In un ampio studio su migliaia di mammografie, gli algoritmi di intelligenza artificiale hanno superato il modello di rischio clinico standard per la previsione del rischio a cinque anni di cancro al seno. I risultati dello studio sono stati pubblicati su Radiology, una rivista della Radiological Society of North America.
Il rischio di cancro al seno di una donna viene in genere calcolato utilizzando modelli clinici come il modello di rischio BCSC (Breast Cancer Surveillance Consortium), che utilizza informazioni auto-riportate e altre informazioni sulla paziente, tra cui età, anamnesi familiare della malattia, se ha partorito e se ha un seno denso per ottenere un punteggio di rischio.
I modelli di rischio clinico dipendono dalla raccolta di informazioni da diverse fonti, che non sono sempre disponibili o raccolte. I recenti progressi nel deep learning dell’intelligenza artificiale ci forniscono la possibilità di estrarre da centinaia a migliaia di caratteristiche mammografiche aggiuntive”, commenta Vignesh A. Arasu, ricercatore e radiologo presso Kaiser Permanente Northern California.
Nello studio retrospettivo Arasu ha utilizzato dati associati a mammografie 2D negative di screening eseguite presso Kaiser Permanente Northern California nel 2016. Delle 324.009 donne sottoposte a screening nel 2016 che soddisfacevano i criteri di ammissibilità, è stata selezionata per l’analisi una sottocoorte casuale di 13.628 donne. Inoltre, sono stati studiati anche tutti i 4.584 pazienti del pool di ammissibilità a cui è stato diagnosticato un cancro entro cinque anni dalla mammografia originale del 2016. Tutte le donne sono state seguite fino al 2021.
I ricercatori hanno suddiviso il periodo di studio di cinque anni in tre periodi di tempo: rischio di cancro a intervalli o tumori incidenti diagnosticati tra 0 e 1 anno; futuro rischio di cancro o tumori incidenti diagnosticati da 1 a 5 anni; e tutto il rischio di cancro, o tumori incidenti diagnosticati tra 0 e 5 anni.
Utilizzando le mammografie di screening del 2016, i punteggi di rischio per il cancro al seno nel periodo di 5 anni sono stati generati da cinque algoritmi di intelligenza artificiale, inclusi due algoritmi accademici utilizzati dai ricercatori e tre algoritmi disponibili in commercio. I punteggi di rischio sono stati quindi confrontati tra loro e con il punteggio di rischio clinico BCSC.
“Tutti e cinque gli algoritmi di intelligenza artificiale hanno funzionato meglio del modello di rischio BCSC per la previsione del rischio di cancro al seno da 0 a 5 anni”, spiega Arasu. “Questa forte prestazione predittiva nel periodo di cinque anni suggerisce che l’IA sta identificando sia i tumori mancanti che le caratteristiche del tessuto mammario che aiutano a prevedere lo sviluppo futuro del cancro. Qualcosa nelle mammografie ci consente di monitorare il rischio di cancro al seno. Questa è la ‘scatola nera’ dell’IA.”
Anche gli algoritmi di intelligenza artificiale addestrati per orizzonti temporali brevi (fino a 3 mesi) sono stati in grado di prevedere il rischio futuro di cancro fino a cinque anni, quando nessun cancro è stato rilevato clinicamente dallo screening mammografico. Se usati in combinazione, i modelli di rischio AI e BCSC hanno ulteriormente migliorato la previsione del cancro.
“Stiamo cercando un metodo accurato, efficiente e scalabile per comprendere il rischio di cancro al seno delle donne”, continua Arasu. “I modelli di rischio AI basati sulla mammografia offrono vantaggi pratici rispetto ai tradizionali modelli di rischio clinico perché utilizzano un’unica fonte di dati: la mammografia stessa”.
Alcune istituzioni stanno già utilizzando l’intelligenza artificiale per aiutare i radiologi a rilevare il cancro sulle mammografie. Il punteggio di rischio futuro di una persona, che impiega pochi secondi per essere generato dall’intelligenza artificiale, potrebbe essere integrato nel referto radiologico condiviso con il paziente e il suo medico.
Fonte
Arasu VA et al. Comparison of mammography ai algorithms with a clinical risk model for 5-year breast cancer risk prediction: an observational study. Radiology 2023. doi.org/10.1148/radiol.222733.