BACKGROUND: Mammography screening programs (MSP) have shown that breast cancer can be detected at an earlier stage enabling less invasive treatment and leading to a better survival rate. The considerable numbers of interval breast cancer (IBC) and the additional examinations required, the majority of which turn out not to be cancer, are critically assessed.
OBJECTIVE: In recent years companies and universities have used machine learning (ML) to develop powerful algorithms that demonstrate astonishing abilities to read mammograms. Can such algorithms be used to improve the quality of MSP?
METHODS: The original screening mammographies of 251 cases with IBC were retrospectively analyzed using the software ProFound AI® (iCAD) and the results were compared (case score, risk score) with a control group. The relevant current literature was also studied.
RESULTS: The distributions of the case scores and the risk scores were markedly shifted to higher risks compared to the control group, comparable to the results of other studies.
CONCLUSIONS: Retrospective studies as well as our own data show that artificial intelligence (AI) could change our approach to MSP in the future in the direction of personalized screening and could enable a significant reduction in the workload of radiologists, fewer additional examinations and a reduced number of IBCs; however, the results of prospective studies are needed before implementation.
UNASSIGNED: HINTERGRUND: Dank Mammographie-Screening-Programmen (MSP) kann Brustkrebs erwiesenermaßen in früheren Stadien entdeckt werden, was weniger eingreifende Therapien erlaubt und zu einem besseren Überleben führt. Kritisch beurteilt werden die beträchtliche Zahl der Intervallkarzinome (IBC) und zusätzlich notwendige Abklärungen, bei denen sich in der Mehrzahl erweist, dass kein Karzinom vorliegt.
UNASSIGNED: In den letzten Jahren wurden von Firmen und Universitäten mittels maschinellem Lernen (ML) leistungsfähige Algorithmen entwickelt, welche erstaunliche Fähigkeiten zum Lesen von Mammographien zeigen. Können dadurch MSP qualitativ verbessert werden?
METHODS: Mittels der Software ProFound AI® (iCAD, Nashua, NH, USA) wurden retrospektiv die ursprünglichen Screening-Mammographien von 251 Fällen mit Intervallkarzinom untersucht und die Resultate (Case-Score, Risk-Score) mit denen einer Kontrollgruppe verglichen. Darüber hinaus wurde die relevante aktuelle Literatur studiert.
UNASSIGNED: Die Verteilung des Case-Score wie auch des Risk-Score der Mammographien mit späterem IBC war signifikant zu höherem Risiko verschoben im Vergleich zur Kontrolle, ähnlich wie in anderen Studien.
UNASSIGNED: Retrospektive Studien, wie auch eigene Daten zeigen, dass möglicherweise künstliche Intelligenz (KI) in Zukunft das Vorgehen bei MSP ändern wird in Richtung personalisiertem Screening, mit deutlicher Entlastung der Radiologen, weniger Abklärungen und einer verminderten Anzahl von IBC. Für eine solche Umsetzung braucht es die Resultate prospektiver Studien.