Met de inzet van AI kan de kwaliteit van borstkankerscreening significant verbeterd worden, zo blijkt uit onderzoek. Door de verbetering van risicovoorspellingen van borstkanker kan er ook beter worden gewerkt aan de preventie ervan. Door verbeterde technieken met AI is op mammografieën beter zichtbaar wat de mammografische dichtheid, ook bekend als borstweefseldichtheid, is. Dit is van belang bij het screenen op borstkanker.
Borstweefsel dat op een mammogram wit lijkt, is radiologisch dicht, terwijl borstweefsel dat er donker uitziet als niet-dicht wordt beschouwd. Over het algemeen kan worden gesteld dat vrouwen die voor hun leeftijd en body-mass index die een hogere mammografische dichtheid hebben ook een groter risico op borstkanker hebben. Daar komt bij dat in het geval van een hogere dichtheid het moeilijker is om borstkanker op te sporen via een mammografie. Het onderzoek is onlangs gepubliceerd in het tijdschrift Trends in Cancer.
Leidend voor verder onderzoek
Mammografische dichtheid is in sommige gevallen leidend voor het gebruik van aanvullende beeldvormingstechnologieën. Voorbeelden hiervan zijn echografie en magnetische resonantiebeeldvorming (MRI) die zorgen voor verhoogde kankerdetectiepercentages in klinische onderzoeken bij vrouwen met extreem dichte borsten. Om een toekomstige diagnose van borstkanker te voorspellen, wordt al technologie zoals deep learning gebruikt bij het analyseren van mammografische beelden.
Een groot voordeel hiervan is dat AI mammografische kenmerken aan het licht kan brengen die sterke voorspellers van het risico op borstkanker zijn. Daardoor kan ook het verband tussen mammografische dichtheid en het risico op borstkanker beter worden verklaard. Maar wetenschappers en onderzoekers blijven worstelen met het zoeken naar een goede verklaring bij het verband tussen beide, de mammografische dichtheid en het risico op borstkanker. "Een vrouw met mammografische kenmerken die gepaard gaan met een hoog risico op de detectie van borstkanker, kan baat hebben bij frequentere screening of risico verlagende medicatie", zegt hoofdonderzoeker en auteur, Erik Thompson, van de Queensland University of Technology in Brisbane, Australië.
Aanvullende beeldvorming
Daarbij zegt hij ook dat een vrouw met een lage kans op diagnose van borstkanker in de komende vijf jaar een langer interval tussen de screenings kan krijgen. Bovendien zou een vrouw met een hoge mammografische dichtheid zonder mammografische kenmerken met een hoog risico baat kunnen hebben bij aanvullende beeldvorming, zoals MRI of echografie.
Toch blijft het volgens het onderzoek niet altijd duidelijk wanneer AI mammografieën wel of niet als kanker identificeert. "Het is van cruciaal belang dat we de pathobiologie identificeren die verband houdt met de mammografische kenmerken en de onderliggende mechanismen die deze in verband brengen met de genetische, erfelijke aanleg van borstkanker", zegt Thompson.
Borstkankerscreening verbeteren
Feit is dat een hoge borstweefseldichtheid in verband gebracht wordt met een verhoogde kans op het ontwikkelen van borstkanker. Daarbij komt, zoals reeds gemeld, dat het screenen op borstkanker bemoeilijkt wordt door de dichtheid van het borstweefsel. Er zijn verschillende benaderingen die onderzocht worden over hoe die screening verbeterd kan worden. Zo ontwikkelden onderzoekers van de Universiteit van Oost-Finland een nieuw op kunstmatige intelligentie gebaseerd algoritme, MV-DEFEAT, om de beoordeling van de mammografische dichtheid te verbeteren.
Onderzoekers van de Universiteit van Edinburgh hebben onlangs nog een AI-algoritme ontwikkeld waarmee het mogelijk is om borstkanker in een nog vroeger stadium te ontdekken. Met het ontwikkelde AI-algoritme in combinatie met de niet-invasieve laseranalysetechniek, Raman spectroscopie, kunnen subtiele veranderingen in de bloedbaan worden herkend.
