BADDI: Kunstig intelligens i screening med standard mammografi og tomosyntese

I BADDI-prosjektet vil vi etablere kunnskap om bruk av kunstig intelligens for å oppdage brystkreft på screening med standard mammografi og med tomosyntese.
Sist oppdatert: 22.04.2021

Bakgrunn

BADDI står for Breast cancer, Artificial Intelligence, Digital breast-tomosynthesis, Digital mammography and Interval cancer.

Kunstig intelligens og maskinlæring har vist lovende resultater på flere områder innen mammografiscreening. Det er likevel fortsatt mye som er ukjent om fordeler og ulemper ved slik bruk, og det finnes få studier om maskinlæring i screening, og spesielt med bruk av tomosyntese. Tomosyntese er en 3D-lignende og mer avansert form for mammografi enn standard digital mammografi. To-Be studiene - Tomosyntesestudiene i Bergen - har undersøkt om tomosyntese er en egnet screeningteknikk i Mammografiprogrammet. BADDI-prosjektet er basert på data fra disse studiene.

Intervallkreft er brystkreft oppdaget mellom to screeningundersøkelser, og er en uunngåelig del av ethvert screeningprogram. I radiologiske regranskingsstudier fra blant annet Mammografiprogrammet har radiologene vurdert de diagnostiske bildene sammen med screeningmammogrammene som ble tatt før kvinnene fikk sin intervallkreft. Om lag 1 av 4 intervallkrefttilfeller var identifiserbare på foregående screeningmammogrammer når røntgenlegene satt med "fasiten" og visste hvor de skulle lete etter svulsten. Disse brystkrefttilfellene ble klassifisert om «oversette», mens de resterende ble klassifisert som «sanne». I screeningprogrammer er det ønskelig å holde andel intervallkrefttilfeller lavt, og det vil være interessant å undersøke om maskinlæringssystemer kan oppdage de bryskreftsvulstene som er ekstra vanskelige å se for røntgenlegene, både de "oversette" og "sanne" intervallkrefttilfellene.

Hensikt

Hensikten med BADDI-prosjektet er å få økt kunnskap om evnen maskinlæring har til å oppdage brystkreft på screening med tomosyntese og standard digital mammografi, og undersøke om maskinlæringssystemer kan være like gode eller bedre til å påvise brystkreft enn røntgenlegene.

Prosjektet vil bidra til økt kunnskap om hvilke type svulster maskinlæringssystemer kan oppdage - er det de samme svulstene som røntgenlegene finner, eller kan de også påvise brystkreft som det menneskelige øyet ikke oppfatter? Prosjektet vil også gi kunnskap om hvorvidt maskinlæringssystemer kan oppdage flere brystkrefttilfeller uten å samtidig øke andelen falske positive screeningundersøkelser, og uten å finne flere små, saktevoksende brystkreftsvulster som kan øke risikoen for overdiagnostikk og overbehandling av kvinnene.

Datagrunnlag

Prosjektet vil bruke opplysninger fra screeningundersøkelser som allerede er gjennomført i To-Be-studiene som pågikk i Mammografiprogrammet i perioden 2016-2019. Vi vil benytte informasjon fra mammografi- og tomosyntesebildene (bildedata), røntgenlegenes tydinger og resultater fra screeningundersøkelsene (screeningopplysninger), i tråd med kreftregisterforskriften.

I To-Be studiene ble det oppdaget i underkant av 500 brystkrefttilfeller (screeningoppdaget og intervallkreft). Disse tilfellene, tillegg til tilfeldig valgte undersøkelser fra kvinner som hadde et negativt screeningresultat, danner grunnlaget for studiepopulasjonen i BADDI.

BADDI er en registerbasert studie, der kvinnene ikke vil bli kontaktet på nytt angående prosjektet. Det vil være umulig å gjenkjenne enkeltpersoner i resultater som publiseres.

Gjennomføring og status

I forkant av BADDI vil det bli utført en radiologisk regransking av mammogrammene til kvinner med screeningoppdagede brystkreft og intervallkreft i To-Be-studiene. Tilfellene vil bli klassifisert som «oversette» og «sanne».

Studie 1: Maskinlæring versus røntgenleger – bruk av maskinlæring til å tyde mammogrammer fra kvinner med brystkreft.

Målet er å la et maskinlæringssystem tyde screeningmammogrammer fra To-Be 1 og To-Be 2 for å undersøke sensitiviteten og spesifisiteten til systemet. Vi ønsker å utforske om 1) maskinlæringssystemet finner de samme screeningoppdagede brystkrefttilfellene som røntgenlegene, og 2) om maskinlæringssystemet klarer å oppdage intervallkrefttilfellene fra To-Be 1, og de screeningoppdagede brystkrefttilfellene fra To-Be 2 på undersøkelsen utført i To-Be 1. Resultatene vil bli sammenlignet for tomosyntese og digital mammografi.

Status: Per april 2021 arbeides det med å trekke ut bildedata tilhørende kvinner som ble screenet med digital mammografi. Etter dette vil mammogrammene analyseres ved hjelp av maskinlæringssystemet.. Maskinlæringssystemet kan per nå ikke analysere tomosyntese-bilder, men dette venter vi å få til i løpet av 2021.  

Studie 2: Bruk av maskinlæring for å undersøke om antall "oversette" brystkrefttilfeller kan reduseres.

Målet er å undersøke sensitiviteten maskinlæringssystemet har til å oppdage "oversette" og "sanne" tilfeller av intervall- og screeningoppdaget brystkreft. Vi ønsker å utforske om maskinlæringssystemet, ved å tyde screeningbildene forut for diagnose av intervallkreft i To-Be 1 og screeningoppdaget brystkreft i To-Be 2, klarer å oppdage brystkreft som har blitt klassifisert som "oversett" eller "sann" i vår radiologiske regransking. Resultatene vil bli sammenlignet for tomosyntese og digital mammografi.

Status: Per april 2021 er den radiologiske regranskingen planlagt, og vil utføres så snart smittesituasjonen tillater det. Deretter kan resultatet fra regranskingen sammenlignes med resultatet fra maskinlæringssystemets tyding av mammogrammene.

Organisering

BADDI er et samarbeidsprosjekt mellom Kreftregisteret, brystsenteret ved Haukeland universitetssjukehus og Mohn Medical Imaging and Visualization Centre ved Haukeland universitetssjukehus (MMIV). Kreftregisteret har dataansvaret, og er forskningsansvarlig institusjon. Vi er ansvarlige for å innhente nødvendige godkjenninger, testing av maskinlæringssystemet og å trekke ut informasjon om kvinnene i studiepopulasjonen og overføre dette til MMIV. Kreftregisteret vil også være ansvarlige for å utføre analyser, og tolke og publisere resultatene.

MMIV ved Haukeland universitetssjukehus har ansvar for å trekke ut, pseudonymisere og analysere bildedata ved hjelp av maskinlæringssystemet. De vil også bidra i tolkning og publisering av resultater.

ScreenPoint Medical B.V. har utviklet maskinlæringssystemet som skal brukes i denne studien, Transpara™. Systemet er FDA-godkjent. ScreenPoint Medical er ansvarlig for tilgang, installasjon, kalibrering og opplæring i bruk av systemet, men har ingen beslutningsmyndighet i utføringen av studien.