تشخیص سرطان سینه وهوش مصنوعی یک مطالعه جدید بزرگ در رادیولوژی نشان می دهد که هوش مصنوعی ابزاری امیدوارکننده برای تشخیص سرطان سینه در برنامه های غربالگری 
ماموگرافی است.
ماموگرافی‌هایی که از طریق برنامه‌های غربالگری سرطان پستان مبتنی بر جمعیت به دست می‌آیند، حجم کار قابل توجهی را برای رادیولوژیست‌ها ایجاد می‌کند.
هوش مصنوعی به عنوان یک خواننده دوم خودکار برای ماموگرافی پیشنهاد شده است
که می تواند به کاهش این حجم کاری کمک کند. این فناوری نتایج دلگرم کننده ای برای تشخیص سرطان نشان داده است، اما شواهد مربوط به استفاده از آن در تنظیمات غربالگری واقعی محدود است.
در مطالعه جدید – بزرگترین در نوع خود تا به امروز – محققان نروژی به رهبری Solveig Hofvind، PhD، از بخش غربالگری سرطان پستان،
ثبت سرطان نروژ در اسلو، عملکرد یک سیستم هوش مصنوعی تجاری موجود را با دوگانه مستقل معمول مقایسه کردند.
خواندن همانطور که در یک برنامه غربالگری مبتنی بر جمعیت انجام شد. این مطالعه از تقریباً 123000 معاینه انجام شده بر روی بیش از 47000 زن در چهار مرکز در BreastScreen نروژ، برنامه غربالگری مبتنی بر جمعیت کشور، استخراج شد.
مجموعه داده شامل 752 سرطان شناسایی شده در غربالگری و 205 سرطان با فاصله یا سرطان هایی بود که بین دورهای غربالگری شناسایی شدند.
سیستم هوش مصنوعی خطر ابتلا به سرطان را در مقیاسی از 1 تا 10 پیش بینی کرد که 1 نشان دهنده کمترین خطر و 10 بالاترین خطر است.
در مجموع 87.6٪ (653 از 752) از سرطان های تشخیص داده شده توسط صفحه نمایش و 44.9٪ (92 از 205) از سرطان های فاصله دار بالاترین امتیاز هوش مصنوعی 10 را داشتند.
محققان سه آستانه برای ارزیابی عملکرد سیستم هوش مصنوعی به عنوان یک ابزار تصمیم گیری ایجاد کردند. با استفاده
از آستانه‌ای که میانگین میزان تفسیر مثبت رادیولوژیست فردی را منعکس می‌کند،
نسبت سرطان‌های شناسایی‌شده با صفحه نمایش که توسط سیستم هوش مصنوعی انتخاب نشده‌اند کمتر از 20 درصد بود. در
حالی که سیستم تشخیص سرطان سینه وهوش مصنوعی عملکرد خوبی داشت، اتکای این مطالعه به داده های گذشته نگر به این معنی است که تحقیقات بیشتری مورد نیاز است
کارآزمایی‌های تصادفی‌سازی‌شده
و مطالعات همگروهی غربالگری به وضوح نشان داده‌اند که غربالگری معمول ماموگرافی با کاهش عوارض و مرگ‌ومیر سرطان پستان مرتبط است
. در ابتدا، غربالگری سرطان سینه با سیستم‌های ماموگرافی مبتنی بر فیلم آنالوگ انجام می‌شد،
اما در 20 سال گذشته، غربالگری ماموگرافی به پلتفرم‌های کاملا دیجیتالی (ماموگرافی دیجیتالی کامل میدانی (FFDM)) تبدیل شده است که اجازه می‌دهد
داده‌های پیکسیله‌شده در قالب بازسازی شوند. فرمت شبه سه بعدی توموسنتز دیجیتال سینه (DBT)
تلاش‌های اضافی برای بهبود نتایج غربالگری سرطان پستان بر تشدید فواصل غربالگری و فرمت‌های مطالعه متمرکز شده است،
به عنوان مثال. غربالگری سالانه در مقابل غربالگری دوسالانه و دوبار خواندن به جای یکبار خواندن، و معرفی اشکال تکمیلی غربالگری علاوه بر ماموگرافی مانند سونوگرافی پستان یا MRI
. به طور کلی، این پروتکل های غربالگری پیشرفته به منابع بیشتری نیاز دارند و در حالی که ممکن است سرطان های بیشتری را شناسایی کنند، تصویربرداری اضافی و افزایش شدت غربالگری نیز ممکن است منجر به نرخ مثبت کاذب بالاتری شود
در نتیجه
حمایت فزاینده‌ای برای رژیم‌های غربالگری سرطان پستان «شخصی‌شده»، متناسب با خطر ابتلا به سرطان پستان در زنان بر اساس ترکیبی از تصویربرداری، اطلاعات جمعیت‌شناختی، و در صورت وجود، اطلاعات ژنتیکی وجود دارد
. بهبود در الگوریتم‌های ارزیابی خطر سرطان پستان با ترکیب داده‌های حاصل از تصویر، این پتانسیل را دارد که به تعادل نسبت‌های ضرر به سود کمک کند
و در عین حال الگوریتم‌های غربالگری را بهتر اطلاع‌رسانی کند.
این چشم انداز پیچیده غربالگری ماموگرافی فرصت های متعددی را برای بهبود از جمله ترکیب فنوتیپ تصویربرداری محاسباتی بافت پستان ارائه می دهد. مهمتر از همه،
انجام این کار هزینه اضافی کمی از نظر درگیری بیمار و زمان تصویربرداری دارد. به عنوان مثال، تراکم پستان ارزیابی شده از طریق ماموگرافی، که منعکس کننده مقدار بافت پرتوزا در پستان است،
به خوبی به عنوان یک عامل خطر برای سرطان سینه و همچنین ویژگی ای که می تواند حساسیت ماموگرافی را کاهش دهد، ثابت شده است،
زیرا بافت متراکم ممکن است مبهم باشد. یا تومورها را «نقاب» می‌کند
. شناخت تراکم پستان به عنوان یک نشانگر زیستی کلیدی در ارزیابی خطر، نیاز به تلاش‌های تصویربرداری محاسباتی را ایجاد کرده است که اندازه‌گیری‌های دقیق و قابل اعتمادی از نواحی، حجم‌ها و بافت سینه را ارائه می‌دهد
. اخیراً، مجموعه‌ای از ابزارهای رایانه‌ای برای تبدیل تصاویر ماموگرافی به ویژگی‌های فنوتیپی برای هوش مصنوعی محاسباتی (AI)، که معمولاً در زیر چتر هوش مصنوعی رادیومیک گروه‌بندی می‌شوند، توسعه یافته‌اند.
ادغام ویژگی‌های رادیومیک پستان در الگوریتم‌های ارزیابی خطر سرطان پستان، پتانسیل فوق‌العاده‌ای را در بهبود ارزیابی خطر سرطان پستان و به‌طور بالقوه، نتایج بیمار نشان داده است.
.