Mākslīgā intelekta diagnostiskās precizitātes izvērtēšana mamogrāfijas izmeklējumā

Abstract

Pētījuma aktualitāte. Krūts audzējs ir visbiežāk diagnosticētais ļaundabīgais audzējs sievietēm Latvijā. MG tiek izmantota kā primārā krūts audzēja skrīninga un diagnostikas metode. ’’Lunit’’ ir MI programma, kas analizē MG attēlus, lai aprēķinātu malignitātes procentuālo vērtību. Svarīgi ir izvērtēt MI precizitāti MG izmeklējumos, lai saprastu, cik efektīva ir tā izmantošana krūts audzēja skrīningā. Darba mērķis. Retrospektīvi izvērtēt un salīdzināt MI aprēķināto malignitātes vērtību ar radioloģisko un histoloģisko atradi pēc krūšu biopsijas. Metodes un materiāli. Tika analizēti krūšu US apraksti AIRIS, tika atlasīti tie pacienti, kuriem MG izmeklējums tika veikts, izmantojot MI funkciju (Lunit). Pētījumā tika iekļautas visas pacientes, kurām tika izmantota MI funkcija. Atsevišķi tika analizētas pacientes, kurām MI programma norādīja par malignitātes iespējamību, gan tās kurām nenorādīja. Tika pārskatīti MI programmas analizētie MG attēli sistēmā ’’DataMed’’, un izmantojot ’’Ārsta birojs’’ datu bāzi, tika apkopota informācija par radioloģisko diagnozi pēc ’’BI-RADS’’ sistēmas, kā arī tika analizēta saistība starp radioloģiskajām atradēm . No šīs pacientu grupas tika atlasīti pacienti, kuriem veica krūts biopsiju. Informācija par biopsijas histoloģisko atradi iegūta, izmantojot ’’Ārsta birojs’’ datu bāzi. Rezultāti. No 2023. gada 1. janvāra līdz 31. oktobrim tika analizēti 11 000 krūšu US apraksti radioloģijas informācijas sistēmā ‘’AIRIS’’, tika atlasītas 180 sievietes vecumā no 25 līdz 91 gadam, kuras bija iepriekš veikušas MG izmeklējumu, izmantojot MI funkciju. 148 (82,2%) pacientēm MI funkcija norādīja par iespējamu malignitāti un 32 (18%) pacientēm MI programma nenorādīja par malignitātes iespējamību. Pētījumā tika iekļautas 160 pacientes, no kurām 94 (59%) pacientēm tika veikta krūts biopsija, un no tām 77 (82%) histoloģiski diagnosticēja malignitāti. Pacientēm, kurām krūts biopsija netika veikta vai biopsijā malignitāte netika atrasta, 74 (89,2%) gadījumos MI aprēķināja malignitātes iespējamību. Pacientēm, kurām tika veikta krūts biopsija un tā bija pozitīva, MI neuzrādīja procentuālo malignitātes vērtību tikai 2 (2,6%) gadījumos. Tā jutība ir 97,4% un specifiskums ir 10,8%. Tika konstatēta cieša korelācija starp audzēja izmēru un MI aprēķināto malignitātes vērtību (p<0,001). Krūšu blīvums nav saistīts ar MI diagnostisko precizitāti (p=0,764), bet radioloģiskā atrade - masa un kalcināti, ievērojami ietekmē MI diagnostisko precizitāti (p<0,001). Secinājumi. Pētījums norāda uz MI augsto jutību (97,4%), bet zemo specifiskumu (10,8%), norādot par viltus pozitīvo rezultātu biežumu. Turklāt radioloģiskās atrades, piemēram, masa, ievērojami ietekmē MI diagnostisko precizitāti. Tāpat audzēja izmērs cieši korelē ar MI aprēķināto malignitātes vērtību, bet krūšu blīvums MI diagnostisko precizitāti neietekmē.

Background. Breast cancer is the most frequently diagnosed malignancy among women in Latvia. MG is used as the primary screening and diagnostic method for breast cancer. ’’Lunit’’ AI application analyzes MG images and calculate probability of malignancy. Evaluating AI accuracy in MG is crucial for effective breast cancer screening. Aim. Retrospectively evaluate and compare the probability of malignancy determined by AI with radiological and histological findings after breast biopsy. Methods. Breast US descriptions from the AIRIS were analyzed. From this dataset, patients who underwent MG examinations using the AI application (Lunit) were selected. Patients were analyzed separately based on whether AI indicated a probability of malignancy or not. MG images analyzed by the AI application in the DataMed system were assessed, and radiological diagnoses based on BI-RADS criteria was obtained from’’Ārsta birojs’’database. Subsequently, patients who underwent breast biopsy were selected, and histological findings from these biopsies were obtained from the same database. Results. From January 1st to October 31st, 2023, were analyzed 11 000 breast US in’’AIRIS’’. A total of 180 women aged 25 to 91 years, who had previously undergone MG examination using AI application, were selected from this dataset. Among these, AI indicated a probability of malignancy in 148 (82,2%) patients, while in 32 (18%) patients, AI application did not indicate a probability of malignancy. Out of the 160 patients included in the study, 94 (59%) underwent biopsy, and malignancy was histologically diagnosed in 77 (82%) cases. In 74 (89,2%) cases where no biopsy was performed or malignancy was not detected, AI indicated a probability of malignancy. Among patients with positive biopsy results, AI did not indicate malignancy in 2 (2,6%) cases. AI sensitivity is 97,4% and specificity 10,8%. A significant correlation was observed between tumor size and AI derived probability of malignancy (p<0,001). While breast density did not affect AI diagnostic accuracy (p=0,764), radiological findings such as mass and calcifications had a significant impact on AI diagnostic accuracy (<0,001). Conclusion. The study demonstrated that AI assisted MG achieved high sensitivity (97,4%) in detecting malignancies, although with low specificity (10,8%), resulting in a notable rate of false positives. Additionally, radiological findings such as mass significantly influenced AI diagnostic accuracy. While tumor size significantly correlated with AI derived probability of malignancy, breast density did not affect AI diagnostic accuracy.