Vidvinkel-tomosyntese og AI i diagnostisk mammografi

Brystkræft forbliver den hyppigst diagnosticerede kræftform og en førende årsag til kræftrelateret dødelighed blandt kvinder globalt. Rettidig og præcis opdagelse er afgørende for at forbedre prognose og overlevelsesresultater. Mens digital mammografi længe har tjent som gylden standard for screening, er den begrænset af overlappende vævsstrukturer, især hos kvinder med tæt brystvæv, hvilket kan skjule ondartede svulster eller skabe falske positive resultater.

For at imødegå disse begrænsninger er digital brysttomosyntese (DBT), især bredvinklet DBT, udviklet til at tilbyde tredimensionel billeddannelse og reducere vævsoverlap. Siemens' MAMMOMAT B.brilliant-system, som inkorporerer bredvinklet DBT, forbedrer rumlig opløsning og forbedrer læsioners synlighed. Denne teknologi kan give væsentlige fordele i diagnostiske populationer, hvor nøjagtighed og tillid til billedtolkning er afgørende.

Samtidig er kunstig intelligens (AI)-værktøjer såsom Transpara-systemet blevet introduceret for yderligere at forbedre mammografisk tolkning. Tidligere evaluering af Transpara i en prøve på 310 japanske kvinder viste, at mens menneskelige læsere overgik AI i samlet diagnostisk præstation, viste systemet lovende sensitivitetsniveauer, hvilket fremhæver AI's potentiale som et beslutningsstøtteværktøj snarere end en selvstændig læser.

Mere robust evidens leveres af Mammografi Screening med Kunstig Intelligens (MASAI)-forsøget, som vurderede AI-understøttet screenlæsning i en kontrolleret undersøgelse af over 80.000 kvinder. Forsøget fandt, at AI-understøttet læsning førte til en sammenlignelig kræftopdagelsesrate som standard dobbeltlæsning (6,1 vs. 5,1 per 1000 deltagere), men reducerede læsearbejdsbyrden med 44,3 % uden at øge falske positive eller tilbagekaldelsesrater. En relateret analyse af det samme team understregede AI's evne til effektivt at triage undersøgelser og fremhævede, at AI-mærkede "ekstra høj risiko"-mammogrammer udgjorde en væsentlig del (over 55 %) af alle screen-detekterede kræfttilfælde med en høj positiv prædiktiv værdi.

På trods af disse opmuntrende resultater har de fleste undersøgelser været begrænset til screeningsbaserede miljøer. Der mangler fortsat prospektiv evidens om den virkelige verdens diagnostiske anvendelse af bredvinklet DBT og AI i populationer med højere risiko, såsom symptomatiske patienter eller dem der tilkaldes fra screening. Dette repræsenterer et kritisk videnshul, især i betragtning af stigende bekymringer om radiologers arbejdsbyrde og diagnostiske forsinkelser.

Formålet med denne prospektive observationsundersøgelse er at evaluere integrationen og diagnostiske værdi af bredvinklet tomosyntese og AI (Transpara) i en klinisk diagnostisk sammenhæng. Specifikt sigter den mod at vurdere deres indflydelse på radiologers tillid, diagnostisk nøjagtighed og behovet for supplerende billeddannelse. Ved at adressere disse spørgsmål søger undersøgelsen at informere fremtidige implementeringsstrategier, der balancerer nøjagtighed, effektivitet og klinisk anvendelighed.