Studie: KI-unterstützte Mammografie-Screenings halfen Ärzten dabei, 20% mehr Fälle von Brustkrebs zu erkennen.

Künstliche Intelligenz (KI) kann laut einer neuen Studie Brustkrebs auf Mammogrammbildern möglicherweise besser erkennen als geschulte Ärzte.

Die American Cancer Society empfiehlt Frauen, die kein erhöhtes Risiko für Brustkrebs haben, ab dem Alter von 45 Jahren jährliche Mammogramme durchzuführen. Sie sollten jedoch die Wahl haben, bereits ab dem 40. Lebensjahr damit zu beginnen. Es gibt viele Faktoren, einschließlich der Brustdichte, die es schwer machen können, Tumore mit bloßem Auge zu erkennen.

Nichtsdestotrotz werden etwa 1 von 8 Brustkrebsfällen auf Mammogrammen übersehen. Die neue Studie zeigt, dass KI dabei helfen könnte, dieses Problem zu lösen.

KI-unterstützte Brustkrebsvorsorge ist noch nicht perfekt, könnte aber in Zukunft dazu beitragen, die Arbeitsbelastung überlasteter Ärzte zu verringern und Mammographiebefunde genauer zu machen.

"Eine Herausforderung beim Lesen von Screening-Untersuchungen ist, dass der überwiegende Teil der Untersuchungen normal ist", sagte Kristina Lång, MD, PhD, Assistenzprofessorin für radiologische Diagnostik an der Lund University in Schweden, die die Studie leitete.

"Wenn man Hunderte von normalen Untersuchungen gelesen hat, kann ein Radiologe manchmal einen subtilen Krebs übersehen", sagte sie.

Für die randomisierte, kontrollierte bevölkerungsbasierte Studie analysierten Lång und ihr Team Mammogramme von 80.000 schwedischen Frauen, die zwischen April 2021 und Juli 2022 die Untersuchungen durchliefen.

Die Hälfte der Aufnahmen wurden von zwei hochqualifizierten Radiologen gelesen, die andere Hälfte wurde sowohl von einem erfahrenen Radiologen als auch von KI gelesen.

Die computerunterstützte Gruppe erkannte in den Aufnahmen 20% mehr Krebserkrankungen als das Team von Ärzten allein. In absoluten Zahlen bedeutet dies eine Erkennungsrate von 6 pro 1.000 untersuchten Frauen im Vergleich zu 5 pro 1.000 bei herkömmlicher Lesung.

Die Technologie ist nicht für den alleinigen Gebrauch ausgelegt, scheint aber sehr nützlich zu sein, wenn sie gemeinsam mit einem geschulten Auge verwendet wird.

Die Radiologen konnten einige Krebsfälle erkennen, die von der KI übersehen wurden, und die synergistische Kombination von Mensch und Computer erhöhte nicht das Risiko falsch-negativer Ergebnisse, für den Fall, dass eine Person bei der Mammographie eine nicht erkannte Krebserkrankung hat.

"In einer Mammogrammaufnahme ist so viel mehr Informationen enthalten, als das menschliche Auge, selbst ein gut trainiertes menschliches Auge, wahrnehmen kann", sagte Debbie Bennett, MD, Leiterin der Abteilung für Mammadiagnostik an der Washington University in St. Louis, die an der neuen Studie nicht beteiligt war.

"Die Anzahl der Pixel in jedem Mammogramm übersteigt bei weitem das, was unsere Augen und Gehirne verarbeiten können", fügte sie hinzu.

KI-Algorithmen werden mit Millionen von Brustkrebsfällen trainiert, sodass die Computer einen Vorteil haben, wenn es um die Erkennung von Abnormalitäten in Aufnahmen geht, sagte Bennett.

Sobald ein KI-Algorithmus eine Auffälligkeit identifiziert hat, werden Bilder der vermeintlichen Auffälligkeit aufgenommen, die von einem geschulten Radiologen bewertet werden, um zu bestimmen, ob weitere Untersuchungen, wie eine Ultraschalluntersuchung oder Biopsie, erforderlich sind.

Laut dem University of Rochester Medical Center benötigen etwa 10% der Personen, die eine Mammographie erhalten, weitere Untersuchungen, aber nur etwa 0,5% haben tatsächlich Krebs.

In den USA werden etwa 240.000 Fälle von Brustkrebs bei Frauen pro Jahr diagnostiziert. Eine frühzeitige Erkennung ist entscheidend für den Behandlungserfolg. Je früher der Krebs entdeckt wird, desto wahrscheinlicher ist eine wirksame Behandlung.

Einer der Aspekte, der es schwierig machen kann, Krebstumore frühzeitig mit Hilfe von Mammogrammbildern zu erkennen, sind dichte Brüste - etwa die Hälfte der Frauen über 40 in den USA hat diese.

Dichte Brüste bestehen aus einer größeren Menge an fibrösem oder drüsigem Gewebe im Vergleich zu Fettgewebe, was auf Mammogrammbildern mehr weiße Bereiche erzeugt - dieselbe Farbe wie Tumore.

Deshalb hat die Food and Drug Administration (FDA) kürzlich das Mammography Quality Standards Act (MQSA) von 1992 geändert, ein Gesetz zur Sicherstellung der Qualität von Mammographien, um Mammographiekliniken dazu zu verpflichten, Personen, bei denen dichte Brüste festgestellt wurden, zu informieren.

Einige Kliniken verwenden bereits eine computerbasierte Berechnung namens volumetrische Bewertung der Brustdichte, um festzustellen, wer dichte Brüste hat und um die Einschätzung der Kliniker zu ergänzenden Untersuchungen zu unterstützen. Diese Methode bietet einen standardisierteren Ansatz für die Brustdichte, die sonst oft der Entscheidung jedes einzelnen Arztes überlassen bleibt, sagte Bennett.

Eine relativ vereinfachte computerbasierte Bildanalyse namens CAD wird ebenfalls bereits zur Erkennung von Mustern in Mammogrammen verwendet, die Abnormalitäten aufdecken können, ist jedoch bei weitem nicht so effektiv wie die KI zu sein scheint.

Bennett betonte, dass es noch viel über KI zu lernen gibt.

"Da die Technologie so neu ist, gibt es keine ausreichenden Daten über die Auswirkungen von KI in der Mammographie", sagte sie. "Wir wissen nicht, welchen echten Nutzen oder Schaden die Technologie hat."

Die FDA hat bereits mehrere KI-Technologien zur Brustkrebsvorsorge zugelassen, aber sie sind noch nicht weit verbreitet. In Zukunft werden wahrscheinlich sowohl standardmäßige Methoden zur Auswertung von Untersuchungen als auch KI bei der Brustkrebsvorsorge eingesetzt.

“Currently, AI cannot replace humans,' Lång said, 'but it can make our work more effective and accurate.'

Accurate effective work is crucial for the breast cancer screening needs the United States is facing. Last year, the American College of Radiology reported both a shortage of radiologists and an aging population that requires more imaging as part of their health care.

Bennett explained that AI can really lighten the workload for an overburdened radiologist in identifying normal scans. Many scans are definitely cancer-free, and using an AI algorithm that can identify these cases with confidence would free up time for radiologists to review scans that are not definitively normal. 

“That is where the expertise and clinical judgment of a trained radiologist is needed,” said Bennett. 

Doctors will also still play a vital role in communicating information with patients and making judgment calls on what additional screening is appropriate for specific cases.

“Humans have to be in the steering wheel,” Lång emphasized. In Sweden, her clinic is already confident enough to begin implementing AI in breast cancer screenings.

“We know it is safe and since we performed the trial in the same setting,' she said, 'we feel certain it will work.'