Exemplo de mamografia de triagem com um carcinoma ductal agressivo (seta), no qual as mulheres não teriam sido lembradas com uma estratégia de cavalia de leitura de AI. No entanto, esses exames teriam sido mostrados ao radiologista em uma estratégia de leitura híbrida, que será baseada na incerteza da IA da entrada da pontuação maliciosa da área (POM) da área mais suspeita. Para ambos os exames, são mostradas idéias medievais (esquerda) e cranochel (à direita) da mama afetada. (A) Imagens em uma mulher de 67 anos, que foram lembradas porque ambos os radiologistas pontuaram a mama direita como relatório de imagens de mama e sistema de dados (BI-BI-REDS) 0. A mulher não teria sido lembrada se o exame fosse lido pelo modelo de IA, que foi atribuído a uma pontuação de 40, mas a previsão teria sido classificada como uma incerteza com uma incerteza. (B) Imagens em uma mulher de 63 anos que foram lembradas quando os dois radiologistas fizeram os seios certos como BI-Reds 4. A mulher não teria sido lembrada se o exame fosse lido pelo modelo de IA, com uma pontuação de 44 POM, mas a previsão seria classificada como uma previsão incerta, que seria classificada com uma previsão de uma incerteza. Crédito: Sociedade Radiológica da América do Norte (RSNA)
Uma estratégia de leitura híbrida para a triagem de mamografia, desenvolvida por pesquisadores holandeses e foi reconstruída reduzindo em mais de 40.000 exames, reduziu a carga de trabalho de radiologista em 38% sem alterar a taxa de recall ou câncer.
Estudo, que enfatiza a crença da IA, foi publicado em RadiologiaAssim,
“No entanto, o desempenho geral do modelo de AI de última geração é muito alto, a IA às vezes comete erros”, Sarah, candidato a doutorado no Departamento de Imagem Médica do Centro Médico da Universidade Redbod, na Holanda. Verbum disse.
“Identificar os exames nos quais a interpretação da IA é incrível é importante para permitir e se adaptar ao uso de modelos de IA em programas de triagem de câncer de mama”.
A estratégia de leitura híbrida envolve o uso de uma combinação Radiolocker A interpretação dos leitores e uma IA independente na qual o modelo de IA se apresenta ou melhor desempenho com radiologistas.
“Podemos alcançar esse nível de desempenho se o modelo de IA não apenas fornecer uma avaliação da possibilidade de maliciosos (POM) para um caso, mas também fornecer uma classificação da certeza dessa avaliação”, disse o verbo.
“Infelizmente, o próprio POM nem sempre é um bom profeta de certeza, porque as redes nervosas profundas estão muito confiantes em suas previsões”.
Para desenvolver e avaliar a estratégia de leitura híbrida, os pesquisadores usaram um conjunto de dados de 15.522 mulheres (idade média de 59 anos) com 332 câncer detectado na tela e câncer de intervalo de 34 para 41.469 exames de mamografia de triagem. Como parte do Programa Nacional de Triagem do Câncer de Mama Holandês, foram realizados exames entre Utrect, 2003 e 2018 na Holanda.
O conjunto de dados foi dividido em dois grupos idênticos no nível do paciente, com detecção semelhante de câncer, recall e taxas de câncer de intervalo. O primeiro grupo foi usado para determinar o limite ideal para a estratégia de leitura híbrida, enquanto o segundo grupo foi usado para avaliar estratégias de leitura.
Entre as métricas com incerteza avaliada pelos pesquisadores, a entropia mais suspeita da pontuação da POM produziu a taxa de detecção de câncer de 6,6 por 1.000 casos e semelhante às taxas de leitura dupla padrão por radiologistas, 23,7 por taxa de recall em 1.000 casos por 1.000 casos.
Ai avalia a IA na estratégia final de leitura híbrida Mamografia de triagem Para produzir duas saídas: POM e incerteza dessa previsão. Quando a IA determinou que o POM estava certamente abaixo do intervalo instalado, o caso era considerado normal.
Quando a AI descobriu um POM acima da faixa instalada, as mulheres foram chamadas de volta para testes adicionais, mas somente quando essa previsão era considerada confiante. Caso contrário, o exame foi duplo de radiologista.
O único exemplo de exame de triagem com um câncer detectado na tela teria sido lembrado pela IA na estratégia de leitura híbrida, com base na incerteza da IA da entrada da pontuação mais suspeita de área maliciosa da área (POM) (POM). Durante a triagem, uma mulher de 52 anos foi chamada de volta após a arbitragem do peito direito como o primeiro e o segundo radiologista após o peito direito como a mama direita (Bi-Rads) 4, que marcou a mama direita como Bi-RD1 e 4, respectivamente. Essa mulher não teria sido lembrada se o exame fosse lido pelo modelo de IA, que atribuiu uma pontuação de 30, que seria classificada como uma certa previsão com a incerteza de 0,57. São mostradas idéias medievais (esquerda) e cranochel (direita) da mama afetada. Buxes indicam a calcificação encontrada durante a triagem, e o diagnóstico final deste exame foi um carcinoma ductal in situ. Crédito: Sociedade Radiológica da América do Norte (RSNA)
Embora a maioria das decisões da IA tenha sido incerta e adiada para um leitor humano, 38% foram certamente classificados e só podem ser lidos pela IA. Usando a estratégia dos pesquisadores, reduzindo a carga de trabalho de leitura de radiologistas, sem qualquer recall (23.6 œ vs 23.9) ou detecção de câncer (6,6 œ vs 6,7 œ), ambos são comparáveis à leitura dupla padrão.
Quando o modelo de IA era certo, a área sob a curva (AUC) era maior (0,96 vs. 0,87). Sua sensibilidade corresponde à leitura quase dupla de radiologista (85,4% vs 88,9%). Pequenas mulheres com seios densos eram mais propensos a ter uma pontuação incerta de IA.
“O principal componente do nosso estudo não é necessariamente a melhor maneira de dividir a acusação, mas que o modelo de IA tem uma estagnação da quantidade de incerteza”, disse o verbo. “Espero que os produtos comerciais o integrem em seus modelos, porque acho que é uma métrica muito útil”.
Verbum afirmou que, se os resultados do estudo estivessem na prática clínica, a decisão de lembrar 19% de mulheres seria tomada pela IA sem a intervenção de um radiologista.
“Muitos estudos mostraram que as mulheres participam da mama Câncer Os programas de triagem têm uma atitude positiva sobre o uso da IA “, disse ela.” No entanto, a maioria das mulheres prefere ler suas mamografias por pelo menos um radiologista. , Assim,
Ele disse que revisar os exames considerados incertos pela IA pode ser mais aceitável para os radiologistas, além de lembrar a IA.
“O uso da IA com a quantidade de incerteza pode ser uma solução possível para a falta da força de trabalho e pode ajudar a criar confiança na implementação da IA”, disse o verbo.
O Verbum afirmou que são necessárias mais pesquisas, idealmente um teste em potencial, para determinar como a redução na carga obtida pela estratégia de leitura híbrida pode reduzir o tempo de leitura do radiologista.
“Acho que no futuro, podemos chegar a um ponto em que uma parte das mulheres é enviada para casa sem olhar para sua mamografia a qualquer momento, porque a IA determinará que o exame deles é normal”, disse ela. “Ainda não estamos lá, mas acho que podemos chegar lá com essa métrica de incerteza e controle de qualidade”.
Mais informações:
A IA deve ler mamografias apenas se você acredita: uma estratégia de leitura de triagem híbrida de câncer de mama, Radiologia (2025).
fornecido por
Sociedade Radiológica da América do Norte
Citação: A estratégia híbrida da AI melhora a interpretação da mamografia (2025, 19 de agosto) 19 de agosto de 2025 de https://medicalxpress.com/news/news/2025-08-i-i-i-i-i-i-i-hybrid-
Este documento está sujeito a direitos autorais. Além de qualquer comportamento imparcial para fins de estudos ou pesquisas privadas, nenhuma parte pode ser retroduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins de informação.
