Η τεχνητή νοημοσύνη αποτελεί ένα από τα πεδία στα οποία στρέφονται οι ελπίδες και η έρευνα για τη βελτίωση του προσυμπτωματικού ελέγχου και της έγκαιρης διάγνωσης του καρκίνου του μαστού.

Η δυνατότητά της να αναλύει μεγάλο όγκο απεικονιστικών δεδομένων και να αναγνωρίζει μοτίβα που μπορεί να μην είναι εύκολα αντιληπτά κατά την εξέταση μιας εικόνας βρίσκεται στο επίκεντρο σειράς επιστημονικών μελετών με την ελπίδα ότι θα δει αυτό που δεν βλέπει το ανθρώπινο μάτι, θα δει ...στο μέλλον, ή θα εντοπίσει τα άτομα που μπορεί να εκδηλώσουν κάτι ανησυχητικό μεταξύ δύο μαστογραφιών!

Πώς μπορεί όμως να έχει φτάσει στο σημείο η τεχνολογία να κάνει κάτι τέτοιο;

Με τη δύναμη της σύγκρισης

Η τεχνητή νοημοσύνη είναι η ικανότητα ενός υπολογιστή να μιμείται την ανθρώπινη συμπεριφορά (για παράδειγμα, να μαθαίνει και να ενεργεί). Οι προγραμματιστές συστημάτων ΤΝ εκπαιδεύουν τους υπολογιστές να αναγνωρίζουν μοτίβα σε μεγάλους όγκους δεδομένων. Μόλις ολοκληρωθεί η εκπαίδευση ενός προγράμματος, αυτό μπορεί να αρχίσει να αξιολογεί αυτόνομα νέα δεδομένα και να κάνει προβλέψεις.

Για την εκπαίδευση της ΤΝ στην ανάγνωση μαστογραφιών, οι τεχνικοί εισάγουν δεδομένα από εκατοντάδες χιλιάδες έως και εκατομμύρια μαστογραφίες. Το λογισμικό δημιουργεί μια μαθηματική αναπαράσταση της φυσιολογικής εικόνας μιας μαστογραφίας και της εικόνας μιας μαστογραφίας στην οποία υπάρχει καρκίνος. Στη συνέχεια, το σύστημα συγκρίνει κάθε εικόνα με αυτά τα πρότυπα, προκειμένου να διακρίνει τα φυσιολογικά ευρήματα από τα μη φυσιολογικά.

Καθώς το πρόγραμμα εκπαιδεύεται με όλο και περισσότερες εικόνες μαστογραφιών, μπορεί να μαθαίνει με την πάροδο του χρόνου και να γίνεται ακριβέστερο. Η ΤΝ χρησιμοποιείται επίσης για τον εντοπισμό καρκίνου μέσω υπερηχογραφημάτων και μαγνητικών τομογραφιών.

Μία από τις πιο πρόσφατες έρευνες, που δημοσιεύθηκε στο επιστημονικό περιοδικό Radiology, εξέτασε κατά πόσο τρία εμπορικά διαθέσιμα συστήματα τεχνητής νοημοσύνης μπορούσαν να αναγνωρίσουν ενδείξεις καρκίνου του μαστού σε μαστογραφίες που είχαν πραγματοποιηθεί αρκετά χρόνια πριν από τη διάγνωση.

Τα αποτελέσματα έδειξαν ότι σε ορισμένες περιπτώσεις η τεχνητή νοημοσύνη μπορούσε να εντοπίσει μαστογραφικά σημάδια έως και έξι χρόνια πριν από τη διάγνωση από τους ακτινολόγους. Το εύρημα αυτό προσθέτει ένα νέο πεδίο διερεύνησης: όχι μόνο πώς η AI μπορεί να υποστηρίζει την ανάγνωση μιας μαστογραφίας κατά τον χρόνο της εξέτασης, αλλά και πώς μπορεί να αναγνωρίζει ενδείξεις που σχετίζονται με μια μεταγενέστερη διάγνωση.

Οι μέχρι στιγμής επιδόσεις της ΤΝ

Η μέχρι στιγμής εμπειρία αλλά και τα στοιχεία δείχνουν ότι τα συστήματα ΤΝ μπορούν να ανιχνεύσουν πολύ λεπτές ενδειξείς πρώιμου καρκίνου που συνήθως διαφεύγουν από το ανθρώπινο μάτι. Μάλιστα, σύμφωνα με το Εθνικό Ινστιτούτο Καρκίνου των ΗΠΑ, οι μαστογραφίες προσυμπτωματικού ελέγχου δεν εντοπίζουν περίπου το 20% των καρκίνων του μαστού. Οπότε απέναντι σε αυτό το διόλου ευκαταφρόνητο ποσοστό, κάθε βοήθεια φαντάζει κρίσιμη.

Και όπως δείχνουν διάφορες έρευνες, είναι σημαντική.

Σε μελέτη που δημοσιεύθηκε στο επιστημονικό περιοδικό The Lancet Oncology, οι ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για τον προσυμπτωματικό έλεγχο μαστογραφιών περισσότερων από 80.000 γυναικών στη Σουηδία. Οι μαστογραφίες των μισών γυναικών αξιολογήθηκαν αρχικά από σύστημα ΤΝ και στη συνέχεια από ακτινολόγο, ενώ εκείνες των υπόλοιπων γυναικών εξετάστηκαν από δύο ακτινολόγους. Η μελέτη έδειξε ότι στην ομάδα που υποβλήθηκε σε έλεγχο με τη βοήθεια της ΤΝ εντοπίστηκαν 20% περισσότεροι καρκίνοι σε σύγκριση με την ομάδα στην οποία ο έλεγχος έγινε αποκλειστικά από ακτινολόγους.

Μια άλλη μελέτη, που πραγματοποιήθηκε στη Γερμανία και τις ΗΠΑ και περιλάμβανε σχεδόν 1,2 εκατομμύρια μαστογραφίες, διαπίστωσε ότι ο συνδυασμός της αξιολόγησης από ακτινολόγο και συστήματος ΤΝ ήταν κατά 2,6% αποτελεσματικότερος στον εντοπισμό του καρκίνου του μαστού σε σύγκριση με την αξιολόγηση από ακτινολόγο χωρίς τη βοήθεια ΤΝ.

Τα αποτελέσματα δημοσιεύθηκαν τον Ιούλιο του 2022 στο επιστημονικό περιοδικό The Lancet Digital Health.

Το ΑΙ "βλέπει" έξι χρόνια μπροστά;

Ακόμα πιο ενθαρρυντικά είναι τα αποτελέσματα έρευνας που πραγματοποιήθηκε στη Σουηδία και βασίστηκε σε 88.963 μαστογραφίες από 31.394 γυναίκες, οι οποίες συγκεντρώθηκαν σε περίοδο δέκα ετών. Οι ερευνητές αξιολόγησαν τρία εμπορικά διαθέσιμα συστήματα υποβοηθούμενης ανίχνευσης με τεχνητή νοημοσύνη, γνωστά ως AI-CAD (artificial intelligence-based computer-assisted detection).

Τα συστήματα εφαρμόστηκαν σε μαστογραφίες που είχαν πραγματοποιηθεί από τον Ιανουάριο του 2008 έως τον Απρίλιο του 2019. Κατά την εξεταζόμενη περίοδο, 12.072 από τις συμμετέχουσες, δηλαδή το 38,5%, διαγνώστηκαν με καρκίνο από τους ακτινολόγους.

Στη Σουηδία, το εθνικό πρόγραμμα προσυμπτωματικού ελέγχου καλεί γυναίκες ηλικίας 40 έως 74 ετών να υποβάλλονται σε μαστογραφία ανά δύο χρόνια. Παραδοσιακά, κάθε μαστογραφία αξιολογείται από δύο ακτινολόγους.

Η ερευνητική ομάδα εξέτασε εάν τα συστήματα τεχνητής νοημοσύνης μπορούσαν να αναγνωρίσουν ενδείξεις σε παλαιότερες μαστογραφίες, ακόμη και έως δέκα χρόνια πριν από τη διάγνωση.

Ο Fredrik Strand, MD, PhD, από το Πανεπιστημιακό Νοσοκομείο Karolinska της Στοκχόλμης και ανώτερος συγγραφέας της μελέτης, ανέφερε ότι περίπου το 20% των περιπτώσεων καρκίνου του μαστού παρουσιάζει μαστογραφικά σημάδια που είναι ήδη αναγνωρίσιμα από την τεχνητή νοημοσύνη περίπου έξι χρόνια πριν από τη διάγνωση.

Ένα από τα βασικά ευρήματα της μελέτης αφορά τα ποσοστά αναγνώρισης ενδείξεων σε διαφορετικά χρονικά διαστήματα πριν από τη διάγνωση.

Με ειδικότητα 90%, τα συστήματα εντόπισαν αυξημένες ενδείξεις σε ποσοστά έως:

• 19,7% των γυναικών, έξι χρόνια πριν από τη διάγνωση.

• 25,2% των γυναικών, τέσσερα χρόνια πριν από τη διάγνωση.

• 39,3% των γυναικών, δύο χρόνια πριν από τη διάγνωση.

Ο όρος "ειδικότητα" περιγράφει την ικανότητα ενός συστήματος να αναγνωρίζει σωστά τα άτομα που δεν έχουν τη νόσο. Τα παραπάνω ποσοστά δείχνουν ότι τα συστήματα εντόπισαν σχετικές μαστογραφικές ενδείξεις σε ένα μέρος των γυναικών που διαγνώστηκαν αργότερα.

«Η μελέτη αυτή αποσκοπεί στο να εμπλουτίσει τον αυξανόμενο όγκο της επιστημονικής βιβλιογραφίας σχετικά με την εφαρμογή της τεχνητής νοημοσύνης στον προσυμπτωματικό έλεγχο για τον καρκίνο του μαστού και τον ρόλο που μπορεί να διαδραματίσει στην έγκαιρη ανίχνευσή του», δήλωσε ο δρ Strand. «Η διαχρονική ανάλυση των βαθμολογιών ΤΝ των ατόμων που υποβάλλονται σε προσυμπτωματικό έλεγχο θα μπορούσε να προσφέρει πληροφορίες σχετικά με το πώς εμφανίζονται οι πρώιμες ανιχνεύσιμες αλλοιώσεις, καθιστώντας ενδεχομένως δυνατή την έγκαιρη παρέμβαση»

Μείωση ψευδών ενδείξεων και των περιττών βιοψιών

Και ενώ το ένα ζήτημα που καλείται να λύσει η τεχνητή νοημοσυνή έχει να κάνει με την έγκαιρη κινητοποίηση γιατρού και ασθενούς, ένα άλλο ζήτημα που είναι επίσης κρίσιμο να αντιμετωπιστεί είναι η αποτροπή του στρες και των επεμβατικών εξετάσεων που ακολουθούν μετά από ένα απεικονιστικό εύρημα.

Μελέτη που εξέτασε περισσότερες από 91.000 μαστογραφίες στις ΗΠΑ και στο Ηνωμένο Βασίλειο διαπίστωσε ότι η χρήση τεχνητής νοημοσύνης μείωσε τα ψευδώς θετικά αποτελέσματα κατά σχεδόν 6% στις ΗΠΑ και κατά 1,2% στο Ηνωμένο Βασίλειο.

Τυχαιοποιημένη μελέτη που δημοσιεύθηκε το 2026 ανέφερε επίσης ότι ο έλεγχος με υποβοήθηση τεχνητής νοημοσύνης εντόπισε περισσότερους κλινικά σημαντικούς καρκίνους, χωρίς αύξηση των ψευδώς θετικών αποτελεσμάτων.

Η τεχνητή νοημοσύνη έχει εξεταστεί και ως εργαλείο αξιολόγησης ύποπτων αλλοιώσεων. Μελέτη του 2023 διερεύνησε το σύστημα iBRISK (intelligent-augmented breast cancer risk calculator), το οποίο εκτιμά εάν ιστός που έχει χαρακτηριστεί ύποπτος από γιατρούς είναι πιθανότερο να είναι καλοήθης ή καρκινικός.

Τα "τυφλά σημεία" του ΑΙ

Τα συστήματα τεχνητής νοημοσύνης είναι καλοί μαθητές, αλλά αυτό αποτελεί και στοιχείο της αδυναμίας τους καθώς προκύπτει ότι οι "δάσκαλοί" τους μπορεί να τούς καταδικάσουν στην παγίδα της μεροληψίας.

Η απόδοση ενός συστήματος εξαρτάται, μεταξύ άλλων, από τα δεδομένα με τα οποία έχει εκπαιδευτεί και από το κατά πόσο αυτά αντιπροσωπεύουν διαφορετικές πληθυσμιακές ομάδες.

Μελέτη του 2024 διαπίστωσε ότι ένα σύστημα τεχνητής νοημοσύνης ήταν πιθανότερο να χαρακτηρίσει εσφαλμένα ως ύποπτες τις μαστογραφίες μαύρων γυναικών και μεγαλύτερων σε ηλικία γυναικών. Οι μαύρες γυναίκες είχαν 50% μεγαλύτερη πιθανότητα ψευδώς θετικού αποτελέσματος σε σύγκριση με τις λευκές γυναίκες. Οι γυναίκες ηλικίας 71 έως 80 ετών είχαν 90% μεγαλύτερη πιθανότητα ψευδώς θετικού αποτελέσματος σε σχέση με τις γυναίκες ηλικίας 51 έως 60 ετών.

Μικρή μελέτη του 2023 έδειξε επίσης ότι λανθασμένες υποδείξεις από σύστημα υποστήριξης τεχνητής νοημοσύνης ενδέχεται να επηρεάσουν την ακρίβεια με την οποία ένας ακτινολόγος αξιολογεί μια μαστογραφία.

Για τον λόγο αυτό, απαιτούνται περαιτέρω έρευνες και κλινικές δοκιμές, ώστε να αξιολογηθεί η απόδοση των συστημάτων σε διαφορετικές ομάδες γυναικών και να διαπιστωθεί εάν μπορούν να μειώσουν με συνέπεια τα ψευδώς αρνητικά και τα ψευδώς θετικά αποτελέσματα.

Πώς δοκιμάζεται η τεχνολογία στην κλινική πράξη

Η χρήση τεχνητής νοημοσύνης για την αξιολόγηση μαστογραφιών εφαρμόζεται ήδη σε αρκετές χώρες με λιγότερο ή περισσότερο συντεταγμένο τρόπο.

Στο Ηνωμένο Βασίλειο, το ερευνητικό πρόγραμμα Leeds Investigation of Breast-screening AI (LIBRA) περιλαμβάνει σχεδόν 7.000 γυναίκες. Οι μαστογραφίες αξιολογούνται από ένα σύστημα τεχνητής νοημοσύνης και δύο ακτινολόγους. Όταν και οι τρεις αξιολογήσεις συμφωνούν, οι γυναίκες ενημερώνονται ότι δεν απαιτείται περαιτέρω διερεύνηση. Όταν υπάρχει διαφωνία, οι κλινικοί γιατροί αποφασίζουν εάν χρειάζονται πρόσθετες απεικονιστικές εξετάσεις.

Στόχος της μελέτης είναι να εξετάσει εάν η τεχνητή νοημοσύνη μπορεί να αυξήσει την ανίχνευση καρκίνων, να μειώσει τις περιττές επανακλήσεις για πρόσθετες εξετάσεις και να περιορίσει την πίεση στο διαθέσιμο ανθρώπινο δυναμικό.

Άλλες εφαρμογές που διερευνώνται περιλαμβάνουν την υποστήριξη αποφάσεων μετά τον εντοπισμό ορισμένων καλοήθων παθήσεων του μαστού που ενδέχεται να συνδέονται με αυξημένο κίνδυνο, την εκτίμηση της πιθανότητας παρουσίας καρκίνου σε περιπτώσεις ύποπτες για πορογενές καρκίνωμα in situ (DCIS), την αξιολόγηση της ανταπόκρισης στη χημειοθεραπεία πριν από τη χειρουργική επέμβαση και την εκτίμηση του κινδύνου μεταστατικής νόσου, ιδιαίτερα στους λεμφαδένες.

Πηγές: Radiology, breastcancer.org