Utforsking av potensialet til kunstig intelligens for tidligere oppdagelse av brystkreft: En retrospektiv multi-leser-studie basert på AI-assistert mammografisk tolkning (EARLIEST-AI) (EARLIEST-AI)

DETALJERT SAMMENDRAG OG BEGRUNNELSE FOR DEN FORESLÅTTE FORSKNINGEN Profylaktiske mammografier utføres rutinemessig på asymptomatiske kvinner hvert annet år. Under en forebyggende mammografiundersøkelse tas fire bilder per kvinne: to i Craniocaudal (CC)-projeksjon og to i Mediolateral Oblique (MLO)-projeksjon. Hver gang vurderes mammografiundersøkelsen ved hjelp av Breast Imaging Reporting and Data System (BI-RADS).

I daglig klinisk praksis ved Mammograaf Radioloogiakliinik (AS Mammograaf) brukes BI-RADS-systemet for å vurdere mammografiundersøkelser.

En BI-RADS 1-score tildeles mammogrammer uten patologiske forandringer. En BI-RADS 2-score indikerer benigne forandringer på mammogrammer.

Ved mistanke om eller tilstedeværelse av ondartede forandringer tildeles score BI-RADS 3, BI-RADS 4 og/eller BI-RADS 5.

BI-RADS 6 er histopatologisk bekreftet brystkreft. Protokollen for visning av mammogrammer som brukes i daglig klinisk praksis ved Mammograaf Radioloogiakliinik, presenteres nedenfor.

Screeningsmammogrammer vurderes alltid uavhengig av to radiologer. Med andre ord utføres rutinemessig vurdering av screeningsmammogrammer ved hjelp av en uavhengig dobbeltlesingsprotokoll. Hvis to radiologer uavhengig av hverandre vurderer et mammogram og gir det en BI-RADS 1 og/eller BI-RADS 2-rating, anses dette som en blind konsensus, noe som indikerer at pasienten ikke trenger ytterligere undersøkelser – det vil si at det ikke er tvetydige forandringer eller forandringer som indikerer malignitet på mammogrammet. Ved BI-RADS 3, 4 og 5 brukes en ikke-blind konsensuslesing, der radiologene ser på mammogrammene sammen, basert på eksisterende diagnose og en diskusjon av tilfellet med kolleger for å oppnå enighet. Det daglige arbeidet til både hovedetterforskeren og de erfarne leserne som deltar i studien, inkluderer vurdering av tidligere mammogrammer, analyse av komplekse tilfeller og deteksjon av intervallkreft. Spesielle visningsstrategier brukes for å redusere subjektiviteten i vurderingsprosessen.

En slik metode er den såkalte blinde gjennomgangen, der tidligere mammogrammer vurderes uten å vite lokaliseringen av det patologiske området for å unngå etterpåklokskapseffekten (retrospektiv bias).

For å oppnå statistisk signifikante forskjeller må kohorten være stor nok uten å skape en for stor belastning for leserne.

Den vanlige arbeidsprosessen til brystradiologene ved Mammograaf Radioloogiakliinik ser slik ut.

Det vanlige arbeidstempoet til erfarne radiologer gjør at de kan vurdere opptil 500 mammogrammer per dag uten reduksjon i arbeidskvaliteten. For mindre erfarne radiologer er den optimale arbeidsmengden opptil 200 mammogrammer per dag.

Bruk av kunstig intelligens i daglig arbeid krever at radiologen blir vant til det, har ferdigheter og forstår prosessen.

Tre bemerkelsesverdige aspekter ble identifisert i løpet av 1,5 års erfaring med kunstig intelligens.

1. Menneskelige kognitive feil To viktige kognitive feil kan oppstå i radiologi når man arbeider med et kunstig intelligenssystem: bekreftelsesbias og forankring. Manifestasjonen av disse feilene avhenger av om radiologen først ser på mammogrammene og deretter på AI-markeringene, eller starter omvendt – fra AI-markeringene.

   Prosessen for å vurdere det sammensatte datasettet er strukturert på en måte som gjør det mulig å vurdere i hvilken grad slike feil oppstår i rutinepraksis og hvilket lesescenario som kan være mest egnet for daglig arbeid.

2. Betingede falskt positive markeringer på mammogrammer av kunstig intelligens Når man arbeider med et AI-system, ble det observert falskt positive markeringer der systemet tildelte høy- eller middels risikomarkeringer til mammogrammer klassifisert av erfarne radiologer som BI-RADS 1 eller BI-RADS 2.

   Med tanke på at den endelige beslutningen for øyeblikket alltid ligger hos radiologen, blir AI-markeringer ofte ignorert når de er inkonsistente med den profesjonelle vurderingen av mammogrammene.

   I 2024 var sensitiviteten til Hera kunstig intelligens ved Mammograaf Radioloogiakliinik 94,5 %: totalt 138 krefttilfeller ble diagnostisert under screening, hvorav 131 også ble markert av Hera kunstig intelligens.

   Spesifisiteten til Hera AI kunne vurderes på to måter:

   • Alternativ 1: etter omtrent to år, ved retrospektiv analyse av resultater fra 2024.
   • Alternativ 2: ved å analysere datasettet opprettet innenfor rammen av denne studien, som inkluderer både BI-RADS 3, BI-RADS 4 og BI-RADS 5 mammogrammer, så vel som mammogrammer uten synlig patologi, hvis BI-RADS 1 og/eller BI-RADS 2-vurdering ble bekreftet ved gjentatte screenings.

   Sistnevnte alternativ er å foretrekke, da det kan gi en bedre forståelse av hvordan man skal håndtere såkalte falskt positive etiketter i nær fremtid. For øyeblikket er holdningen til dem subjektiv og avhenger i stor grad av radiologens personlighet og tolkestil.

3. Teknisk kvalitet på mammogrammer. I daglig praksis har parametere som brystplassering og trykket som påføres under mammografi blitt observert å påvirke både bildekvaliteten og ytelsen til radiologen og AI. Denne studien vil gi en mulighet til å objektivt vurdere sammenhengene mellom tekniske parametere og AI-ens sensitivitet og spesifisitet.

   Ved planlegging av denne studien ble tre hypoteser formulert.

   • Hypotese 1: Bruk av AI-støtte muliggjør diagnose av brystkreft på et tidligere stadium sammenlignet med dagens praksis basert på radiologens vurdering.
   • Hypotese 2: Radiologers holdning til AI-anbefalinger avhenger av deres erfaring.
   • Hypotese 3: De tekniske parameterne til mammogrammer påvirker signifikant spesifisiteten og sensitiviteten til AI.

   STUDIETID Denne studien har et tofasedesign, med flere lesere og flere leseøkter. En pauseperiode er planlagt mellom de to fasene.

   Tidsplanen for studien er som følger:

   • Innledende datainnsamling: 2 måneder
   • Leseøkter: 3 × 2 måneder
   • Lesepauseperiode: 1 måned
   • Statistisk analyse og formalisering av konklusjoner: 3 måneder Derfor er den totale forventede varigheten av studien 12 måneder. Studieaktivitetene er planlagt å starte i oktober 2025 og vil vare i 12 måneder.

   Personopplysninger vil bli slettet omtrent 01.01.2026, hvoretter kun fullstendig anonymiserte data vil bli beholdt for videre vitenskapelig analyse.

   DETALJERT BESKRIVELSE AV DELTAKERE OG DERES REKRUTTERINGSMETODE

   1. En retrospektiv studie, i rammen av hvilken et anonymt datasett med mammogrammer vil bli satt sammen.

      Alle mammogrammer ble utført ved Mammograaf Radioloogiakliinik. Datasettet består av 1000 mammografiske sett, hvert sett inneholder fire bilder av én kvinne: craniocaudale (CC) og mediolaterale skrå (MLO) bilder av høyre og venstre bryst.

      • å sette sammen en liste over mammogrammer knyttet til BI-RADS 6-tilfeller, der følgende data legges inn før anonymisering: pasientens ID-kode og alder, datoer for mammogrammer relatert til diagnosen, krefttype (invasiv duktalt karsinom, invasiv lobulært karsinom, duktalt karsinom in situ, østrogenreseptor (ER), progesteronreseptor (PR), human epidermal vekstfaktorreseptor 2 (HER 2) reseptorstatus og Ki-67 proliferasjonsindeksresultat fra biopsi, BI-RADS-score til mammogrammene.
      • å sette sammen en liste over mammogrammer ikke relatert til BI-RADS 6-tilfeller, der følgende data legges inn før anonymisering: pasientens ID-kode og alder, datoer for mammogrammer inkludert i datasettet, BI-RADS-score til mammogrammene.
      • å sette sammen en radiologisk gullstandard bestående av BI-RADS 6-tilfeller. I denne forskningen, i tillegg til BI-RADS-score, er også regionen av interesse (ROI) for mulige funn nødvendig. For å utføre en slik oppgave er det antatt at gjennomgang av et datasett på 100 mammogrammer vil ta en erfaren radiolog cirka 30 minutter, mens det estimeres at det tar 60-90 minutter for en mindre erfaren radiolog.

      Denne belastningen utgjør ikke vesentlige hindringer eller forstyrrelser i den daglige arbeidsflyten.

      For ikke-kreftmammogrammer ble kun tilfeller med negativ vurdering (BI-RADS 1 eller 2) bekreftet ved påfølgende screenings inkludert.

      For hver mammografiundersøkelse inkludert i datasettet, registreres tilsvarende BI-RADS-vurdering bestemt under klinisk arbeid i protokollen for å sikre åpenhet og pålitelighet i studien.

      Statistisk signifikans beregnes basert på forventet forskjell i sensitivitet i referansetesten (lesing uten AI-støtte) og testen som evalueres (lesing med AI-støtte). Estimert sensitivitet for referansetesten er 0,85 og sensitiviteten for testen som evalueres er 0,90. En to-proporsjon-z-test brukes til å estimere utvalgsstørrelsen. Ønsket statistisk styrke er p = 0,90 og signifikansnivå α = 0,05. Basert på disse parameterne er utvalgsstørrelsen beregnet til 914, som vil rundes opp til 1000 tilfeller under studien.

      Beregningen basert på McNemar-testen (90 % vs. 87 % sensitivitet, α = 0,05, styrke 0,90, prevalens ~30 %) viste en minimum utvalgsstørrelse på 876, som ble konservativt rundet opp til 1000 for å unngå risiko for lav statistisk styrke.

      Av denne grunn ble et datasett på 1000 mammogrammer satt sammen. Muligheten for å innhente mening fra en uavhengig biostatistiker vurderes i denne studien.

   2. Profesjonell erfaring hos lesere

   I rammen av denne studien defineres begrepet ekspert som følger: en radiolog som daglig arbeider innen brystradiologi, inkludert vurdering av mammogrammer, utførelse av brystultralydundersøkelser og biopsier under ultralyd- og/eller magnetresonansveiledning, samt beskrivelse av bryst-MR-undersøkelser. En ekspert anses å være en spesialist som har:

   • minst 10 års klinisk erfaring innen brystradiologi,
   • en årlig lesevolum på minst 12 000 mammografiundersøkelser,
   • daglig arbeidserfaring med bruk av kunstig intelligens i minst 12 måneder.

   Hovedetterforskeren er en brystradiolog med omtrent 20 års erfaring i vurdering av mammografiundersøkelser, har vurdert over 77 000 mammografiundersøkelser de siste fem årene, noe som betyr et gjennomsnitt på over 15 000 undersøkelser per år. I tillegg utfører hovedetterforskeren brystultralydundersøkelser, tar biopsier under både ultralyd- og MR-veiledning, og beskriver bryst-magnetresonansundersøkelser. Hovedetterforskeren har også 18 måneders daglig arbeidserfaring med bruk av kunstig intelligens i mammografitolking. I tillegg har hovedetterforskeren rutinemessig vurdert posisjoneringskvaliteten til mammografiundersøkelser i minst syv år.

   Hovedetterforskeren vil fungere som ekspert ved sammenstilling av datasettet og validering av gullstandarden.

   • Leser 1: har omtrent 30 års erfaring i vurdering av mammografiundersøkelser, med over 76 000 mammografiundersøkelser vurdert de siste fem årene, i gjennomsnitt over 15 000 undersøkelser per år.
   • Leser 2: har omtrent 10 års erfaring i vurdering av mammografiundersøkelser, med over 31 000 mammografiundersøkelser vurdert de siste fem årene, i gjennomsnitt over 6 000 undersøkelser per år.
   • Leser 3: har omtrent 1 års erfaring i vurdering av mammografiundersøkelser, med 4 324 mammografiundersøkelser vurdert det siste året.
   • Leser 4: har mindre enn 1 års erfaring i vurdering av mammografiundersøkelser, med 2 963 mammografiundersøkelser vurdert det siste året.
   • Leser 5: erfaring i vurdering av mammografiundersøkelser er mindre enn 1 år, 2 242 mammografiundersøkelser er vurdert det siste året.

   De ulike erfaringsnivåene til leserne er viktige i gjennomføringen av denne studien. Dette gjør det mulig å vurdere påvirkningen av den kunstig intelligens-foreslåtte tolkningen av funn på radiologer med ulike erfaringsnivåer og undersøke om dette bekrefter eller avkrefter den andre hypotesen.

   DETALJERT BESKRIVELSE AV STUDIEMETODOLOGIEN Strategien, prosessen og dataanalysen av datasettet er bevisst skjult for leserne for å opprettholde uavhengigheten av vurderingene og unngå kognitiv bias. Hele studiemetodologien er dokumentert i protokollen (seksjon 6, seksjon 7, seksjon 12), og tilsvarende informasjon gjøres tilgjengelig for deltakerne etter avslutning av visningsfasene.

   Et slikt datasett muliggjør, i et scenario der kun én mammografiundersøkelse er tilgjengelig – uten klinisk informasjon og tidligere studier – å vurdere evnen til lesere og AI til å oppdage brystkreft under begrenset informasjon.

   Basert på informasjonen gitt i seksjon 6.2.1 av protokollen, tillater konfigurasjonen av dette datasettet å få svar på den første hypotesen.

   Et slikt datasett tillater kvantitative svar på følgende spørsmål, og sikrer dermed at den andre og tredje hypotesen kan adresseres.

   1. Hva er spesifisiteten og sensitiviteten til det AI-baserte CAD-systemet?
   2. Hva er spesifisiteten og sensitiviteten til menneskelige lesere?
   3. Påvirker CAD-signaler menneskelige leseres ytelse?
   4. Avhenger menneskelig leserytelse av når CAD-signaler presenteres – ved starten av visningen eller etter leserens innledende vurdering?
   5. Hvilke faktorer påvirker den diagnostiske ytelsen til menneskelige lesere og et AI-basert CAD-system?

   Spesielt:

   • Leserrelaterte faktorer: erfaringsnivå
   • Pasientrelaterte faktorer: alder, brysttetthet
   • Karakterisering av ondartet prosess: tumortype, grad, størrelse, synlighet i kun én eller begge projeksjoner (CC og/eller MLO)
   • Tekniske parametere for mammogrammer: kompresjonskraft, kompresjonstrykk, korrekt posisjonering

   BESKRIVELSE AV KOORDINERENDE FORSKER ELLER ANSVARLIG FORSKER PÅ ETISKE OG DATABESKYTTELSESSPØRSMÅL I STUDIEN

   1. Etiske aspekter Studien gjennomføres av Mammograaf Radioloogiakliinik (reg. no. 10233840) og HERA-MI (Siret: 828871699).

      HERA-MI er produsent og utvikler av kunstig intelligens; Mammograaf Radioloogiakliinik er en helseleverandør og daglig bruker av HERA-MI kunstig intelligens i sin praksis. Mammograaf Radioloogiakliinik har vært et HERA-MI-referansesenter siden 2024. Det er ingen økonomiske transaksjoner mellom partene involvert i denne forskningen.

      Mammograaf Radioloogiakliinik og HERA-MI vil forberede og signere en erklæring om unngåelse av interessekonflikt for å sikre åpenhet og pålitelighet i studien.

      Etter fullføring av studien vil kunnskapen om intern ytelse forbedres, og forståelsen av grensene for påliteligheten til AI-verktøyet vil bli bedre.

      Studien bruker kun data samlet inn i løpet av rutinemessig praksis, og forsøkspersonene vil ikke bli kontaktet for å gjennomføre forskningen. Deltakelse i studien vil ikke påvirke pasientens liv, behandling eller oppfølging. Studien vil ikke pålegge forsøkspersonene eller deres pårørende ekstra forpliktelser.

      Deltakelse i studien vil ikke direkte gagne forsøkspersonene eller deres pårørende.

      Indirekte fordeler for forsøkspersonene kan oppstå gjennom optimalisering av pasientbehandling, støttet av offentliggjøring og diskusjon av studieresultatene.

      Den planlagte studien planlegger å behandle personopplysninger uten samtykke fra forsøkspersonen.

      Informering av den registrerte er ikke berettiget fordi:

      - Databehandlingen skader ikke den registrertes interesser. Resultatet av databehandlingen er en beskrivende generalisering av dataene.

      -Å be om tillatelse ville medført urimelig høye ressurskostnader. Å innhente informert samtykke ville være logistisk komplisert.

      Eksistens av en overordnet offentlig interesse. Brystkreft er den vanligste ondartede svulsten hos kvinner og en av hovedårsakene til sykelighet og dødelighet. Tidlig oppdagelse ved mammografi forbedrer behandlingsresultatene betydelig. Mammograaf Radioloogiakliinik er et velkjent brystdiagnosesenter i Estland, hvor både screening og diagnostiske studier utføres ved hjelp av moderne metoder og teknologier. Gjennomføring av denne studien er viktig for å vurdere kvaliteten på de nåværende arbeidsmetodene og analysere virkningen av merverdien av kunstig intelligens i radiologisk beslutningstaking. Ved å introdusere forskningsresultatene til det bredere medisinske miljøet vil det bidra til å øke bevisstheten om moderne diagnosemuligheter for brystkreft. Studien og påfølgende analyser har potensial til å bidra betydelig til utviklingen av arbeidsprosesser og teknologier innen brystradiologi.

      Siden dataene er anonyme på stadiet for vurdering av mammogrammer, hvis høye eller middels risiko for malignitet markeringer legges til av kunstig intelligens på mammogrammer som ikke er relatert til krefttilfeller inkludert i datasettet i løpet av forskningen, og/eller BI-RADS ≥ 3 vurderinger gjøres av lesere, kan dette ikke påvirke vurderingene gitt mammogrammer i virkelig klinisk arbeid eller behandlingen av pasienter.

   2. Databeskyttelsesaspekter I den planlagte forskningen er det essensielt å arbeide med personlige data på stadiet for databasedannelse. For å lage databasen er det nødvendig å samle data generert på forskjellige tidspunkter fra forskjellige datakilder: Mammograaf Radioloogiakliinik papirarkiv (BI-RADS 6 pasienters personlige identifikasjonskoder, biopsiresultater), Mammograaf Radioloogiakliinik Visage Imaging Picture Archiving and Communication System (PACS) for mammogrammer, Mammograaf Radioloogiakliinik Radiology Information System (RIS) Lisa (BI-RADS 6 pasienters personlige identifikasjonskoder, biopsiresultater), Mammograaf Radioloogiakliinik RIS Optomed (BI-RADS 1 og/eller BI-RADS 2 pasienters personlige identifikasjonskoder), der bruk av personlig identifikasjonskode er nødvendig. Databasen opprettes og lagres på en sikker server hos Mammograaf Radioloogiakliinik av ansvarlig forsker, som har tilgang til de nevnte datakildene basert på sine arbeidsoppgaver ved hjelp av ID-kortet sitt.

   Sett av enkeltkrefttilfeller merkes på den måten som er nøyaktig beskrevet i seksjon 11 av studieprotokollen.

   1. For å sikre nødvendig konfidensialitet for leserne som deltar i studien, inkluderes ikke visse data som kunne avsløre for mye informasjon i søknaden, men presenteres separat i seksjon 12 av studieprotokollen.
   2. For å sikre nødvendig konfidensialitet for leserne som deltar i studien, inkluderes ikke visse data som kunne avsløre for mye informasjon i søknaden, men presenteres separat i seksjon 12 av studieprotokollen.
   3. For å sikre nødvendig konfidensialitet for leserne som deltar i studien, inkluderes ikke visse data som kunne avsløre for mye informasjon i søknaden, men presenteres separat i seksjon 12 av studieprotokollen.
   4. Markeringen tillater ikke identifisering av forsøkspersonen. For å lage markeringen må man vite antall krefttilfeller, antall sett og datoene for utførelsen. Markeringen utføres av HERA-MI.
   5. Den ansvarlige forskeren kobler markeringen til den opprettede databasen og sletter personlige identifikasjonskoder brukt i opprettelsen fra databasen (senest to måneder etter å ha fått tillatelse til å gjennomføre studien, hvis forarbeidet starter i oktober 2025, er omtrentlig dato for datasletting 1. januar 2026). Den markerte databasen vil dermed bli anonym; videre forskningsaktiviteter vil bli utført med anonyme data.
   6. Mammogrammer som ikke er relatert til krefttilfeller merkes i tilfeldig rekkefølge med kombinasjoner av bokstaver og tall.
   7. Avgrensningen av funn på mammogrammer av lesere vil bli tydelig merket i henhold til prinsippene i BI-RADS-klassifikasjonen.

   Den markerte databasen vil bli lagret på den sikre serveren til Mammograaf Radioloogiakliinik. Samlinger vil bli opprettet i PACS fra studiemammogrammene, som er tilgjengelige for lesere basert på personlige passord og med separat tilgang til kunstig intelligens. Tilgang og samarbeid mellom leser og kunstig intelligens adskiller seg ikke fra de som brukes i normalt arbeid. Mammogrammene ledsages av informasjon (alder i år), som er vanlig i vurderingsprosessen. Ved slutten av hver visningsfase genereres en Excel-tabell som inneholder vurderingene på Mammograaf Radioloogiakliinik-serveren.

   Hovedmarkeringer, relaterte markeringer, datoer og klinisk informasjon om krefttilfeller lagres i en Excel-tabell, som kun er tilgjengelig for den ansvarlige etterforskeren.

   Dataanalyse utføres av HERA-MI. Dataanalyse finner sted på Mammograaf Radioloogiakliinik-serveren. Resultatene av studien presenteres i oppsummert form.

   De anonyme dataene brukt i studien lagres på Mammograaf Radioloogiakliinik-serveren for studieformål på ubestemt tid.

   Datainnsamling og håndtering

   1. Datakilder

      - PACS - digitale bildeverkty (mammogrammer)

      • Institusjonens papirarkiv - personlige identifikasjonskoder, biopsiresultater og radiologbeskrivelser.
      • RIS - pasienters personlige identifikasjonskoder, biopsiresultater og radiologbeskrivelser i tilfeller der papirdata ikke er tilgjengelig.

   2. Data samlet inn - Demografi: alder. - Bildedata: BI-RADS-score, funnenes lokalisering; form på masser, kanter, tetthet, tilstedeværelse av forkalkninger; asymmetri, arkitektonisk forstyrrelse.

      • Patologi: år for kreftdeteksjon, tumortype (invasivt duktalt karsinom (IDC), invasivt lobulært karsinom (ILC), duktalt karsinom in-situ (DCIS), etc.), reseptorstatus (ER, PR, HER2), grad, tumorstørrelse.
      • Bildekvalitet (mammografiapparat, kompresjonskraft og kompresjonstrykk, posisjoneringskvalitet)
   3. Datahåndtering Alle data samlet inn under studien vil bli håndtert i henhold til gjeldende databeskyttelseskrav og prinsippene fastsatt i studieprotokollen.

   Dataene vil bli behandlet som følger:

   (1) Personopplysninger vil bli fjernet ved anonymisering før analyse. (2) En unik identifikator vil bli opprettet for hvert tilfelle og hver leser, noe som muliggjør datasporbarhet uten å identifisere enkeltpersoner.

   (3) Rådata – inkludert mammogrammer, lesermarkeringer og AI-utdata – vil bli sikkert lagret på Mammograaf Radioloogiakliinik-serveren. Kun den ansvarlige etterforskeren vil ha tilgang til dataene.

   (4) Analysedata vil bli eksportert i et strukturert format (f.eks. Excel, CSV, DICOM (Digital imaging and communications in medicine) metadata) som muliggjør statistisk bearbeiding og kvalitetskontroll.

   (5) Alle endringer i datainnsamling eller behandling vil bli dokumentert for å sikre revisjonsevne.

   Programvareoppsett

   1. Programvare for visning av mammogrammer Studien bruker Visage Imaging PACS programvare for visning av mammogrammer og for å opprette og lagre ROI-markeringer.
   2. Randomiserings- og anonymiseringsprogrammer Randomiserings- og anonymiseringsprogrammene for studien ble levert av Hera-MI.
   3. CAD-programvare Programvaren som brukes i denne protokollen er Breast-SlimView CAD-programvaren fra Hera-MI.

   Programvaren genererer CAD-signaler i form av masker: regionene av interesse (ROI) lagret av kunstig intelligens plasseres på en som har en struktur som ligner mammogrammet.

   CAD-resultatene integreres i visningssystemets nedtrekksprotokoll.