AI mendeteksi sepertiga kasus kanker payudara interval yang terlewatkan oleh skrining

Sebuah algoritma kecerdasan buatan untuk skrining kanker payudara dapat meningkatkan kinerja mamografi tomosintesis digital (DBT), mengurangi tingkat kanker interval hingga sepertiga, menurut sebuah studi yang diterbitkan hari ini di jurnal Radiology.

Kanker payudara interval adalah tumor simptomatik yang didiagnosis di antara pemeriksaan mammogram rutin. Kasus-kasus ini biasanya memiliki prognosis yang lebih buruk karena penyakit yang lebih agresif dan pertumbuhan tumor yang cepat. DBT, atau mamografi 3D, memberikan visualisasi lesi payudara yang lebih baik dan dapat mengidentifikasi tumor yang mungkin tersembunyi oleh jaringan padat. Namun, karena DBT merupakan teknologi yang relatif baru, data hasil jangka panjang untuk pasien di institusi yang baru-baru ini mengadopsi teknik ini masih terbatas.

"Mengingat minimnya data mortalitas kanker payudara setelah 10 tahun skrining DBT, angka kanker interval sering digunakan sebagai proksi," jelas penulis studi Dr. Manisha Bahl, direktur kualitas pencitraan payudara di Rumah Sakit Umum Massachusetts dan profesor madya di Fakultas Kedokteran Harvard.
"Penurunan angka ini menunjukkan penurunan insiden dan mortalitas kanker payudara."

Studi: AI mengidentifikasi tumor yang tidak terdeteksi

Dalam studi terhadap 1.376 kasus, Bal dan rekan-rekannya menganalisis secara retrospektif 224 kanker interval pada 224 perempuan yang menjalani skrining DBT. Dalam gambar-gambar ini, algoritma AI Lunit INSIGHT DBT v1.1.0.0 berhasil melokalisasi 32,6% (73 dari 224) tumor yang sebelumnya tidak terdeteksi.

"Kami terkejut bahwa hampir sepertiga tumor interval terdeteksi dan dilokalisasi secara akurat oleh algoritma AI dalam mammogram yang sebelumnya ditafsirkan normal oleh ahli radiologi, menyoroti potensi AI sebagai 'pembaca kedua'," kata Bahl.

Menurut para peneliti, ini mungkin studi pertama yang diterbitkan yang secara khusus melihat penggunaan AI untuk mendeteksi kanker interval pada gambar DBT.

“AI sebelumnya telah digunakan untuk mendeteksi kanker interval pada mammogram digital 2D konvensional, tetapi sepengetahuan kami, belum ada studi yang dipublikasikan dalam literatur tentang deteksi AI terhadap tumor interval, khususnya pada pemindaian tomosintesis 3D,” jelas Bal.

Metodologi: pada tingkat lesi, bukan hanya gambaran sekilas

Untuk menghindari perkiraan sensitivitas algoritma yang terlalu tinggi, tim Bal menggunakan analisis spesifik lesi: AI diberi "skor sukses" hanya jika ia berhasil mengidentifikasi dan melokalisasi lokasi tumor dengan tepat.

"Sebaliknya, analisis citra utuh dapat memberikan AI 'lulus' meskipun anotasinya salah, yang secara artifisial meningkatkan sensitivitas," tambahnya.
"Berfokus pada akurasi lokalisasi lesi memberikan penilaian yang lebih andal terhadap kinerja klinis algoritma."

Apa sebenarnya yang ditemukan AI?

• Tumor yang terdeteksi oleh algoritma cenderung lebih besar
• Lebih sering berakhir dengan kerusakan kelenjar getah bening
• Ini dapat berarti bahwa AI terutama mengidentifikasi tumor yang agresif atau tumbuh cepat, atau tumor yang sudah berada pada stadium lanjut tetapi terlewatkan oleh dokter selama pemeriksaan.

Hasil keseluruhan:

Di antara 1.000 pasien (termasuk mereka yang memiliki tumor terkonfirmasi dan mereka yang memiliki hasil jinak atau positif palsu), AI:

• Terlokalisasi dengan benar 84,4% dari 334 kasus positif sejati
• Mengklasifikasikan dengan benar 85,9% dari 333 negatif benar
• Ditolak sebagai palsu 73,2% dari 333 kasus positif palsu

Kesimpulan dan signifikansi

“Studi kami menunjukkan bahwa algoritma AI dapat mendeteksi secara retrospektif dan secara akurat melokalisasi hampir sepertiga kanker payudara interval pada gambar skrining DBT, yang menunjukkan potensinya untuk mengurangi insiden kanker interval dan meningkatkan hasil skrining,” ujar Dr. Bahl.

Hasil kami mendukung integrasi AI ke dalam alur kerja DBT untuk meningkatkan akurasi deteksi kanker. Namun, dampak nyata akan bergantung pada sejauh mana ahli radiologi mengadopsi dan mengadaptasi AI dalam praktik klinis, serta menguji efektivitasnya di berbagai pengaturan klinis.