DOI: https://doi.org/10.3348/kjr.2025.1335
PMID: https://pubmed.ncbi.nlm.nih.gov/41592549
تاريخ النشر: 2026-01-01
المؤلف: Inyoung Youn وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
هدفت هذه الدراسة إلى تقييم فعالية استراتيجيتين لفحص سرطان الثدي: تصوير الثدي الرقمي (DM) مع تصوير الثدي بالموجات فوق الصوتية الآلي المفسر من قبل أطباء الأشعة (ABUS) مقابل DM مع مراجعة انتقائية لـ ABUS موجهة بتشخيص مدعوم بالذكاء الاصطناعي (AI-CAD). شملت التحليل الرجعي 2,275 امرأة بدون أعراض خضعت للفحص بين مارس 2022 ومارس 2023، حيث تم مقارنة مقاييس الأداء لمعدل اكتشاف السرطان (CDR) والحساسية والنوعية ومعدل التفسير غير الطبيعي (AIR) بين الطريقتين باستخدام اختبار مك نيمار.
كشفت النتائج أن استراتيجية DM + ABUS_أطباء الأشعة كانت لديها حساسية بنسبة 83.3%، ومعدل CDR قدره 4.4 لكل 1,000 فحص، ومعدل AIR قدره 16.7%. في المقابل، قامت استراتيجية DM + ABUS_AI-CAD بتصنيف 84.0% من الفحوصات على أنها سلبية، مما أدى إلى تقليل معدل AIR بشكل كبير إلى 7.3% وتحسين النوعية من 83.7% إلى 93.1%، مع الحفاظ على معدل CDR قدره 4.8 لكل 1,000 وحساسية قدرها 91.7%. تشير هذه النتائج إلى أن استراتيجية القراءة الانتقائية المدعومة بالذكاء الاصطناعي لا تعزز فقط النوعية وتقلل من الاستدعاءات غير الضرورية، بل تحافظ أيضًا على أداء اكتشاف السرطان، مما قد يحسن من عبء العمل وأولويات أطباء الأشعة في فحص سرطان الثدي.
مقدمة
تسلط المقدمة الضوء على أهمية فحص سرطان الثدي في الكشف المبكر وتقليل الوفيات، مع التأكيد على تصوير الثدي بالأشعة السينية كمعيار ذهبي. ومع ذلك، فإن قيودها في الحساسية للنساء ذوات الثدي الكثيف قد دفعت إلى استكشاف وسائل إضافية مثل تصوير الرنين المغناطيسي للثدي والموجات فوق الصوتية (US). لقد ظهر تصوير الثدي بالموجات فوق الصوتية الآلي (ABUS) كبديل واعد، حيث يقدم تحسينات في الاتساق والكفاءة مقارنةً بالموجات فوق الصوتية المحمولة، على الرغم من أنه يواجه تحديات تشمل ارتفاع معدلات الاستدعاء والخزعات، بالإضافة إلى أوقات التفسير المطولة بسبب حجم الصور المنتجة.
تقدم التطورات الأخيرة في تشخيص مدعوم بالذكاء الاصطناعي (AI-CAD) فرصًا لتعزيز دقة وكفاءة تشخيص تصوير الثدي. في سياق ABUS، يمكن أن يساعد AI-CAD في تبسيط التفسير، والمساعدة في اكتشاف الآفات، وتقليل النتائج السلبية الكاذبة والخزعات غير الضرورية. على الرغم من هذه الآفاق، فإن الأدلة الحالية التي تدعم AI-CAD في ABUS محدودة، حيث تركز بشكل أساسي على التطبيقات التشخيصية بدلاً من التطبيقات الخاصة بالفحص. تهدف هذه الدراسة إلى مقارنة أداء تصوير الثدي الرقمي (DM) مع ABUS المفسر من قبل أطباء الأشعة (DM + ABUS_أطباء الأشعة) مقابل DM مع مراجعة انتقائية لـ ABUS موجهة بواسطة AI-CAD (DM + ABUS_AI-CAD)، حيث يركز أطباء الأشعة على الحالات التي تم الإشارة إليها على أنها مشبوهة من قبل نظام الذكاء الاصطناعي أو تلك التي تحتوي على نتائج إيجابية في تقارير DM.
الطرق
يستعرض قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الإعداد التجريبي، بما في ذلك ظروف التحكم والمتغيرات التي تم التلاعب بها خلال الدراسة. ويؤكد على أهمية الصرامة المنهجية في التحقق من صحة النتائج وضمان أن تكون النتائج موثوقة وقابلة للتطبيق في سياقات أوسع. بشكل عام، يعد هذا القسم أساسًا حيويًا لفهم كيفية إجراء البحث والأساس الذي تم بناء الاستنتاجات عليه.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط واضح بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه الخصوص، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من المقاييس المستخدمة.
علاوة على ذلك، يتضمن القسم تمثيلات بيانية للبيانات، توضح الاتجاهات والأنماط التي تدعم الفرضيات المطروحة في المقدمة. ومن الجدير بالذكر أن النتائج تتناول أيضًا العوامل المربكة المحتملة، مما يضمن أن تكون الاستنتاجات المستخلصة صحيحة وموثوقة. بشكل عام، تسهم النتائج في الجسم المعرفي الحالي وتقترح مجالات للبحث المستقبلي في هذا المجال.
المناقشة
في هذه الدراسة، تم تقييم استراتيجية فحص تجمع بين تصوير الثدي الرقمي (DM) وتصوير الثدي بالموجات فوق الصوتية الآلي (ABUS)، باستخدام نظام كشف مدعوم بالذكاء الاصطناعي (AI-CAD) لتعزيز كفاءة اكتشاف سرطان الثدي. سمح سير العمل باستبعاد 84% من الحالات ذات تقارير DM السلبية وعدم وجود إشارات من AI-CAD من المراجعة الإضافية، مما حسن بشكل كبير من النوعية وقلل من معدل التفسير غير الطبيعي (AIR) مقارنةً بالطرق التقليدية حيث تم تفسير جميع ABUS من قبل أطباء الأشعة. كان معدل اكتشاف السرطان (CDR) لنهج DM + ABUS AI-CAD هو 4.8 لكل 1,000 فحص، مع حساسية قدرها 91.7% ونوعية قدرها 93.1%، مما يشير إلى أن الاستراتيجية المدعومة بالذكاء الاصطناعي حافظت على أداء اكتشاف مرتفع مع تحسين تخصيص الموارد.
تشير النتائج إلى أن دمج الذكاء الاصطناعي في عملية تفسير ABUS يمكن أن يعالج بفعالية قيود النوعية لـ ABUS، خاصةً لدى النساء ذوات أنسجة الثدي الكثيفة. ومع ذلك، سلطت الدراسة أيضًا الضوء على تحديات النتائج السلبية الكاذبة، حيث فاتت AI-CAD المستقل عدة سرطانات تم اكتشافها من قبل أطباء الأشعة، مما يبرز أهمية الإشراف البشري في عملية الفحص. تشمل قيود الدراسة حجم العينة الصغيرة والتصميم الرجعي، مما قد يؤثر على قابلية تعميم النتائج. من الضروري إجراء دراسات مستقبلية استباقية مع مجموعات أكبر وفترات متابعة أطول للتحقق من فعالية نهج الفحص المدعوم بالذكاء الاصطناعي في مجموعات سكانية متنوعة.
DOI: https://doi.org/10.3348/kjr.2025.1335
PMID: https://pubmed.ncbi.nlm.nih.gov/41592549
Publication Date: 2026-01-01
Author(s): Inyoung Youn et al.
Primary Topic: AI in cancer detection
Overview
This study aimed to evaluate the effectiveness of two breast cancer screening strategies: digital mammography (DM) combined with radiologist-interpreted automated breast ultrasound (ABUS) versus DM combined with a selective review of ABUS guided by artificial intelligence-computer-aided diagnosis (AI-CAD). The retrospective analysis involved 2,275 asymptomatic women who underwent screening between March 2022 and March 2023, with the performance metrics of cancer detection rate (CDR), sensitivity, specificity, and abnormal interpretation rate (AIR) compared between the two approaches using McNemar’s test.
The findings revealed that the DM + ABUS_radiologist strategy had a sensitivity of 83.3%, a CDR of 4.4 per 1,000 examinations, and an AIR of 16.7%. In contrast, the DM + ABUS_AI-CAD strategy triaged 84.0% of examinations as negative, significantly reducing the AIR to 7.3% and improving specificity from 83.7% to 93.1%, while maintaining a CDR of 4.8 per 1,000 and a sensitivity of 91.7%. These results suggest that the AI-CAD-assisted selective reading strategy not only enhances specificity and reduces unnecessary recalls but also preserves cancer detection performance, potentially optimizing radiologist workload and prioritization in breast cancer screening.
Introduction
The introduction highlights the significance of breast cancer screening in early detection and mortality reduction, emphasizing mammography as the gold standard. However, its limitations in sensitivity for women with dense breasts have prompted the exploration of supplemental modalities such as breast MRI and ultrasound (US). Automated breast ultrasound (ABUS) has emerged as a promising alternative, offering improved consistency and efficiency over handheld US, though it faces challenges including high recall and biopsy rates, as well as prolonged interpretation times due to the volume of images produced.
Recent advancements in artificial intelligence-computer-aided diagnosis (AI-CAD) present opportunities to enhance the diagnostic accuracy and efficiency of breast imaging. In the context of ABUS, AI-CAD could potentially streamline interpretation, assist in lesion detection, and reduce false negatives and unnecessary biopsies. Despite these prospects, current evidence supporting AI-CAD in ABUS is limited, primarily focusing on diagnostic rather than screening applications. This study aims to compare the performance of digital mammography (DM) combined with radiologist-interpreted ABUS (DM + ABUS_radiologist) against DM combined with selective ABUS review guided by AI-CAD (DM + ABUS_AI-CAD), where radiologists focus on cases flagged as suspicious by the AI system or those with positive findings in DM reports.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols followed for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental setup, including control conditions and variables manipulated during the study. It emphasizes the importance of methodological rigor in validating the findings and ensuring that the results are reliable and applicable to broader contexts. Overall, this section serves as a critical foundation for understanding how the research was conducted and the basis for the conclusions drawn.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the targeted outcomes, as evidenced by the metrics used.
Furthermore, the section includes graphical representations of the data, illustrating trends and patterns that support the hypotheses posited in the introduction. Notably, the results also address potential confounding factors, ensuring that the conclusions drawn are both valid and reliable. Overall, the findings contribute to the existing body of knowledge and suggest avenues for future research in the field.
Discussion
In this study, a combined digital mammography (DM) and automated breast ultrasound (ABUS) screening strategy was evaluated, utilizing an artificial intelligence computer-aided detection (AI-CAD) system to enhance the efficiency of breast cancer detection. The workflow allowed for the exclusion of 84% of cases with negative DM reports and no AI-CAD flags from further review, which significantly improved specificity and reduced the abnormal interpretation rate (AIR) compared to traditional methods where all ABUS were interpreted by radiologists. The cancer detection rate (CDR) for the DM + ABUS AI-CAD approach was 4.8 per 1,000 examinations, with a sensitivity of 91.7% and specificity of 93.1%, indicating that the AI-assisted strategy maintained high detection performance while optimizing resource allocation.
The findings suggest that integrating AI into the ABUS interpretation process can effectively address the specificity limitations of ABUS, particularly in women with dense breast tissue. However, the study also highlighted the challenges of false negatives, as the standalone AI-CAD missed several cancers that were detected by radiologists, underscoring the importance of human oversight in the screening process. Limitations of the study include a small sample size and a retrospective design, which may affect the generalizability of the results. Future prospective studies with larger cohorts and longer follow-up periods are necessary to validate the efficacy of this AI-guided screening approach in diverse populations.