Intelligenza Artificiale in mammografia

Intelligenza artificiale e mammografia

L’IA potrebbe trovare applicazione per superare dei limiti in mammografia. Gli algoritmi dell’intelligenza artificiale possono analizzare immagini diagnostiche e fornire approfondimenti diagnostici superando delle criticità diagnostiche. ad esempio: È stato dimostrato che i sistemi di intelligenza artificiale  possono migliorare le prestazioni dei radiologi e fornire risultati equivalenti o superiori a quelli dei soli radiologi. 

1) Alcuni casi di cancro al seno non sono identificati attraverso lo screening;

2) Eccessivi richiami per ulteriori test aggiuntivi;

3) Bassa sensibilità nei seni densi;

4) Variabilità inter-lettore.

“La radiologia, essendo da sempre una delle branche più ‘high tech’ della medicina – è una di quelle che più risente dell’arrivo dell’IA. E quindi la nuova generazione di radiologi dovrà crescere imparando a sfruttarne i vantaggi. All’inizio era il CAD (Computer-Aided Diagnosis – il primo ‘CAD’ commerciale è stato approvato dall’FDA americana nel 1998) – uno strumento ‘statico’ di IA agli esordi, che aiutava a rilevare lesioni sospette, senza evolvere mai, perché non ‘imparava’, né migliorava le sue performance. Tutto è cambiato con l’arrivo del machine learning, del deep learning e dei sistemi di convolutional neuronal network; questi strumenti della moderna IA sono in grado di imparare e migliorare giorno per giorno le loro performance, con l’acquisizione di dati provenienti dall’utilizzo quotidiano. In questo campo non mancano tuttavia le criticità e gli snodi ancora da risolvere, dalla privacy dei dati paziente, alla loro trasparenza (per far capire come a partire da questi si è sviluppato un certo modello che possa essere riproducibile e utilizzabile anche da altri centri) a istanze di medicina legale”.
ll progresso tecnologico sta trasformando la diagnosi del carcinoma mammario. Ma cosa accadrebbe se un’intelligenza artificiale (AI) affiancasse o addirittura sostituisse i radiologi nella lettura delle mammografie? Il MASAI Trial, uno studio randomizzato e controllato, ha messo alla prova un sistema AI avanzato all’interno del programma nazionale di screening mammografico in Svezia. Ma i risultati giustificano l’integrazione dell’AI nella pratica clinica? È davvero possibile individuare più tumori senza aumentare i falsi positivi e senza compromettere la sicurezza dello screening?               L’aumento nella rilevazione dei tumori in situ, sebbene limitato ai gradi più elevati, solleva interrogativi sull’eventuale overdiagnosi. Inoltre, resta da chiarire se l’incremento nella diagnosi precoce si tradurrà in una reale riduzione della mortalità, un aspetto che sarà valutato nell’endpoint primario dei trial: il tasso di tumori d’intervallo, atteso nel 2025. Un altro punto critico riguarda la generalizzabilità dei risultati. Il contesto svedese, caratterizzato da un’alta qualità nello screening mammografico e da un basso tasso di richiami, potrebbe non essere rappresentativo di tutti i sistemi sanitari. La risposta non è così scontata…

L’uso del CAD (Assistenza Diagnostica Computerizzata) aumenta i falsi positivi soprattutto dei carcinomi intraduttali. Ad oggi tutti i sistemi C.A.D. tendono a sovrastimare la presenza di lesioni in quanto basate su algoritmi di rilevazione geometrica. Come dice l’acronimo, C.A.D. è un sistema di aiuto, prezioso, vantaggioso, ma pur sempre un aiuto, solo ed esclusivamente di supporto alla variabile diagnostica medica.

Le potenzialità dell’intelligenza artificiale per supportare lo screening mammografico ha attirato molta attenzione, ma come questa debba essere impiegata in modo ottimale e quali saranno le conseguenze cliniche, non è ancora chiaro e non è così scontato. Ma cosa accadrebbe se l’intelligenza artificiale (AI) affiancasse o addirittura sostituisse i radiologi nella lettura delle mammografie? I risultati giustificano l’integrazione dell’AI nella pratica clinica? È davvero possibile individuare più tumori senza aumentare i falsi positivi e senza compromettere la sicurezza dello screening? La risposta non è così scontata… Dal 2019, sono stati pubblicati articoli che lodano i meriti dell’IA come metodo innovativo in grado di “predire” i tumori al seno. Questo metodo rivoluzionerebbe lo screening mammografico e migliorerebbe il rilevamento del cancro riducendo al contempo il carico di lavoro per i radiologi legati alla lettura sullo schermo. Tuttavia, era necessario comprendere meglio l’impatto clinico, da qui questo studio MASAI (MAMMOGRAPHY SCREENING WITH ARTIFICIAL INTELLIGENCE TRIAL).

L’IA non è infallibile e, in termini di screening, resta da dimostrare che questa innovazione faccia rima con il progresso. Le raccomandazioni europee sull’IA sono in fase di aggiornamento e il panel delle linee guida italiane è in attesa della prossima versione per intraprendere il percorso di adolopment che porterà alle raccomandazioni specifiche per il contesto italiano. Indubbiamente, sistemi di intelligenza artificiale e machine learning faciliteranno la rilevazione di “errori”, criticità, o ne faranno emergere di nuove, riducendo drasticamente i tempi necessari per le analisi. Tuttavia, questo non ridurrà lo spazio professionale per gli operatori, che dovranno invece acquisire capacità di interpretazione dei dati in un ‘ottica multidisciplinare e multiprofessionale.

Ogni anno circa un milione di donne in Svezia sono chiamate allo screening mammografico. Vi è tuttavia una carenza di forza lavoro nel campo della radiologia senologica, in Svezia e anche altrove, che può ingolfare il servizio di screening In questo Paese, ogni esame di screening viene rivisto da due radiologi senologici per garantire un’elevata accuratezza del referto, con la cosiddetta ‘doppia lettura’. Il MASAI Trial, uno studio randomizzato e controllato, ha messo alla prova un sistema AI avanzato all’interno del programma nazionale di screening mammografico in Svezia. I risultati di uno studio randomizzato condotto su oltre 105.000 donne rivelano che l’uso dell’intelligenza artificiale (IA) nello screening mammografico aumenta significativamente i tassi di rilevamento del cancro, riducendo al contempo il carico di lavoro per i radiologi.

Pubblicato su The Lancet Digital Health , lo studio MASAI  rivolto a donne di 40/74 anni sottoposte a screening mammografico tra l’1 aprile 2021 e il 9 giugno 2022. L’outcome primario dello studio era la diagnosi tramite screening di cancro al seno entro 3 mesi dalla mammografia. Ai fini dello studio, l’IA è stata implementata come lettore indipendente e, per ciascuna immagine, il sistema di IA ha generato un punteggio continuo in base al grado stimato di anomalia. assegnate random (1:1) a due strategie di screening: Gruppo di controllo: doppia lettura standard da parte di due radiologi senz IA.

Karin Dembrower, del Karolinska Institute, e i suoi colleghi svedesi in collaborazione con lo ScreenTrustCAD Trial Consortium hanno compiuto uno studio prospettico per valutare se la doppia lettura delle immagini mammografiche da parte dell’intelligenza artificiale e di un radiologo possa portare all’individuazione di più casi di cancro rispetto a quanto accada con la doppia lettura da parte di due radiologi. È stato esaminato l’effetto delle seguenti combinazioni: doppia lettura condotta da un solo radiologo e dall’intelligenza artificiale (IA) confrontata con la consueta doppia lettura condotta da due radiologi, e lettura singola compiuta dall’IA rispetto alla lettura tripla eseguita da due radiologi più l’AI sempre confrontate con la doppia lettura standard condotta da due radiologi. Il gruppo con  IA era supportato sistema Transpara v1.7.0 (ScreenPoint Medical, Paesi Bassi)che  assegnava un punteggio di rischio (1-10) a ogni mammografia, selezionando i casi a basso rischio per una singola lettura e quelli ad alto rischio per una doppia lettura con supporto AI.

Lo studio dimostra che il flusso di lavoro assistito da Transpara ha aumentato la rilevazione del cancro del 29% e ha portato a una riduzione del 44% del carico di lavoro di screen reading per i radiologi. I nuovi risultati mostrano un aumento ancora maggiore nella rilevazione del cancro rispetto ai risultati intermedi pubblicati nel 2023 e forniscono approfondimenti più dettagliati sui vantaggi dell’applicazione dell’IA al flusso di lavoro per lo screening del cancro al seno.

I principali risultati dello studio includono:

• Aumento del rilevamento dei tumori: lo screening supportato da Transpara ha rilevato 338 tumori su 53.043 partecipanti, con un aumento del 29% nel rilevamento dei tumori, senza aumentare i falsi positivi.
• Tasso di rilevamento più elevato: il tasso di rilevamento del cancro è stato di 6,4 ogni 1000 partecipanti nel gruppo AI, rispetto a 5,0 ogni 1000 nel gruppo di controllo.
• Riduzione del carico di lavoro: la procedura di screening supportata dall’intelligenza artificiale ha comportato una riduzione del 44% del carico di lavoro di lettura dello schermo per i radiologi.
• Rilevamento di tumori clinicamente rilevanti: lo screening supportato da Transpara ha portato a un aumento del rilevamento di tumori invasivi di piccole dimensioni, con linfonodi negativi, e di tumori in situ di alto grado, il che è fondamentale per un intervento e un trattamento precoci.
• Sebbene l’esito principale dello studio MASAI (cioè il tasso di cancro di intervallo) non sia ancora stato presentato, i primi risultati sono di grande interesse. In protocolli di screening del carcinoma mammario, stratificati per rischio, il potenziale per modulare i criteri di richiamo e gli intervalli tra gli episodi di screening, per basso e alto rischio, è notevole: sia misurando i tassi di identificazione diagnostica per punteggio di rischio nei test successivi, sia le variazioni tempo dipendenti dello score di rischio per le donne negative al test. Il punteggio di rischio usato per classificare le mammografie nel gruppo di intervento, calcolato con l’algoritmo IA, pare molto accurato. Il valore di questi risultati, se confermati, oltre che risparmiare risorse, sarebbe anche nell’aver identificato un gruppo a basso rischio (score 1-7) che rappresenta il 76,2% della popolazione in studio in cui sono stati diagnosticati solo il 2,5% dei cancri (6 su 244) in confronto al gruppo ad alto rischio (score 10) con l’85% dei cancri (208 su 244) nel 7,2% della popolazione studiata. “Nel nostro studio, abbiamo utilizzato l’intelligenza artificiale per identificare gli esami di screening ad alto rischio di cancro al seno, che sono stati sottoposti a doppia lettura da parte dei radiologi. I restanti esami sono stati classificati come a basso rischio e sono stati letti solo da un radiologo. Nella lettura dello schermo, i radiologi hanno utilizzato l’intelligenza artificiale come supporto per il rilevamento, in cui essa ha evidenziato risultati sospetti sulle immagini”, afferma Kristina Lång, ricercatrice e professoressa associata in radiodiagnostica presso l’Università di Lund e consulente presso lo Skåne University Hospital, che ha guidato lo studio.
• Il punteggio di rischio del trial MASAI potrebbe essere adottato in popolazioni regolarmente screenate per studiare i tassi di transizione tra uno score di rischio e l’altro e per definire gli intervalli tra episodi di screening successivi in protocolli di screening personalizzati. Tuttavia, considerando un tasso di identificazione diagnostica più elevato del 20% nel gruppo di intervento, questi extra casi potrebbero essere stati anticipati dalla IA oppure potrebbero, tutti o in parte, essere il risultato di una sovradiagnosi. La possibile presenza di sovradiagnosi, considerando anche la rilevante proporzione di carcinomi duttali in situ (25% nel gruppo di intervento e 19% nel gruppo di controllo) suggerisce di essere cauti nell’interpretazione di risultati che sembrano fortemente supportare l’uso della IA nello screening del cancro mammario. E’ necessario acquisire informazioni sulla storia naturale delle neoplasie mammarie nella popolazione studiata, come il trial MASAI sta facendo per caratterizzare biologicamente i cancri diagnosticati e i cancri di intervallo.
• Nella prima fase dello studio a 269 (0,5%) donne totali è stato diagnosticato un carcinoma mammario rilevato sulla base di una prima lettura positiva della mammografia. Entrando nel dettaglio dell’analisi, la doppia lettura effettuata da un radiologo e dall’IA è risultata non inferiore per la rilevazione del tumore rispetto alla doppia lettura effettuata da due radiologi [261 (0,5%) casi rilevati rispetto ai 250 (0,4%) dei due radiologi].
  Anche la lettura singola tramite IA [246 (0,4%) casi rilevati rispetto ai 250 (0,4%) dei due radiologi] e la tripla lettura effettuata da due radiologi più l’IA [269 (0,5%) casi rilevati sempre rispetto ai 250 (0,4%) dei due radiologi] sono risultate non inferiori alla doppia lettura effettuata da due radiologi. 
• La doppia lettura da parte di un radiologo più l’IA ha comportato un aumento del 4% (11/250) nella diagnosi del tumore al seno e un aumento del 21% nel numero di esami con interpretazione anomala.
  Questo potrebbe suggerire che l’IA e i lettori ‘umani’ percepiscano caratteristiche dell’immagine leggermente diverse in caso di sospetto di cancro; pertanto, un lettore umano e l’IA potrebbero rappresentare una potenziale sinergia in termini di aumento della sensibilità per rilevare i tumori al seno. Le discussioni consensuali che hanno accompagnato in questo studio l’esame di tutte le mammografie hanno prodotto un tasso di richiamo inferiore del 4% (73/1629) nel caso di doppia lettura da parte di un radiologo più l’IA rispetto alla doppia lettura da parte di due radiologi. La discussione consensuale sembrerebbe quindi efficace nel garantire che il tasso più elevato di interpretazioni anomale ottenute con la doppia lettura da parte di un radiologo e l’IA non si traduca in un aumento del tasso di richiamo. Secondo gli autori l’IA è pronta per un’implementazione controllata, che includerebbe la gestione del rischio, la sorveglianza post-commercializzazione e il follow-up sistematico delle prestazioni nel mondo reale. Tuttavia gli autori sottolineano anche che attualmente non esistono protocolli sulla qualità dei dati delle prestazioni effettuate tramite l’IA.Lo studio ha fornito una forte evidenza a favore dell’integrazione dell’intelligenza artificiale nello screening mammografico, non è stato osservato un incremento del tasso di falsi positivi.

  Inoltre, è stata osservata una notevole riduzione del carico di lavoro della lettura degli esami da parte dei medici, di ben il 44%. Questi risultati suggeriscono che l’AI non solo migliora la sensibilità della mammografia, ma lo fa con un impatto positivo sulla gestione delle risorse umane sanitarie. Nel complesso, i risultati di questo nuovo studio suggeriscono che l’intelligenza artificiale potrebbe migliorare la diagnosi precoce dei tumori mammari clinicamente rilevanti, senza aumentare significativamente il rischio di falsi positivi o la sovradiagnosi di carcinomi in fase precoce, riducendo in sicurezza anche il carico di lavoro degli operatori. Tuttavia, sarà necessario un monitoraggio a lungo termine per valutare l’incidenza dei tumori di intervallo, ossia quelli non rilevati tra un screening e l’altro, e per analizzare l’efficacia costo-beneficio di questa tecnologia. In questo modo, sarà anche possibile valutare se i benefici dell’AI ne renderanno sostenibile l’adozione su ampia scala. L’impiego dell’AI ha portato a un incremento significativo nel tasso di rilevazione tumorale, in particolare di tumori piccoli, linfonodo-negativi e più aggressivi, senza aumentare il numero di falsi positivi o il carico di lavoro dei radiologi.

  Tuttavia, alcuni aspetti meritano cautela. L’aumento nella rilevazione dei tumori in situ, sebbene limitato ai gradi più elevati, solleva interrogativi sull’eventuale overdiagnosi. Inoltre, resta da chiarire se l’incremento nella diagnosi precoce si tradurrà in una reale riduzione della mortalità, un aspetto che sarà valutato nell’endpoint primario del trial: il tasso di tumori d’intervallo, atteso nel 2025.Un altro punto critico riguarda la generalizzabilità dei risultati. Il contesto svedese, caratterizzato da un’alta qualità nello screening mammografico e da un basso tasso di richiami, potrebbe non essere rappresentativo di tutti i sistemi sanitari. Inoltre, lo studio si è basato su un singolo software AI, lasciando aperta la questione della variabilità delle prestazioni tra algoritmi diversi.. Prima di una sua adozione su larga scala, sarà essenziale valutare il suo impatto sugli outcome clinici a lungo termine e sulla sostenibilità economica del sistema sanitario. dell’intelligenza artificiale nella lettura delle mammografie potrebbe offrire un duplice vantaggio: incrementare il tasso di rilevazione tumorale e ridurre il carico di lavoro dei radio-senologi di ben il 44%.

  Secondo gli autori, per quanto riguarda il 29% in più di tumori rilevati, questo aumento riportato indicherebbe un maggiore aumento della rilevazione del cancro utilizzando l’IA. Tuttavia, potrebbe anche derivare da una curva di apprendimento dei radiologi partecipanti che si sono abituati a leggere sullo schermo con l’IA.  Gli autori sottolineano anche la necessità di condurre ulteriori studi randomizzati per studiare l’effetto reale del lavoro del radiologo con l’IA e la sua influenza sul processo decisionale medico.

  Da dove viene il 29% di tumori in più rilevati grazie all’IA? Come spiegato nell’articolo, i tassi di diagnosi del cancro sono stati, in valori assoluti, 6,4 per 1.000 donne tra i partecipanti sottoposti a screening nel gruppo con IA e 5,0 per 1.000 nel gruppo senza IA. La differenza relativa (cioè, confrontando i due gruppi) si ottiene calcolando il rapporto tra il gruppo di prova (con AI) / gruppo di riferimento (senza AI). Vale a dire qui 6.4 / 5.0 : 1,29; l’aumento relativo nel rilevamento del cancro grazie all’IA è 1,29-1 = 0,29, vale a dire il 29% che gli autori hanno avanzato.
  Ma la differenza assoluta nel trovare il cancro usando l’IA è solo 6,4/1000 – 5,0/1000 = cioè 1,4 pazienti/1000 donne, o 0,14%. Questo è già un risultato molto meno impressionante. In sintesi, nel gruppo in cui è stata utilizzata l’intelligenza artificiale, su 1000 donne, il numero di tumori rilevati è stato di 6,4. Quando l’intelligenza artificiale non veniva utilizzata, su 1000 donne, il numero di tumori rilevati era 5,0. Di questi 1,4 per 1000 donne rilevate in aggiunta grazie all’IA, resta da vedere quanti sono tumori invasivi e quanti sono in situ e fanno parte di sovradiagnosi .Poiché la sovradiagnosi rimane un problema, può essere tollerata solo se è minima e se lo screening dimostra la sua significativa efficacia nel rilevare i tumori più gravi. Questo resta del tutto da dimostrare.

  Il carico di lavoro

  Gli autori suggeriscono che la significativa riduzione del carico di lavoro (quasi della metà) per i radiologi abilitata dalla procedura di lettura dell’imaging assistita dall’IA consentirebbe ai radio-senologi  di dedicare più tempo a compiti più complessi e incentrati sul paziente. Dato che il trattamento del cancro al seno e i costi associati aumentano con lo stadio, il downstaging del cancro attraverso una diagnosi precoce utilizzando l’IA ridurrebbe la morbilità e i costi del trattamento.

  I limiti di questo studio riguardano la generalizzabilità della procedura con l’IA. Lo studio è stato condotto in un programma di screening svedese, a partire dall’età di 40 anni, con bassi tassi di richiamo di base e l’uso di un singolo fornitore di mammografia e intelligenza artificiale. La razza e l’etnia non sono state registrate, poiché questi dati non vengono regolarmente raccolti nelle cliniche per motivi di riservatezza. Tuttavia, fino al 35% della popolazione target ha un background di immigrati, secondo le statistiche ufficiali. È noto che ci possono essere variazioni nei tipi di cancro al seno legate all’etnia, e questo è un fattore che deve essere preso in considerazione se i pregiudizi devono essere evitati quando si interpretano i risultati.

  Conclusioni

  Lo screening assistito dall’intelligenza artificiale ha principalmente contribuito all’aumento del rilevamento di piccoli tumori invasivi senza coinvolgimento dei linfonodi ma anche tumori a prognosi peggiore e tumori invasivi triplo-negativi. In misura minore, c’è un aumento del rilevamento dei tumori in situ, compreso un aumento del rilevamento di tumori di alto grado senza un aumento dei tumori di basso grado, ma con un aumento dello stadio intermedio in situ. Nel complesso, l’uso dell’IA ha il potenziale per aumentare la diagnosi precoce del cancro al seno clinicamente rilevante senza aumentare indebitamente il danno derivante da falsi positivi e sovradiagnosi del cancro in situ di basso grado.

  Nel complesso, i risultati di questo nuovo studio suggeriscono che l’intelligenza artificiale potrebbe migliorare la diagnosi precoce dei tumori mammari clinicamente rilevanti, senza aumentare significativamente il rischio di falsi positivi o la sovradiagnosi di carcinomi in fase precoce, riducendo in sicurezza anche il carico di lavoro degli operatori. Tuttavia, sarà necessario un monitoraggio a lungo termine per valutare l’incidenza dei tumori di intervallo, ossia quelli non rilevati tra un screening e l’altro, e per analizzare l’efficacia costo-beneficio di questa tecnologia. In questo modo, sarà anche possibile valutare se i benefici dell’AI ne renderanno sostenibile l’adozione su ampia scala. L’impiego dell’AI ha portato a un incremento significativo nel tasso di rilevazione tumorale, in particolare di tumori piccoli, linfonodo-negativi e più aggressivi, senza aumentare il numero di falsi positivi o il carico di lavoro dei radiologi.

  Conclusioni da un editoriale che accompagna lo studio

  I due autori australiani che scrivono l’editoriale sottolineano che l’aumento della rilevazione nella strategia di screening assistito dall’intelligenza artificiale includeva tumori al seno invasivi, generalmente con caratteristiche prognostiche favorevoli, tra cui l’assenza di metastasi dei linfonodi, ma anche forme in situ. Per loro, dato che la malattia in situ, in particolare, può essere clinicamente non progressiva, questo ha necessariamente implicazioni per la sovradiagnosi e il conseguente sovratrattamento. L’assicurazione riguardante la diagnosi precoce dei tumori clinicamente progressivi basata su caratteristiche descrittive non nega che il 30% del rilevamento differenziale nello screening assistito dall’IA fosse maligno in situ. La sovradiagnosi non dovrebbe essere una preoccupazione trascurata o minimizzata.

  Pertanto, come riconosciuto dagli stessi autori dello studio, sarà necessario attendere l’endpoint primario di questo studio randomizzato, vale a dire i tassi di cancro a intervalli, per dimostrare se l’aumento del rilevamento del cancro nello screening assistito dall’IA, come riportato in MASAI, ha avuto l’effetto di ridurre effettivamente i tassi dei tumori al seno più aggressivi.

  Transpara ha lo scopo di supportare gli operatori sanitari con l’individuazione e la diagnosi di lesioni al seno o per la valutazione della densità del seno e del rischio di cancro al seno utilizzando immagini radiologiche del seno. La versione 2.1 include il confronto temporale fino a 3 esami.

Secondo gli autori della pubblicazione, “la procedura di screen reading MASAI ha enfatizzato l’accesso dei radiologi alle informazioni sul rilevamento delle lesioni mammarie e sul rischio durante la screen reading, introducendo un vantaggioso bias. Rendendo i radiologi consapevoli della prevalenza del cancro durante la lettura di esami a basso e ad alto rischio, questo potrebbe influenzarli nella riduzione dei falsi positivi nelle letture a bassa prevalenza di cancro e dei falsi negativi nelle letture ad alta prevalenza di cancro, consentendo l’accesso a indicatori regionali che evidenziano i reperti sospetti per ridurre il rischio di trascurare potenziali reperti”.Probabilmente l’Intelligenza Artificiale potrà fare meglio di noi quando si tratta di diagnosi.

Altri studi condotti negli Stati Uniti hanno evidenziato che, grazie agli algoritmi di deep learning su cui si basa l’Intelligenza Artificiale, è possibile ottenere una riduzione assoluta del 5,7% dei falsi positivi e del 9,4% di quelli negativi. Inoltre nel confronto con l’operato di 6 radiologi, è stato dimostrato un aumento dell’11,5% della sensibilità. Sono oltre 20mila le variabili nella pratica clinica per rendere le diagnosi di tumore della mammella più precise e poter così assumere decisioni ‘su misura’ su un percorso di precisione. Tutti obiettivi non raggiungibili da parte degli operatori sanitari con gli strumenti tradizionali. Le numerose applicazioni dell’Intelligenza Artificiale nella diagnosi e terapia della neoplasia del seno sono già realtà nei principali centri di riferimento del nostro Paese.Dall’insieme dei dati derivanti dalle tecnologie di sequenziamento l’IA può arrivare a comprendere meglio sviluppo e progressione del tumore della mammella. L’IA potrebbe essere di valido aiuto nella valutazione dei fattori di rischio. I progressi tecnologici stanno trasformando la diagnosi del carcinoma mammario e supportare le decisioni cliniche.

I risultati possono essere utilizzati per prioritizzare l’analisi dei casi in base alle lesioni sospette e alla certezza che un caso includa un cancro.
• Score delle lesioni: Indica con quale grado di confidenza una lesione sospetta rappresenta un cancro. Lo score della lesione è visualizzato accanto al marcatore della lesione.
• Score dei casi: Indica con quale grado di confidenza un caso include una lesione tumorale. Il score del caso viene tipicamente visualizzato durante l’analisi delle immagini e nell’elenco dei pazienti per consentire un ordinamento dei casi.

Gli strumenti di intelligenza artificiale sono il futuro dello screening mammografico?

Alicia Gallegos

Le mammografie di screening non evidenziano quasi un cancro al seno su otto. Le prime ricerche suggeriscono che l’intelligenza artificiale (AI) potrebbe colmare questo divario di rilevamento e migliorare notevolmente la diagnosi precoce della malattia. Ma rimangono domande sul modo migliore per incorporare l’IA negli screening e se è troppo presto per implementare la tecnologia.

Già, alcune cliniche di radiologia offrono l’analisi AI delle mammografie attraverso un costo aggiuntivo. Le pazienti che si sottopongono a mammografia possono consultare le strutture RadNet ed hanno la possibilità di un ulteriore screening AI delle loro immagini. RadNet, il più grande proprietario nazionale e operatore di centri di imaging diagnostico fixed-site negli Stati Uniti con più di 370 sedi, ha lanciato per la prima volta il suo programma di intelligenza artificiale nel nord-est. L’azienda ha ora lanciato il suo prodotto in tutte le regioni del paese.

Poiché l’IA non è rimborsata dagli assicuratori, i pazienti devono pagare una tassa out-of-pocket di IA “Le pratiche di RadNet hanno identificato più di 400 donne il cui cancro è stato trovato prima di quanto sarebbe stato se l’IA non fosse stata presente”, ha detto Greg Sorensen MD, chief science officer di RadNet.

Come funziona il programma di intelligenza artificiale di RadNet? Le pazienti che accedono alle strutture RadNet per la mammografia di screening vengono sottopostie a una mammografia 3D ad alta risoluzione che include l’uso della tecnologia del rilevatore a risoluzione 70 micron, ha affermato il dottor Sorensen. La mammografia viene esaminata da un radiologo qualificato con l’assistenza di due programmi di intelligenza artificiale certificati dalla Food and Drug Administration, Saige-Q e Saige-Density. Il radiologo fa poi un’interpretazione.

Saige-Q è uno strumento di intelligenza artificiale che aiuta a identificare mammografie più sospette fornendo un segnale rapido ai radiologi se l’IA considera una determinata mammografia in una categoria sospetta, secondo il dottor Sorensen. Saige-Density fornisce una valutazione di densità per ogni mammografia utilizzando una delle quattro categorie standard:

• A. Quasi interamente adiposo
• B. Aree sparse di densità fibroghiandolare
• C. Eterogeneamente denso
• D. Estremamente denso

A partire da settembre 2024, la FDA richiederà a tutti i rapporti mammografici di indicare la densità. Per i pazienti che scelgono il servizio aggiuntivo da 40 dollari, chiamato Enhanced Breast Cancer Detection, vengono applicati anche altri due programmi di intelligenza artificiale registrati dalla FDA: Saige-Dx e Saige-Assure. Questi programmi di intelligenza artificiale fanno un ulteriore passo avanti posizionando segni sulle aree all’interno delle immagini che trovano sospette. I mammogrammi contrassegnati come “altamente sospetta” dall’IA vengono poi esaminati da un secondo radiologo umano. Il primo e il secondo radiologi conferiscono per concordare una diagnosi finale, ha spiegato il dottor Sorensen

“La nostra ricerca mostra che circa il 20% in più di tumori si trova quando il processo di revisione della salvaguardia è in atto”, ha detto il dottor Sorensen. “Abbiamo anche visto [30%] diminuzioni dei tassi di richiamo” – la percentuale di casi di screening in cui ulteriori test sono raccomandati dal radiologo.

La radiologa di Bethesda Janet Storella, MD, ha utilizzato il programma di intelligenza artificiale per circa 3 anni e ha affermato che la tecnologia ha migliorato le sue prestazioni di screening. L’IA è collegata al software di imaging della sua pratica e i radiologi hanno la possibilità di accendere l’IA in qualsiasi momento durante la lettura delle mammografie di screening, ha spiegato il dottor Storella. Alcuni radiologi esaminano prima la mammografia e poi avviano l’IA, mentre altri come il dottor Storella la accendono all’inizio, ha detto. Una volta avviata, l’IA disegna scatole di delimitazione – o delinea – intorno ad aree che ritiene sospette.

L’IA aiuta a focalizzare l’attenzione della dottoressa Storella su aree sospette e classifica il livello di sospetto in una delle quattro categorie: alto, intermedio, basso e minimo, ha detto. “Lo trovo particolarmente utile nelle pazienti che hanno tessuto mammario denso”, ha detto il dottor Storella, direttore medico dell’imaging femminile presso Community Radiology Associates, uno studio RadNet. “In queste situazioni, il tessuto sulla mammografia è un campo di bianco e anche i tumori sono bianchi, quindi stai cercando quella piccola palla da golf bianca su un mare di neve. L’IA aiuta davvero ad affarare questo in aree specifiche”.

Circa il 35% dei pazienti con mammografia di screening di RadNet si è iscritto al programma Enhanced Breast Cancer Detection, secondo i dati di RadNet. In un recente studio di nove radiologi generali e nove specialisti dell’imaging del seno, tutti i radiologi hanno migliorato le loro prestazioni interpretative delle mammografie di screening DBT quando leggevano con l’IA di RadNet vs senza di essa. (Un’area media sotto la curva caratteristica operativa del ricevitore [AUC] di 0,93 vs 0,87, che dimostra una differenza di AUC di 0,06 (IC 95%, 0,04-0,08; P < .001)

La mammografia è pronta per l’IA?

RadNet è tra un numero crescente di aziende commerciali che offrono soluzioni di intelligenza artificiale per la mammografia. MammoScreen e Hologic, ad esempio, sono altre due aziende che forniscono programmi di intelligenza artificiale per assistere i radiologi nella lettura delle mammografie di screening. “Siamo all’inizio dell’integrazione dell’IA nell’imaging al seno a questo punto”, ha detto Laura Heacock, MD, radiologo di imaging al seno e professore associato di radiologia alla NYU Langone Health. “Ci sono più modelli di intelligenza artificiale commerciale ora disponibili per i radiologi da utilizzare nella loro pratica [e] probabilmente ce ne saranno altri. Siamo nella fase di transizione in cui le persone stanno ancora decidendo: qual è il modello migliore con cui andare? Come faccio a metterlo nel mio sistema? Come faccio a garantire che funzioni come previsto? Ogni pratica e sistema medico avrà una risposta diversa a questa domanda”.

Alla NYU Langone Health, i ricercatori hanno sviluppato e studiato modelli di intelligenza artificiale ottimali per l’imaging al seno per diversi anni, ha detto il dottor Heacock. I ricercatori, finora, hanno sviluppato modelli di intelligenza artificiale per la mammografia digitale 2D, le mammografie 3D, l’ecografia del seno e la risonanza magnetica del seno. Simile ai sistemi di intelligenza artificiale commerciali, l’IA è incorporata nel sistema di archiviazione e comunicazione delle immagini (PACS) utilizzato dai radiologi per rivedere le immagini. I radiologi premono un pulsante per avviare l’IA, che disegna una scatola intorno alle aree sospette dell’immagine e segna il sospetto.

“Do un’occhiata a dove si trova sulla mammografia e decido se si adatta al mio livello di sospetto”, ha detto il dottor Heacock. L’IA potrebbe non capire le cose sulla mammografia come facciamo noi. Per esempio, le cicatrici chirurgiche sembrano molto sospette per un modello di intelligenza artificiale. Ma se sto guardando una mammografia in cui [il paziente] ha avuto una cicatrice stabile che non è cambiata da 10 anni, non sono preoccupato che l’IA l’abbia trovata sospetta. Il mio giudizio clinico è l’ultimo decisore. Questa è solo un’informazione aggiuntiva che mi è utile”.

Una ricerca della New York University (NYU) ha dimostrato che quando vengono utilizzati da un radiologo esperto i modelli di intelligenza artificiale hanno migliorato il rilevamento del cancro al seno in tutte e quattro le modalità, ha detto.

Tuttavia, l’IA non è ancora stata lanciata alla NYU Langone. Sono necessarie ulteriori ricerche prima di implementare la tecnologia, secondo il dottor Heacock.

“Alla NYU, stiamo ancora testando i benefici per i pazienti”, ha detto. “Sappiamo che migliora il rilevamento del cancro, ma vogliamo assicurarci che non ci siano inconvenienti. Stiamo ancora esplorando i modi migliori per metterlo in atto nella nostra istituzione”.

Il dottor Heacock ha indicato recenti studi sull’IA nella mammografia di screening che mostrano promesse.

Un’analisi di oltre 80.000 donne, per esempio, pubblicata su The Lancet Oncology in agosto, ha scoperto che la lettura dello schermo supportata dall’IA ha portato a un tasso di rilevamento del cancro simile rispetto a un sistema di lettura per due persone. Questo screening ha portato a 244 tumori rilevati sullo schermo, 861 richiami e un totale di 46.345 letture dello schermo, secondo lo studio. Lo screening standard ha portato a 203 tumori rilevati dallo schermo, 817 richiami e un totale di 83.231 letture dello schermo.

Il sistema di intelligenza artificiale ha anche ridotto il carico di lavoro di lettura dello schermo per i radiologi del 44%, ha rilevato lo studio. Nel frattempo, uno studio del settembre 2023, pubblicato su The Lancet Digital Health, ha rilevato che la sostituzione di un radiologo con l’IA ha portato a un maggiore rilevamento del cancro senza un grande aumento dei casi falsi positivi. L’IA ha portato a un tasso di rilevamento del cancro non inferiore del 4% più alto rispetto alla doppia lettura del radiologo, secondo lo studio. Il dottor Heacock ha sottolineato che entrambi gli studi sono stati condotti in Europa, dove lo standard è per due radiologi per valutare le mammografie. “Questo rende i risultati entusiasmanti, ma non ancora direttamente applicabili alla pratica statunitense”, ha detto. Cosa consigliano gli esperti?

Stamatia V. Destounis, MD, FACR, presidente dell’American College of Radiology (ACR) Breast Imaging Commission, ha affermato che il college accoglie con favore la ricerca in corso sull’efficacia delle tecnologie di intelligenza artificiale e che l’IA può rivelarsi utile come strumento di flusso di lavoro migliorato. L’ACR non ha rilasciato alcuna guida sull’uso dell’IA per i radiologi e non ha alcuna raccomandazione sulle migliori pratiche, ha detto il dottor Destounis. “Le decisioni su quali tecnologie che vari sistemi sanitari e siti di radiologia scelgono di utilizzare sono prese da quelle strutture”, ha detto.

Il dottor Destounis ha affermato che sono necessarie ulteriori ricerche per dimostrare se le tecnologie di intelligenza artificiale aiutano o meno i radiologi a produrre risultati migliori nell’identificazione di malattie, lesioni e malattie tra la popolazione generale o in gruppi specifici, in base all’età, alle caratteristiche fisiche, alla razza, all’etnia o allo stato di rischio per il cancro al seno.

“Inoltre, è necessario un modo per misurare ogni prodotto di intelligenza artificiale in modo da poter essere certi che siano relativamente equivalenti nella loro efficacia e accuratezza – inizialmente e per un periodo di tempo prolungato”, ha detto.

Non esiste alcun consenso o raccomandazione concreta sull’uso dell’IA nello screening mammografico, aggiunge Peter P. Yu, MD, FACP, FASCO, medico capo presso l’Hartford HealthCare Cancer Institute e membro della nuova task force dell’IA della American Society of Clinical Oncology. Una delle tante discussioni riguardanti l’IA è in che misura i pazienti dovrebbero essere consapevoli che l’IA viene utilizzata nella loro assistenza sanitaria e se dovrebbero essere tenuti a dare il consenso al suo uso, ha detto il dottor Yu.

Se l’IA viene utilizzata per assistere i radiologi con l’interpretazione mammografica, i radiologi dovrebbero discutere con i pazienti come viene utilizzata e spiegare che la lettura finale è nelle mani del loro medico radiologo, ha detto.”Nella situazione improbabile in cui non c’era un essere umano nel giro e l’IA stava in effetti prendendo una decisione medica, il paziente deve essere consapevole”, ha detto. “Non sono consapevole che una situazione del genere esista oggi. È più probabile che l’IA sia sottilmente incorporata nel software che gestisce la tecnologia, proprio come è incorporata nella produzione e nel trasporto”.

Chi pagherà per l’IA?

Quando si tratta di pagamento, il dottor Yu ha affermato che spostare il costo dell’IA ai pazienti crea un rischio serio. “Ha un enorme potenziale per aumentare le disuguaglianze sanitarie”, ha detto. “Se crediamo che l’assistenza sanitaria sia un diritto umano fondamentale, l’IA dovrebbe andare a beneficio di tutti, non solo di coloro che possono permetterselo. L’assistenza sanitaria non dovrebbe essere un oggetto di lusso; se funziona, funziona per tutti”. In generale, la questione del pagamento per l’IA è ancora piuttosto “spinosa”, ha osservato il dottor Heacock. Attualmente, non c’è modo per i medici di richiedere un rimborso diretto per le letture AI delle mammografie.

Mentre la dottoressa Heacock dice di essere solidale con le aziende che dedicano tempo e sforzi significativi alla loro tecnologia di intelligenza artificiale, non pensa che far pagare i pazienti sia la soluzione giusta.”Sappiamo che molte donne hanno già difficoltà a pagare i servizi relativi alla mammografia e questo è solo un altro addebito per confonderle o che non possono pagare”, ha detto.

Il dottor Sorensen si aspetta che, in modo simile alla mammografia 3D, i pagatori alla fine copriranno la tecnologia AI di RadNet e che i pazienti non dovranno più pagare di tasca propria. Un vettore Blue Cross inizierà a coprire l’IA nell’aprile 2024, ha concluso.

Questo articolo è apparso originariamente su MDedge.com, parte della rete professionale Medscape.IA e previsione del rischio in mammografia

La mammografia può essere supportata da modelli di intelligenza artificiale, che eseguono una selezione delle pazienti, indicando agli specialisti solo le immagini che richiedono ulteriore attenzione ed approfondimento. Vi è, però, chi richiama una maggiore prudenza in questo orientamento della diagnostica, come per esempio la dottoressa Joann G. Elmore, docente presso la David Geffen School of Medicine dell’Università della California di Los Angeles (UCLA), e il dottor Christoph I. Lee, del Dipartimento di Radiologia della Scuola di Medicina dell’Università di Washington (Seattle), che su JAMA Health Forum hanno sottolineato che «senza un approccio più robusto alla valutazione e implementazione dell’intelligenza artificiale, data l’adozione senza sosta della tecnologia emergente nella pratica clinica, rischiamo di non riuscire a imparare dai nostri errori passati nella mammografia». Elmore e Lee si riferiscono alla rapida crescita dei sistemi CAD affiancati alla mammografia verificatasi venti anni fa. Questi sistemi, similmente all’intelligenza artificiale, possono individuare nell’immagine mammografica caratteristiche che indicano sospetto di presenza di carcinoma mammario. I due docenti ricordano che  dieci anni dopo l’approvazione da parte della FDA dei sistemi CAD, si è concluso che questi non migliorano l’accuratezza diagnostica della mammografia nella pratica clinica routinaria.

La FDA dovrebbe richiedere studi più solidi, basati su un numero maggiore di pazienti e che diano dimostrazione della reale utilità e vantaggio associati all’implementazione dell’intelligenza artificiale. Altrimenti, si rischia di sostenere solo la crescita tecnologica e favorire il consumismo sanitario, ma senza che questo possa apportare risultati migliori. Al momento la FDA richiede solo che il modello non dia esiti inferiori all’approccio umano. Non da ultimo, occorre valutare l’impatto dell’uso dell’intelligenza artificiale sulla medicina legale e sulla responsabilità professionale. Gli autori chiedono una legge nazionale su questi punti.

(Lo studio: Elmore JG, Lee CI. Artificial Intelligence in Medical Imaging. Learning From Past Mistakes in Mammography. JAMA Health Forum. 2022;3(2):e215207. doi:10.1001/jamahealthforum.2021.5207)

Vi è infatti un vuoto regolatorio a proposito di IA con rischi legali e responsabiltà professionale.    Problematiche: Vuoto regolatorio, collaborazione con enti regolatori e sviluppatori, accettabilità radiologo, responsabiltà professionale, implicazioni professionali, eccessiva fiducia nella lettura automatizzata. L’uso dell’intelligenza artificiale nello screening mammografico presenta notevoli potenzialità nel migliorare  sicurezza diagnostica ed esiti clinici per la paziente con una maggiore efficacia dello screening. Nel prossimo futuro le intelligenze artificiali ci aiuteranno a estrapolare sempre più informazioni dalle immagini, per una diagnostica migliore e più sicura in ogni campo.

A nostro giudizio questi sistemi di lettura della mammografia avranno il compito di supportare lo specialista, esistono infatti situazioni in cui la stanchezza o l’eccessivo carico di lavoro possono ridurre la precisione diagnostica di un essere umano. Le macchine, di contro, non risentono della stanchezza, un aspetto da non sottovalutare. Occorre lavorare sullo sviluppo e validazione di interfaccia che consenta al medico di poter interagire  tra la sua capacità diagnostica a quella dell’intelligenza artificiale che deve essere solo uno strumento di supporto.

Ogni rivoluzione ha bisogno di essere regolamentata per essere affidabile ed etica. Purtroppo le regole arriveranno dopo le innovazioni. Chi gestisce ricerca ed innovazione sono strutture private. che hanno il potere di dettare l’agenda a stati e politica. E’ importante un aggiornamento normativo che mette al riparo la dignità umana e l’uguaglianza, purtroppo ci sarà pure chi non potrà disporre di cure e servizi migliori.  L’Intelligenza artificiale è una sfida che non può essere trascurata. Le macchine però possono pure determinare dequalificazione, assenza di dialogo di relazione, sostituzione di competenza umana c’è da chiedersi che società vogliamo? L’IA dovrà essere uno strumento al servizio degli esseri umani.

La tecnologia Genius AI

La prossima rivoluzione nella rivelazione precoce di cancro della mammella

 La tecnologia Genius AI™ Detection è un algoritmo di deep-learning progettato per aiutare le prestazioni diagnostiche dei radiologi e rivelare il cancro della mammella dalle immagini in tomosintesi ottenute utilizzando i sistemi mammografici Hologic Dimensions®.

RIVELAZIONE PIÙ ACCURATA DEL TUMORE

Lo studio mostra un miglioramento del +9% nella sensibilità del lettore per i casi di cancro.**1,2~ Funziona su immagini in tomosintesi sia standard sia ad alta risoluzione; applica marker su immagini 3DQuorum™ SmartSlices e 2D sintetiche.

STRUMENTI PER UN’IDENTIFICAZIONE FACILE DELLE LESIONI

L’algoritmo cerca 3 gruppi principali di lesioni sospette: calcificazioni, masse, densità e distorsioni e le loro combinazioni.

I risultati possono variare sulle diverse stazioni di refertazione.

FLUSSO DI LAVORO OPERATIVO EFFICIENTE

L’integrazione sulla stazione di acquisizione consente di contrassegnare i casi ad alto rischio per una lettura immediata.

Offre metriche per ciascun caso e aiuta a classificare i casi per priorità di lettura

La tecnologia Genius AI™ Detection supporta tutti i tipi di immagini Hologic, tra cui le immagini 3DQuorum™ SmartSlices. Utilizzando le immagini 3DQuorum SmartSlices anziché le immagini in tomosintesi ad alta risoluzione di Hologic, i radiologi sono in grado di leggere il 15% di casi in più all’ora.^3,4 Dato che Hologic persegue costantemente l’innovazione, la tecnologia Genius AI Detection evolverà di pari passo per garantire la compatibilità nel futuro. La tecnologia Genius AI Detection si è avvalsa delle conoscenze dei radiologi e degli esperti clinici ed è stata sviluppata per integrarsi senza difficoltà nel flusso di lavoro clinico.

Identificazione dei casi di cancro durante l’analisi dei casi

Le aree sospette vengono evidenziate sulla stazione di lavoro del radiologo per una lettura immediata quale ausilio nell’interpretazione. Utilizzando strumenti avanzati, è possibile visualizzare contrassegni sulle singole immagini in tomosintesi e sovrapporli sulle immagini 3DQuorum™ SmartSlices e 2D sintetiche per garantire una transizione rapida ai piani in tomosintesi significativi.

Il software identifica tre caratteristiche comunemente associate a cancro.

• Marcatori Calc: Segna regioni che suggeriscono calcificazioni
• Marcatori Mass: Segna regioni che suggeriscono densità/ masse/distorsioni architetturali
• Marcatori Malc: Indica i segni Calc e Mass che si verificano nella stessa posizione sull’immagine

Il software della stazione di refertazione tipicamente supporta la visualizzazione dei marcatori in differenti formati:

• Marcatori PeerView™: Delineano le singole calcificazioni nel cluster e/o la densità centrale della massa
• Marcatori RightOn™: Mostrano il centro della regione di interesse.

Supporto alle decisioni cliniche

I risultati possono essere utilizzati per prioritizzare l’analisi dei casi in base alle lesioni sospette e alla certezza che un caso includa un cancro.

• Score delle lesioni: Indica con quale grado di confidenza una lesione sospetta rappresenta un cancro. Il score della lesione è visualizzato accanto al marcatore della lesione. • Score dei casi: Indica con quale grado di confidenza un caso include una lesione cancerosa. Il score del caso viene tipicamente visualizzato durante l’analisi delle immagini e nell’elenco dei pazienti per consentire un ordinamento dei casi.

Le aree sospette vengono evidenziate sulla stazione di lavoro del radiologo per una lettura immediata quale ausilio nell’interpretazione. Utilizzando strumenti avanzati, è possibile visualizzare contrassegni sulle singole immagini in tomosintesi e sovrapporli sulle immagini 3DQuorum™ SmartSlices e 2D sintetiche per garantire una transizione rapida ai piani in tomosintesi significativi.

Supporto alle decisioni cliniche

I risultati possono essere utilizzati per prioritizzare l’analisi dei casi in base alle lesioni sospette e alla certezza che un caso includa un cancro.

• Score delle lesioni: Indica con quale grado di confidenza una lesione sospetta rappresenta un cancro. Il score della lesione è visualizzato accanto al marcatore della lesione. • Score dei casi: Indica con quale grado di confidenza un caso include una lesione cancerosa. Il score del caso viene tipicamente visualizzato durante l’analisi delle immagini e nell’elenco dei pazienti per consentire un ordinamento dei casi.

Nota:  controllare il proprio sistema PACS e la versione per determinare la compatibilità con le funzioni di Genius AI Detection.

La tecnologia Genius AI™ Detection: flusso operativo più snello

Oltre a identificare i potenziali casi di cancro, la tecnologia Genius AI Detection fornisce metriche a livello di caso utilizzabili per classificare i casi per la lettura e migliorare il flusso di lavoro. Sulla stazione SecurView® e su alcune stazioni PACS, i radiologi possono utilizzare questa capacità per ordinare i casi e generare liste di lavoro personalizzate per lettori diversi.

Indice di complessità del caso: I casi vengono classificati a seconda della loro complessità, in base al numero di aree sospette identificate nel caso (reperti multipli, reperti singoli, nessun reperto).

Indicatore del tempo di lettura: Sulla base di un algoritmo di deep learning, i casi vengono classificati per indicare il tempo di lettura previsto: alto, medio o basso. Può essere utilizzato per distribuire equamente i casi tra un gruppo di radiologi al fine di garantire un carico di lavoro equilibrato all’interno del team.

Indicatore di priorità di lettura: Contrassegna i casi più preoccupanti al momento dell’esame in modo che un sito possa scegliere di leggere questi casi immediatamente. I risultati sono a disposizione del tecnico nella sala d’esame e favoriscono la comunicazione con il paziente e il radiologo. Un caso contrassegnato come molto preoccupante può essere gestito in base al protocollo del sito.

L’integrazione della tecnologia Genius AI Detection sulla piattaforma Dimensions garantisce opportunità di flusso di lavoro uniche con strumenti che facilitano l’analisi e la prioritizzazione dei casi.

I radiologi possono utilizzare l’Indice di Complessità

• La tecnologia Genius AI™ Detection applica l’AI di deep learning alle immagini Hologic Clarity HD® ad alta risoluzione e in tomosintesi con risoluzione standard. I risultati possono essere visualizzati sulle sezioni in tomosintesi, sulle immagini 3DQuorum™ SmartSlices e sulle immagini 2D sintetiche Intelligent 2D™ o C-View™.

La sovrapposizione dei segni sulle immagini 2D sintetiche aiuta il radiologo fornendo un’immagine panoramica con aree sospette visibili chiaramente e una navigazione rapida con

• SmartMapping fino alla sezione di tomosintesi o 3DQuorum SmartSlice in cui il marchio è stato originariamente identificato.
• Il software risiede sul computer della stazione di acquisizione Dimensions, eliminando così la complessità e i costi aggiuntivi associati a un server separato. Consente al tecnico di visualizzare i risultati nella sala d’esame.
• Il risultato è incorporato in un oggetto DICOM CAD Structured Report (SR) che può essere visualizzato sulle stazioni di refertazione.
• La sensibilità è risultata compresa tra 93% e 94% e la specificità tra 37% e 41% rispettivamente nelle modalità con risoluzione standard e alta.¹