Stel je voor: radiologen en artificiële intelligentie (kortweg AI), samenwerkend als een team. Terwijl de radioloog mammografieën bekijkt, speurt AI mee, op zoek naar subtiele tekenen van borstkanker. Dit klinkt als sciencefiction, maar wordt mogelijk binnenkort de realiteit. Een extra paar ogen, die levensreddende diagnoses sneller en nauwkeuriger maken. Benieuwd naar wat écht van belang is? Ontdek de kern in dit beknopte literatuuroverzicht.
Borstkanker is wereldwijd de meest dodelijke kanker onder vrouwen. Om vroegtijdige opsporing te garanderen, nodigt de overheid vrouwen tussen 50 en 70 jaar om de twee jaar uit voor mammografische screening. De beelden worden beoordeeld door twee radiologen.
Met als gevolg een enorme instroom van mammografieën! Dit leidt tot monotoon werk en variaties in nauwkeurigheid, naast hoge kosten. Desondanks blijft deze screening van vitaal belang voor het verlagen van de sterftecijfers door borstkanker. Waarom niet AI de handen uit de mouwen laten steken? Het zou zomaar de sleutel tot succes kunnen zijn!
Maar hoe werkt AI nu eigenlijk? AI leert patronen herkennen, vergelijkbaar met hoe een student van een leraar leert. In dit geval toont de leraar mammografische afwijkingen, terwijl de bijbehorende biopsieresultaten de correcte antwoorden zijn. De leraar laat de student (AI) zien dat bepaalde afwijkingen in de mammografie vaak leiden tot positieve biopsieresultaten.
Aldus leert de AI net zoals een student algemene regels afleiden uit specifieke voorbeelden en verbanden leggen tussen invoer (mammografieën) en uitvoer (biopsieresultaten). Zo kan het met minimale menselijke hulp diagnoses en behandelingsopties voorstellen.
AI kan op verschillende manieren worden ingezet in mammografische borstkankerscreening.
Ten eerste kan AI samen met radiologen als een team werken. Door middel van interactieve ondersteuning kunnen gebruikers eenvoudig klikken op letsels in mammografieën, waardoor hun omtrek en belangrijke diagnostische details direct zichtbaar worden.
Een andere interessante optie is dat AI mammografieën kan voorselecteren. Als slimme filter selecteert AI automatisch normale beelden en die met een hoge verdenking op kanker zodat radiologen ze niet meer hoeven te bekijken. Vervolgens kunnen radiologen hun expertise inzetten voor de mammografieën die de meeste aandacht vereisen.
Maar wacht, er is meer! AI kan ook volledig als zelfstandige lezer functioneren, zonder dat een radioloog erbij betrokken is.
Dankzij interactieve AI-ondersteuning kunnen radiologen significant nauwkeuriger borstkanker opsporen. Ook is er minder tijd nodig om mammografieën te lezen, vooral wanneer de verdenking op kanker laag is. Dit betekent niet alleen betere diagnoses, maar ook een flinke tijd- en kostenbesparing!
Vervolgens wordt de werklast voor radiologen aanzienlijk lichter wanneer AI bepaalde mammografieën automatisch filtert. Het voorselecteren van normale scans en die met een sterke verdenking op kanker geeft radiologen meer tijd om zich te concentreren op ingewikkelde gevallen. Dit kan helpen om minder kankers te missen. Eveneens krijgen radiologen zo meer ruimte voor andere taken, zoals interventieradiologie en patiëntcontact.
En hoe indrukwekkend is het dat zelfstandige AI-systemen net zo goed kunnen presteren als radiologen. Sommige studies wijzen zelfs uit dat AI hen kan vervangen, zonder aan nauwkeurigheid in te boeten. Door een volledig zelfstandig AI-systeem als eerste of tweede lezer in te schakelen, kan het tekort aan borstradiologen worden opgevangen en de werklast met wel 50 tot 100% worden verminderd. Dit zou een revolutionaire verandering voor de radiologie betekenen!
Bovendien zorgt AI voor een doorbraak in de strijd tegen intervalkanker, een type borstkanker dat tussen screeningsrondes door en vaak in een vergevorderd stadium wordt ontdekt. Dankzij AI wordt kankerdetectie verbeterd, omdat het aantal vals-negatieve resultaten daalt.
Vrouwen met dense borsten lopen een verhoogd risico op deze kankervorm, omdat dichte weefsels het moeilijker maken om tumoren te detecteren. Echter, combinatiemodellen die zowel borstdensiteit als door AI geïdentificeerde factoren in beschouwing nemen, maken het mogelijk om vrouwen met een verhoogd risico op intervalkanker beter te identificeren. Dit toont aan dat AI meer informatie uit mammografieën kan halen dan alleen de borstdensiteit, waardoor we het risico op kanker nauwkeuriger kunnen voorspellen!
Een AI-algoritme is pas echt nuttig als mensen het willen gebruiken. Daarom is het belangrijk om in te spelen op de wensen van radiologen, eerstelijnszorgverleners en vrouwen.
Radiologen zijn alvast enthousiast over AI-tools voor het opsporen van borstkanker. Ze willen vooral een goede balans tussen gevoeligheid, zodat ze kankers niet missen, en specificiteit, zodat ze geen gezonde personen ten onrechte als ziek identificeren. Eerstelijnszorgverleners geven ook de voorkeur aan systemen die erg gevoelig zijn. Vrouwen die voor screening in aanmerking komen, staan over het algemeen positief tegenover AI, maar hebben nog steeds wat twijfels, vooral over het gebrek aan menselijk contact.
Hoewel deze resultaten veelbelovend zijn, is het belangrijk ze kritisch te bekijken. De huidige studies zijn retrospectief van aard, wat betekent dat ze terugkijken op eerder verzamelde gegevens in plaats van patiënten in de tijd te volgen, zoals bij een prospectief onderzoek. Dit kan leiden tot omstandigheden die verschillen van die in de dagelijkse klinische praktijk, wat de toepasbaarheid van de bevindingen beïnvloedt. Bovendien maakt het verschil in screeningsmethodes wereldwijd en de beperkte omvang en geografische spreiding van de trainingsdata het moeilijk om de resultaten overal te gebruiken.
Toekomstig grootschalig prospectief onderzoek is aldus essentieel. Daarnaast is het belangrijk te onderzoeken hoe radiologen en AI-algoritmes samenwerken, omdat deze samenwerking de effectiviteit van de technologie kan beïnvloeden. Verder moeten ethische en medicolegale aspecten worden vastgelegd vooral als het gaat om aansprakelijkheid en de manier waarop AI-systemen worden gecertificeerd.
In een drukke radiologieruimte, waar mammografieën op schermen flitsen, treffen radiologen en AI elkaar. Ze zijn geen rivalen, maar partners in de strijd tegen borstkanker. Ze vullen elkaar aan, de één kan niet zonder de ander. Een verbeterde nauwkeurigheid, gedaalde werklast en vroegtijdige detectie bij de diagnose van borstkanker, hand in hand met de human touch. Deze samenwerking belooft een prachtige toekomst, maar laten we niet vergeten: we hebben nog veel onderzoek nodig om deze droom waar te maken.
1. Kim HE, Kim HH, Han BK, Kim KH, Han K, Nam H, et al. Changes in cancer detection and false- positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health. 2020;2(3):e138-e48.
2. Gastounioti A, Eriksson M, Cohen EA, Mankowski W, Pantalone L, Ehsan S, et al. External Validation of a Mammography-Derived AI-Based Risk Model in a U.S. Breast Cancer Screening Cohort of White and Black Women. Cancers. 2022;14(19).
3. Yoon JH, Kim EK. Deep learning-based artificial intelligence for mammography. Korean Journal of Radiology. 2021;22(8):1225-39.
4. Cai H, Huang Q, Rong W, Song Y, Li J, Wang J, et al. Breast Microcalcification Diagnosis Using Deep Convolutional Neural Network from Digital Mammograms. Comput Math Methods Med. 2019;2019:2717454.
5. Bao C, Shen J, Zhang Y, Zhang Y, Wei W, Wang Z, et al. Evaluation of an artificial intelligence support system for breast cancer screening in Chinese people based on mammogram. Cancer Medicine. 2022.
6. Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, et al. Stand- Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst. 2019;111(9):916-22.
7. Ribli D, Horváth A, Unger Z, Pollner P, Csabai I. Detecting and classifying lesions in mammograms with Deep Learning. Sci Rep. 2018;8(1):4165.
8. Zhang C, Zhao J, Niu J, Li D. New convolutional neural network model for screening and diagnosis of mammograms. PLoS One. 2020;15(8):e0237674.
9. Freeman K, Geppert J, Stinton C, Todkill D, Johnson S, Clarke A, Taylor-Phillips S. Use of artificial intelligence for image analysis in breast cancer screening programmes: systematic review of test accuracy. Bmj. 2021;374:n1872.
10. Bhattarai S, Klimov S, Aleskandarany MA, Burrell H, Wormall A, Green AR, et al. Machine learning-based prediction of breast cancer growth rate in vivo. Br J Cancer. 2019;121(6):497-504.
11. Hinton B, Ma L, Mahmoudzadeh AP, Malkov S, Fan B, Greenwood H, et al. Deep learning networks find unique mammographic differences in previous negative mammograms between interval and screen-detected cancers: a case-case study. Cancer Imaging. 2019;19(1):41.
12. Chang YW, An JK, Choi N, Ko KH, Kim KH, Han K, Ryu JK. Artificial Intelligence for Breast Cancer Screening in Mammography (AI-STREAM): A Prospective Multicenter Study Design in Korea Using AI-Based CADe/x. Journal of Breast Cancer. 2022;25(1):57-68.
13. Romero-Martín S, Elías-Cabot E, Raya-Povedano JL, Gubern-Mérida A, Rodríguez-Ruiz A, Álvarez-Benito M. Stand-Alone Use of Artificial Intelligence for Digital Mammography and Digital Breast Tomosynthesis Screening: A Retrospective Evaluation. Radiology. 2022;302(3):535-42.
14. Yu X, Pang W, Xu Q, Liang M. Mammographic image classification with deep fusion learning. Sci Rep. 2020;10(1):14361.
15. Raya-Povedano JL, Romero-Martín S, Elías-Cabot E, Gubern-Mérida A, Rodríguez-Ruiz A, Álvarez-Benito M. AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology. 2021;300(1):57-65.
16. Wanders AJ, Mees W, Bun PA, Janssen N, Rodríguez-Ruiz A, Dalmış MU, et al. Interval Cancer Detection Using a Neural Network and Breast Density in Women with Negative Screening Mammograms. Radiology. 2022;303(2):269-75.
17. Aboutalib SS, Mohamed AA, Berg WA, Zuley ML, Sumkin JH, Wu S. Deep Learning to Distinguish Recalled but Benign Mammography Images in Breast Cancer Screening. Clin Cancer Res. 2018;24(23):5902-9.
18. Chougrad H, Zouaki H, Alheyane O. Deep Convolutional Neural Networks for breast cancer screening. Comput Methods Programs Biomed. 2018;157:19-30.
19. Schaffter T, Buist DSM, Lee CI, Nikulin Y, Ribli D, Guan Y, et al. Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Netw Open. 2020;3(3):e200265.
20. Katzen J, Dodelzon K. A review of computer aided detection in mammography. Clin Imaging. 2018;52:305-9.
21. Lauritzen AD, Rodríguez-Ruiz A, von Euler-Chelpin MC, Lynge E, Vejborg I, Nielsen M, et al. An Artificial Intelligence–based Mammography Screening Protocol for Breast Cancer: Outcome and Radiologist Workload. Radiology. 2022;304(1):41-9.
22. Rodríguez-Ruiz A, Krupinski E, Mordang JJ, Schilling K, Heywang-Köbrunner SH, Sechopoulos I, Mann RM. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019;290(2):305-14.
23. Gastounioti A, Desai S, Ahluwalia VS, Conant EF, Kontos D. Artificial intelligence in mammographic phenotyping of breast cancer risk: a narrative review. Breast Cancer Research. 2022;24(1).
24. Lee JH, Kim KH, Lee EH, Ahn JS, Ryu JK, Park YM, et al. Improving the Performance of Radiologists Using Artificial Intelligence-Based Detection Support Software for Mammography: A Multi- Reader Study. Korean Journal of Radiology. 2022;23(5):505-16.
25. Sechopoulos I, Teuwen J, Mann R. Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art. Seminars in Cancer Biology. 2021;72:214-25.
26. Zhu X, Wolfgruber TK, Leong L, Jensen M, Scott C, Winham S, et al. Deep Learning Predicts Interval and Screening-detected Cancer from Screening Mammograms: A Case-Case-Control Study in 6369 Women. Radiology. 2021;301(3):550-8.
27. Houssami N, Given-Wilson R, Ciatto S. Early detection of breast cancer: overview of the evidence on computer-aided detection in mammography screening. J Med Imaging Radiat Oncol. 2009;53(2):171-6.
28. Dembrower K, Wåhlin E, Liu Y, Salim M, Smith K, Lindholm P, et al. Effect of artificial intelligence-based triaging of breast cancer screening mammograms on cancer detection and radiologist workload: a retrospective simulation study. Lancet Digit Health. 2020;2(9):e468-e74.
29. Kizildag Yirgin I, Koyluoglu YO, Seker ME, Ozkan Gurdal S, Ozaydin AN, Ozcinar B, et al. Diagnostic Performance of AI for Cancers Registered in A Mammography Screening Program: A Retrospective Analysis. Technol Cancer Res Treat. 2022;21:15330338221075172.
30. Sechopoulos I, Mann RM. Stand-alone artificial intelligence - The future of breast cancer screening? Breast (Edinburgh, Scotland). 2020;49:254-60.
31. Lennox-Chhugani N, Chen Y, Pearson V, Trzcinski B, James J. Women's attitudes to the use of AI image readers: A case study from a national breast screening programme. BMJ Health and Care Informatics. 2021;28(1).
32. Lång K, Dustler M, Dahlblom V, Åkesson A, Andersson I, Zackrisson S. Identifying normal mammograms in a large screening population using artificial intelligence. Eur Radiol. 2021;31(3):1687- 92.
33. Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Teuwen J, Broeders M, Gennaro G, et al. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol. 2019;29(9):4825-32.
34. Hendrix N, Hauber B, Lee CI, Bansal A, Veenstra DL. Artificial intelligence in breast cancer screening: primary care provider preferences. J Am Med Inform Assoc. 2021;28(6):1117-24.
35. Sasaki M, Tozaki M, Rodríguez-Ruiz A, Yotsumoto D, Ichiki Y, Terawaki A, et al. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women. Breast Cancer. 2020;27(4):642-51.
36. Wu N, Phang J, Park J, Shen Y, Huang Z, Zorin M, et al. Deep Neural Networks Improve Radiologists' Performance in Breast Cancer Screening. IEEE Trans Med Imaging. 2020;39(4):1184-94. 37. Shen L, Margolies LR, Rothstein JH, Fluder E, McBride R, Sieh W. Deep Learning to Improve Breast Cancer Detection on Screening Mammography. Sci Rep. 2019;9(1):12495.
38. Lehman CD, Topol EJ. Readiness for mammography and artificial intelligence. The Lancet. 2021;398(10314):1867.
39. Jakhar D, Kaur I. Artificial intelligence, machine learning and deep learning: definitions and differences. Clinical and Experimental Dermatology. 2020;45(1):131-2.
40. Meskó B, Görög M. A short guide for medical professionals in the era of artificial intelligence. npj Digital Medicine. 2020;3(1):126.
41. Kaplan A, Haenlein M. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. 2019;62(1):15-25.
42. Chahal A, Gulia P. Machine learning and deep learning. International Journal of Innovative Technology and Exploring Engineering. 2019;8(12):4910-4.
43. Bini SA. Artificial Intelligence, Machine Learning, Deep Learning, and Cognitive Computing: What Do These Terms Mean and How Will They Impact Health Care? The Journal of Arthroplasty. 2018;33(8):2358-61.
44. Nakaura T, Higaki T, Awai K, Ikeda O, Yamashita Y. A primer for understanding radiology articles about machine learning and deep learning. Diagnostic and Interventional Imaging. 2020;101(12):765-70.
45. Dang LA, Chazard E, Poncelet E, Serb T, Rusu A, Pauwels X, et al. Impact of artificial intelligence in breast cancer screening with mammography. Breast Cancer. 2022;29(6):967-77.
46. Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A deep learning model to triage screening mammograms: a simulation study. Radiology. 2019;293(1):38-46.
47. Frazer HML, Qin AK, Pan H, Brotchie P. Evaluation of deep learning-based artificial intelligence techniques for breast cancer detection on mammograms: Results from a retrospective study using a BreastScreen Victoria dataset. J Med Imaging Radiat Oncol. 2021;65(5):529-37.
48. Lång K, Hofvind S, Rodríguez-Ruiz A, Andersson I. Can artificial intelligence reduce the interval cancer rate in mammography screening? Eur Radiol. 2021;31(8):5940-7.
49. Byng D, Strauch B, Gnas L, Leibig C, Stephan O, Bunk S, Hecht G. AI-based prevention of interval cancers in a national mammography screening program. European Journal of Radiology. 2022;152.
50. Mohamed AA, Luo Y, Peng H, Jankowitz RC, Wu S. Understanding Clinical Mammographic Breast Density Assessment: a Deep Learning Perspective. J Digit Imaging. 2018;31(4):387-92.
51. American College of Radiology. BI-RADS atlas - Reporting system 2013. ACR 2013. Opgehaald op 26 april 2023, van acr.org/Clinical-Resources/Reporting-and-Data-Systems/Bi-Rads.
52. Kyono T, Gilbert FJ, van der Schaar M. Improving workflow efficiency for mammography using machine learning. Journal of the American College of Radiology. 2020;17(1):56-63.
53. Yala A, Mikhael PG, Lehman C, Lin G, Strand F, Wan YL, et al. Optimizing risk-based breast cancer screening policies with reinforcement learning. Nat Med. 2022;28(1):136-43.
54. Hendrix N, Lowry KP, Elmore JG, Lotter W, Sorensen G, Hsu W, et al. Radiologist preferences for artificial intelligence-based decision support during screening mammography interpretation. Journal of the American College of Radiology : JACR. 2022.
55. Tang X. The role of artificial intelligence in medical imaging research. BJR Open. 2020;2(1):20190031.
56. Pesapane F, Codari M, Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. European Radiology Experimental. 2018;2(1):35.
57. Dembrower K, Crippa A, Colón E, Eklund M, Strand F. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non- inferiority study. The Lancet Digital Health. 2023.