Un nou model AI multimodal îmbunătățește precizia screening-ului pentru cancerul de sân
Screening-ul pentru cancerul de sân trebuie să echilibreze acuratețea diagnosticării cu fluxul de lucru eficient.
Screening-ul mamografic digital (DM) rămâne piatra de temelie tradițională, dar proiecția sa bidimensională generează zgomot din suprapunerea țesutului, în special în cazul sânilor densi, ceea ce duce la rezultate fals pozitive și la leziuni ascunse.
Ultrasonografia (US) este utilizată pe scară largă ca adjunct, deoarece este sensibilă la masele de țesut moale în parenchimul dens, dar este dependentă de operator și mai puțin sensibilă la microcalcificări.
Tomosinteza digitală a sânului (DBT) îmbunătățește vizibilitatea leziunilor și reduce necesitatea reexaminărilor, dar generează seturi mari de date volumetrice care cresc timpul de citire și sarcina cognitivă.
Inteligența artificială (AI) a demonstrat performanțe puternice în cadrul unor modalități unice, dar majoritatea modelor nu pot verifica dovezile complementare din diverse fluxuri de imagistică.
Având în vedere aceste provocări, este necesară o cercetare aprofundată asupra cadrelor AI multimodale care integrează US, DM și DBT pentru trierea riscurilor la nivelul sânului.
O echipă de cercetători de la Spitalul Memorial Sun Yat-sen, Universitatea Sun Yat-sen, Guangzhou, China, și instituții colaboratoare a raportat rezultatele în revista Precision Clinical Medicine în 2026 (Volumul 9, Numărul 3).
Echipa a dezvoltat și validat un cadru de învățare profundă cu ramuri paralele pentru clasificarea riscurilor la nivelul sânului, utilizând examinări combinate de US, DM și DBT. Modelele au fost antrenate pe 2.187 de sânuri și evaluate într-o cohortă de validare internă de 632 de sânuri și o cohortă independentă confirmată prin patologie de 500 de sânuri, cu histopatologia servind ca standard de referință.
Studiul a comparat șase configurații de model predefinite, incluzând trei modele cu o singură modalitate — US, DM și DBT — și trei modele cu două modalități: US-DM, DM-DBT și US-DBT.
Modelul US-DBT a obținut cea mai mare valoare a ariei sub curva caracteristicilor de funcționare (AUC) în ambele cohorte de validare: 0.944 (interval de încredere [CI] de 95%, 0.926-0.963) intern și 0.934 (CI de 95%, 0.913-0.955) în cohorta confirmată prin patologie.
În cohorta confirmată prin patologie, specificitatea sa a ajuns la 0.955 (CI de 95%, 0.927-0.975), iar valoarea predictivă pozitivă (PPV) a fost de 0.958 (CI de 95%, 0.931-0.977), în timp ce sensibilitatea a fost de 0.850 (CI de 95%, 0.807-0.887) și nu a diferit semnificativ de modelele comparatoare principale.
Performanța a rămas favorabilă în cazul sânilor densi, al leziunilor mai mici de 2 cm și al categoriilor de suspiciune mai scăzută conform sistemului de raportare și date pentru imagistica sânului (BI-RADS).
Arhitectura a utilizat ramuri specifice modalităților, o rețea ResNet18 modificată 2.5D cu convoluții grupate pentru DBT, un modul de atenție pentru blocurile convoluționale (CBAM), fuzionare la nivel de caracteristici și un clasificator perceptron multistrat.
Fiecare model a generat un scor de probabilitate la nivelul sânului folosind un prag predefinit de 0.50. Această abordare este concepută pentru output la nivelul sânului, nu la nivelul participantului.
Autorii au afirmat că rezultatele sugerează un rol practic pentru imagistica complementară. Aceștia au menționat că US contribuie cu informații la nivelul leziunilor, cum ar fi ecogenitatea, marginile, caracteristicile acustice posterioare și structura internă, în timp ce DBT captează distorsiuni structurale, spiculi și microcalcificări.
Împreună, aceste fluxuri de date pot ajuta radiologii să rafineze constatările de imagistică mamară pozitive sau discordante.
Ei au subliniat că modelul nu este destinat ca un sistem de screening sau diagnosticare independent și că este necesară o validare prospectivă și multicentrică înainte de implementarea clinică.
Cel mai consistent beneficiu, au spus ei, a fost îmbunătățirea specificității fără o pierdere semnificativă a sensibilității.
În practică, un adjunct US-DBT ar putea ajuta la prioritizarea cazurilor care necesită evaluare diagnostică suplimentară și la reducerea escaladării inutile cauzate de rezultate fals pozitive, în special în cazul sânilor densi, leziunilor mici și categoriilor BI-RADS cu suspiciune mai scăzută.
Cu toate acestea, autorii atrag atenția că designul retrospectiv și unic al centrului limitează generalizabilitatea. Implementarea mai largă va depinde de validarea externă în întreaga instituție, platforme de imagistică și populații de pacienți, precum și de testarea prospectivă a fluxurilor de lucru de screening în timp real și a încrederii clinicianului.
