Vidvinkel-tomosyntes och AI i diagnostisk mammografi

Bröstcancer förblir den vanligaste diagnosen för cancer och en ledande orsak till cancerrelaterad dödlighet bland kvinnor globalt. Snabb och exakt detektering är avgörande för att förbättra prognos och överlevnadsresultat. Även om digital mammografi länge har tjänat som guldstandarden för screening, begränsas den av överlappande vävnadsstrukturer, särskilt hos kvinnor med täta bröst, vilket kan dölja maligniteter eller skapa falska positiva resultat.

För att hantera dessa begränsningar har digital brösttomosyntes (DBT), särskilt vidvinkel-DBT, utvecklats för att erbjuda tredimensionell avbildning och minska vävnadsöverlapp. Siemens MAMMOMAT B.brilliant-system, som inkluderar vidvinkel-DBT, förbättrar den rumsliga upplösningen och ökar synligheten av lesioner. Denna teknik kan erbjuda betydande fördelar i diagnostiska populationer, där noggrannhet och tillförsikt i bildtolkning är avgörande.

Parallellt har artificiell intelligens (AI)-verktyg som Transpara-systemet introducerats för att ytterligare förbättra mammografisk tolkning. Tidigare utvärdering av Transpara i ett urval av 310 japanska kvinnor visade att även om mänskliga läsare överträffade AI i övergripande diagnostisk prestanda, visade systemet lovande sensitivitetsnivåer, vilket belyser AI:s potential som ett beslutsstödjande verktyg snarare än en fristående läsare.

Mer robusta bevis tillhandahålls av Mammografi Screening med Artificiell Intelligens (MASAI)-studien, som utvärderade AI-stödd skärmläsning i en kontrollerad studie med över 80 000 kvinnor. Studien fann att AI-stödd läsning ledde till en jämförbar cancerdetekteringsgrad som standard dubbelläsning (6,1 vs. 5,1 per 1000 deltagare) men minskade läsarbetsbördan med 44,3% utan att öka falska positiva resultat eller återkallelsefrekvenser. En relaterad analys av samma team betonade AI:s förmåga att effektivt triagera undersökningar och framhöll att AI-flagade "extra högrisk"-mammogram utgjorde en betydande del (över 55%) av alla skärmdetekterade cancerfall, med ett högt positivt prediktivt värde.

Trots dessa uppmuntrande resultat har de flesta studier begränsats till screeningsbaserade miljöer. Det råder fortfarande brist på prospektiva bevis om den verkliga världens diagnostiska tillämpning av vidvinkel-DBT och AI i populationer med högre risk, såsom symptomatiska patienter eller de som återkallats från screening. Detta representerar ett kritiskt kunskapsgap, särskilt med tanke på ökande oro över radiologers arbetsbörda och diagnostiska förseningar.

Syftet med denna prospektiva observationsstudie är att utvärdera integrationen och det diagnostiska värdet av vidvinkeltomosyntes och AI (Transpara) i en klinisk diagnostisk miljö. Specifikt syftar den till att bedöma deras inverkan på radiologers tillförsikt, diagnostisk noggrannhet och behovet av kompletterande avbildning. Genom att adressera dessa frågor strävar studien efter att informera framtida implementeringsstrategier som balanserar noggrannhet, effektivitet och klinisk nytta.