Videvinkel-tomosyntese og AI i diagnostisk mammografi

Brystkreft forblir den vanligst diagnostiserte kreftformen og en ledende årsak til kreftrelatert dødelighet blant kvinner globalt. Rettidig og nøyaktig oppdagelse er avgjørende for å forbedre prognose og overlevelsesutfall. Selv om digital mammografi lenge har vært gullstandarden for screening, er den begrenset av overlappende vevsstrukturer, spesielt hos kvinner med tette bryster, som kan skjule ondartede svulster eller skape falske positive funn.

For å håndtere disse begrensningene er digital brysttomosyntese (DBT), spesielt bredvinklet DBT, utviklet for å tilby tredimensjonal bildeforming og redusere vevsoverlapping. Siemens MAMMOMAT B.brilliant-system, som inneholder bredvinklet DBT, forbedrer romlig oppløsning og øker lesjonenes synlighet. Denne teknologien kan tilby betydelige fordeler i diagnostiske populasjoner, hvor nøyaktighet og tillit til bildeinterpretasjon er avgjørende.

Parallelt har kunstig intelligens (AI)-verktøy som Transpara-systemet blitt introdusert for å ytterligere forbedre mammografisk tolkning. Tidligere evaluering av Transpara i et utvalg på 310 japanske kvinner viste at mens menneskelige lesere overgikk AI i total diagnostisk ytelse, viste systemet lovende sensitivitetsnivåer, noe som fremhever AI-potensialet som et beslutningsstøtteverktøy snarere enn en frittstående leser.

Mer robuste bevis leveres av Mammography Screening with Artificial Intelligence (MASAI)-studien, som vurderte AI-støttet skjermlesing i en kontrollert studie med over 80 000 kvinner. Studien fant at AI-støttet lesing førte til en sammenlignbar kreftoppdagelsesrate som standard dobbeltlesing (6,1 vs. 5,1 per 1000 deltakere), men reduserte lesearbeidsmengden med 44,3% uten å øke falske positive eller tilbakekallingsrater. En relatert analyse av det samme teamet understreket AI-evnen til å triasjere undersøkelser effektivt og fremhevet at AI-flaggete "ekstra høye risiko" mammogrammer utgjorde en betydelig del (over 55%) av alle skjermoppdagede krefttilfeller, med en høy positiv prediktiv verdi.

Til tross for disse oppmuntrende funnene har de fleste studier vært begrenset til screeningsbaserte innstillinger. Det mangler fortsatt prospektive bevis på den virkelige diagnostiske anvendelsen av bredvinklet DBT og AI i populasjoner med høyere risiko, som symptomatiske pasienter eller de som er tilbakekalt fra screening. Dette representerer et kritisk kunnskapshull, spesielt gitt økende bekymringer om radiologers arbeidsbelastning og diagnostiske forsinkelser.

Formålet med denne prospektive observasjonsstudien er å evaluere integreringen og diagnostiske verdien av bredvinklet tomosyntese og AI (Transpara) i en klinisk diagnostisk setting. Spesielt tar den sikte på å vurdere deres innflytelse på radiologers tillit, diagnostisk nøyaktighet og behovet for supplerende bildeforming. Ved å adressere disse spørsmålene søker studien å informere fremtidige implementeringsstrategier som balanserer nøyaktighet, effektivitet og klinisk nytte.