DOI: https://doi.org/10.1007/s00330-026-12359-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41642301
تاريخ النشر: 2026-02-05
المؤلف: Thomas Lehnen وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
**نظرة عامة**
تقيّم هذه الدراسة الاستباقية فعالية الذكاء الاصطناعي (AI) كقارئ ثالث مستقل في فحص الماموجرام لتعزيز معدلات اكتشاف السرطان. أجريت الدراسة في ستة مواقع في ألمانيا من أغسطس 2023 إلى فبراير 2024، وشارك فيها 15,356 امرأة بمتوسط عمر 58.6 عامًا. تم إخضاع كل ماموجرام لقراءة مزدوجة وتحليله باستخدام برنامج الكشف بالذكاء الاصطناعي ترانسبارا. شملت النقاط النهائية الرئيسية معدل اكتشاف السرطان (CDR) والقيم التنبؤية الإيجابية (PPV)، مع التركيز على السرطانات التي تم اكتشافها فقط بواسطة الذكاء الاصطناعي أو التي تم تفويتها.
أشارت النتائج إلى أنه تم اكتشاف ما مجموعه 115 سرطان ثدي، مما أسفر عن معدل CDR قدره 0.75% للقراءة الثلاثية، بينما حققت القراءة المزدوجة والذكاء الاصطناعي المستقل معدلات CDR قدرها 0.68% و0.66%، على التوالي. ومن الجدير بالذكر أن دمج ترانسبارا زاد من معدل الاكتشاف بنسبة 9.5% مقارنة بالقراءة المزدوجة (p = 0.002). ومع ذلك، كانت PPV للحالات المحالة إلى مؤتمر الإجماع أقل عند 5.1% مقارنة بـ 7.5% للقراءة المزدوجة (p < 0.001). وجدت الدراسة أن جميع السرطانات الغازية التسعة التي تم اكتشافها فقط بواسطة الذكاء الاصطناعي كانت شبيهة بـ Luminal-A، بينما كانت أربعة من أصل 13 سرطانًا تم تفويتها بواسطة البرنامج ثلاثية السلبية. تشير النتائج إلى أنه بينما يعزز الذكاء الاصطناعي معدلات الاكتشاف، خاصة بالنسبة للسرطانات الشبيهة بـ Luminal-A، فإنه يزيد أيضًا من عبء العمل ومعدلات الاستدعاء، مما يبرز الحاجة إلى إشراف بشري في تحديد الأنواع الفرعية العدوانية من السرطان.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحدي المستمر لسرطان الثدي كسبب رئيسي للمراضة والوفيات بين النساء، على الرغم من التقدم في فحص الماموجرام الذي أدى إلى تقليل معدلات الوفيات في دول مختلفة. ومن الجدير بالذكر أن البيانات من برنامج الماموجرام الألماني (2011-2016) أظهرت معدلات اكتشاف بلغت فقط 69.9-71.7%، حتى مع تدابير الحساسية المعززة مثل القراءة المزدوجة. أظهرت تقنيات الذكاء الاصطناعي، وبشكل خاص برنامج ترانسبارا القائم على الشبكات العصبية التلافيفية، وعدًا في تحسين معدلات الاكتشاف، وتصنيف معظم السرطانات المكتشفة أثناء الفحص بدقة وحوالي نصف السرطانات الفاصلة.
أظهر تجربة فحص الماموجرام باستخدام الذكاء الاصطناعي (MASAI)، وهي أول تجربة عشوائية محكومة تدمج الذكاء الاصطناعي في برنامج فحص الماموجرام، أن الذكاء الاصطناعي لم يحسن فقط معدلات اكتشاف السرطان ولكن أيضًا خفف من عبء العمل على أطباء الأشعة مع الحفاظ على معدلات استدعاء وإيجابيات كاذبة مستقرة. استكشفت دراسات أخرى، مثل Screen-TrustCAD، فعالية الذكاء الاصطناعي كقارئ ثالث مستقل، كاشفة أن القراءة الثلاثية تفوقت على القراءة المزدوجة التقليدية في اكتشاف السرطان. يفترض المؤلفون أن استخدام الذكاء الاصطناعي كقارئ ثالث مستقل يمكن أن يعزز الحساسية دون زيادة معدلات الإيجابيات الكاذبة أو الاستدعاء، ويهدفون إلى تحليل اختلافات الحساسية بين القراء من الذكاء الاصطناعي والبشر بناءً على خصائص الورم وأنواع التنبؤ.
الطرق
يحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار البحث. تشمل المنهجية إعداد التجربة، بما في ذلك ظروف التحكم، وأحجام العينات، والتحليلات الإحصائية المطبقة لتفسير البيانات.
بالإضافة إلى ذلك، قد يصف القسم البروتوكولات المتبعة لجمع البيانات، مثل التقنيات المستخدمة لقياس المتغيرات ذات الاهتمام والمعايير المستخدمة لاختيار العينات. يضمن هذا النهج الشامل أن تكون النتائج قوية ويمكن التحقق منها من خلال الأبحاث المستقبلية. بشكل عام، تعتبر الطرق المستخدمة ضرورية لتأسيس موثوقية وصلاحية نتائج الدراسة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح نتائج الاختبارات المختلفة، مع تسليط الضوء على الأنماط والعلاقات المهمة التي لوحظت في البيانات. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية، والتي قد تشمل قيم p، وفواصل الثقة، أو أحجام التأثير، لدعم النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول التي تلخص البيانات بشكل فعال، مما يسمح بتفسير أسهل للنتائج. عادةً ما يتم مناقشة تداعيات هذه النتائج فيما يتعلق بالفرضيات المطروحة في الدراسة، مما يوفر رؤى حول أهميتها وتأثيرها المحتمل على مجال الدراسة. بشكل عام، يعد هذا القسم مكونًا حيويًا من البحث، حيث يضع الأساس للنقاشات والاستنتاجات اللاحقة.
المناقشة
في هذه الدراسة الاستباقية، أظهر دمج برنامج الذكاء الاصطناعي، ترانسبارا، كقارئ ثالث مستقل في فحص الماموجرام زيادة في معدلات اكتشاف السرطان مقارنة بالقراءة المزدوجة التقليدية. شملت الدراسة 15,356 امرأة، مما أسفر عن معدل اكتشاف سرطان (CDR) قدره 0.75% مع تشخيص 115 سرطان ثدي. ومن الجدير بالذكر أن الذكاء الاصطناعي اكتشف 10 سرطانات (8.7% من الإجمالي) التي تم تفويتها بواسطة القراء البشريين، مما أدى إلى زيادة قدرها 9.5% في معدلات الاكتشاف. ومع ذلك، كانت هذه التحسينات مصحوبة بزيادة في عبء العمل ومعدلات الاستدعاء، مما يبرز التوازن بين تعزيز الاكتشاف وزيادة المتطلبات التشغيلية.
أظهر التحليل أن الذكاء الاصطناعي أظهر حساسية أعلى للسرطانات الشبيهة بـ Luminal-A، خاصة الأورام الصغيرة وتلك التي تحتوي على تشوهات معمارية، بينما فوت مجموعة غير متجانسة من السرطانات، بما في ذلك بعض الأورام ثلاثية السلبية. تشير نتائج الدراسة إلى أنه بينما يمكن أن يعزز الذكاء الاصطناعي قدرات الاكتشاف، فإنه قد يعرض أيضًا لخطر التشخيص الزائد للأورام غير العدوانية وقد يفوت أنواع السرطان الأكثر عدوانية. تشمل القيود تصميم المركز الواحد، ونقص القوة الإحصائية لتحليلات المجموعات الفرعية، والتحيزات المحتملة التي تم إدخالها خلال اجتماعات الإجماع. بشكل عام، تدعو الدراسة إلى نهج متوازن لدمج الذكاء الاصطناعي في الفحص، مع التأكيد على الحاجة إلى مزيد من البحث لتحسين تطبيقه وتقييم النتائج على المدى الطويل.
DOI: https://doi.org/10.1007/s00330-026-12359-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41642301
Publication Date: 2026-02-05
Author(s): Thomas Lehnen et al.
Primary Topic: AI in cancer detection
Overview
**Overview**
This prospective study evaluates the efficacy of artificial intelligence (AI) as an independent third reader in mammography screening to enhance cancer detection rates. Conducted across six sites in Germany from August 2023 to February 2024, the study involved 15,356 female participants with a mean age of 58.6 years. Each mammogram was subjected to double reading and analyzed using Transpara, an AI detection software. The primary endpoints included cancer detection rate (CDR) and positive predictive values (PPV), with a focus on cancers detected solely by the AI or missed by it.
The results indicated that a total of 115 breast cancers were detected, yielding a CDR of 0.75% for triple reading, while double reading and standalone AI achieved CDRs of 0.68% and 0.66%, respectively. Notably, the integration of Transpara increased the detection rate by 9.5% compared to double reading (p = 0.002). However, the PPV for cases referred to the consensus conference was lower at 5.1% compared to 7.5% for double reading (p < 0.001). The study found that all nine invasive cancers detected solely by AI were Luminal-A-like, while four of the 13 cancers missed by the software were triple-negative. The findings suggest that while AI enhances detection rates, particularly for Luminal-A-like cancers, it also increases the workload and recall rates, underscoring the need for human oversight in identifying aggressive cancer subtypes.
Introduction
The introduction of the research paper highlights the persistent challenge of breast cancer as a significant cause of morbidity and mortality among women, despite advancements in mammography screening that have led to reduced mortality rates in various countries. Notably, data from the German mammography program (2011-2016) indicated detection rates of only 69.9-71.7%, even with enhanced sensitivity measures such as double reading. The introduction of AI technologies, specifically the convolutional neural network-based software Transpara, has shown promise in improving detection rates, accurately classifying most screen-detected cancers and approximately half of interval cancers.
The Mammography Screening with Artificial Intelligence (MASAI) trial, the first randomized controlled trial to integrate AI into a mammography screening program, demonstrated that AI not only improved cancer detection rates but also alleviated the workload of radiologists while maintaining stable recall and false-positive rates. Other studies, such as Screen-TrustCAD, have further explored the efficacy of AI as an independent third reader, revealing that triple reading outperformed conventional double reading in cancer detection. The authors hypothesize that employing AI as an independent third reader could enhance sensitivity without increasing false-positive or recall rates, and they aim to analyze sensitivity variations between AI and human readers based on tumor characteristics and prognostic subtypes.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the research. The methodology encompasses the experimental setup, including control conditions, sample sizes, and statistical analyses applied to interpret the data.
Additionally, the section may describe the protocols followed for data collection, such as the techniques for measuring variables of interest and the criteria for selecting samples. This comprehensive approach ensures that the findings are robust and can be validated by future research. Overall, the methods employed are crucial for establishing the reliability and validity of the study’s results.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant patterns and relationships observed in the data. The results are often accompanied by statistical analyses, which may include p-values, confidence intervals, or effect sizes, to substantiate the findings.
Additionally, the section may include visual representations such as graphs or tables that summarize the data effectively, allowing for easier interpretation of the results. The implications of these findings are typically discussed in relation to the hypotheses posed in the study, providing insight into their relevance and potential impact on the field of study. Overall, this section serves as a critical component of the research, laying the groundwork for subsequent discussions and conclusions.
Discussion
In this prospective study, the integration of AI software, Transpara, as an independent third reader in mammography screening demonstrated an increase in cancer detection rates compared to conventional double reading. The study involved 15,356 women, resulting in a cancer detection rate (CDR) of 0.75% with 115 diagnosed breast carcinomas. Notably, the AI detected 10 cancers (8.7% of total) that were missed by human readers, leading to a 9.5% increase in detection rates. However, this improvement was accompanied by a rise in consensus workload and recall rates, highlighting a trade-off between enhanced detection and increased operational demands.
The analysis revealed that the AI exhibited higher sensitivity for Luminal-A-like cancers, particularly small tumors and those with architectural distortions, while missing a heterogeneous group of cancers, including some triple-negative tumors. The study’s findings suggest that while AI can augment detection capabilities, it may also risk overdiagnosis of indolent tumors and potentially miss more aggressive cancer types. Limitations include the single-center design, lack of statistical power for subgroup analyses, and potential biases introduced during consensus meetings. Overall, the study advocates for a balanced approach to AI integration in screening, emphasizing the need for further research to optimize its application and assess long-term outcomes.