniejących mammogramów 3D, które zawierają informacje o tym, jak tkanka piersi zmieniła się podczas różnych badań przesiewowych na przestrzeni czasu – powiedziała dr Yanqi Xu, główna autorka badania.
Powtarzane mammografie 3D poprawiły przewidywanie ryzyka raka piersi
W niezależnym zbiorze testowym model wykorzystujący kolejne badania DBT osiągnął dla pięcioletniego ryzyka raka piersi AUC na poziomie 0,721. Dla modelu analizującego pojedyncze badanie DBT wynik wyniósł 0,707, natomiast dla modelu Mirai wykorzystującego mammografię 2D – 0,687. Różnice były istotne statystycznie.
AUC określa zdolność modelu do rozróżniania osób, u których rozwinie się choroba, od tych, u których do niej nie dojdzie. Wynik 0,5 odpowiada klasyfikacji na poziomie przypadku, natomiast wartości zbliżające się do 1 oznaczają coraz lepszą zdolność rozróżniania. Rezultaty wskazują więc, że analiza zmian zachodzących pomiędzy kolejnymi mammografiami może dostarczać informacji niedostępnych w pojedynczym badaniu.
NYU-DRP skuteczniejszy od modelu Tyrera-Cuzicka
Badacze porównali również AI z modelem Tyrera-Cuzicka, który szacuje ryzyko raka piersi na podstawie danych klinicznych, takich jak m.in. wiek, wywiad rodzinny, czynniki genetyczne czy gęstość piersi. Analizę przeprowadzono w dopasowanej grupie 432 kobiet. NYU-DRP osiągnął AUC 0,676 dla pięcioletniego ryzyka, podczas gdy model Tyrera-Cuzicka – 0,563. Różnica również była istotna statystycznie.
Nie oznacza to jednak, że AI może już zastąpić klasyczną ocenę ryzyka. Badanie było retrospektywne i przeprowadzono je w jednym systemie opieki zdrowotnej. Konieczna jest zewnętrzna walidacja w innych populacjach i ośrodkach oraz na obrazach pochodzących z urządzeń różnych producentów.
Sama gęstość piersi nie wystarcza do określenia ryzyka
Szczególnie interesujące okazały się wyniki dotyczące gęstości piersi, która jest uznanym czynnikiem ryzyka raka piersi. Model pokazał jednak znaczące zróżnicowanie ryzyka wewnątrz poszczególnych kategorii gęstości. W opublikowanej wersji badania około 40 proc. badań kobiet z wyjątkowo gęstymi piersiami zostało zakwalifikowanych przez model do grupy przeciętnego ryzyka; obserwowana pięcioletnia częstość raka w tej grupie wyniosła 0,8 proc. Jednocześnie około 15 proc. badań kobiet z piersiami o budowie tłuszczowej model przypisał do grupy wysokiego ryzyka, w której obserwowana częstość raka wyniosła 2,6 proc.
Nasze odkrycia wskazują, że wielokrotne mammografie 3D zawierają informacje na temat ryzyka zachorowania kobiety na raka piersi w przyszłości, których nie uwzględnia w pełni ani gęstość piersi, ani pojedyncza mammografia – powiedział dr Yiqiu „Artie” Shen, starszy autor badania.
AI może w przyszłości pomóc personalizować badania przesiewowe
Potencjalne znaczenie NYU-DRP wykracza poza samo prognozowanie ryzyka. Jeżeli skuteczność narzędzia zostanie potwierdzona w prospektywnych i zewnętrznych badaniach, analiza kolejnych mammografii mogłaby wspierać bardziej spersonalizowane strategie badań przesiewowych. Kobiety z wyższym przewidywanym ryzykiem mogłyby potencjalnie zostać skierowane na dodatkową diagnostykę lub objęte intensywniejszym nadzorem, podczas gdy u osób z niskim ryzykiem można byłoby ograniczyć niepotrzebne badania uzupełniające. Autorzy podkreślają jednak, że takie zastosowanie wymaga dalszej walidacji klinicznej.
Zespół planuje obecnie sprawdzić NYU-DRP w innych ośrodkach i na danych pochodzących od różnych producentów urządzeń do mammografii 3D. Jest to istotne, ponieważ ograniczeniem obecnego badania jest wykorzystanie danych pochodzących przede wszystkim z jednego systemu opieki zdrowotnej oraz urządzeń jednego producenta.
Główne wnioski
- Model NYU-DRP analizuje zmiany widoczne w kolejnych mammografiach 3D wykonywanych na przestrzeni lat, wykorzystując historię obrazową piersi do prognozowania ryzyka raka.
- W przewidywaniu pięcioletniego ryzyka raka piersi NYU-DRP osiągnął AUC 0,721, wobec 0,707 dla modelu wykorzystującego pojedynczą mammografię 3D i 0,687 dla modelu opartego na mammografii 2D.
- W bezpośrednim porównaniu z klasyczną metodą Tyrera-Cuzicka model NYU-DRP również uzyskał lepszy wynik: AUC wyniosło odpowiednio 0,676 i 0,563.
- NYU-DRP nie jest jeszcze narzędziem gotowym do rutynowego wykorzystania klinicznego. Potrzebna jest zewnętrzna i prospektywna walidacja, m.in. w innych populacjach oraz z wykorzystaniem mammografów różnych producentów.
Źródło:
- https://www.ajronline.org/doi/10.2214/AJR.26.34951
- NYU Langone Health
