Die Ergebnisse einer kürzlich im *Journal of Breast Imaging* veröffentlichten UCLA-Studie belegen, dass die etablierte Brust-KI von Transpara die Krebserkennung verbessern kann, indem sie falsch-negative Fälle reduziert, wenn sie auf eine heterogene, reale US-Screening-Population angewendet wird. In der Studie mit dem Titel "External Validation of a Commercial Artificial Intelligence Algorithm on a Diverse Population for Detection of False Negative Breast Cancers" wurde gezeigt, dass Transpara fast 50 Prozent der falsch-negativen Brustkrebsfälle korrekt identifizierte, wobei die meisten dieser Fälle bei Frauen mit hoher Brustdichte auftraten.
Die von Transpara entdeckten falsch-negativen Krebsfälle waren alle invasiv und überwiegend (82 %) vom Subtyp Luminal A. Dieser Subtyp ist der häufigste Brustkrebs-Typ und macht 50-60 % aller Brustkrebsdiagnosen aus. In der Kohorte der digitalen Brusttomosynthese (DBT) wurden alle Intervallkarzinome in Brüsten mit hoher Dichte identifiziert. Da dichtes Brustgewebe sowohl mit einer geringeren Bildqualität bei der Mammographie als auch mit einem erhöhten individuellen Risiko verbunden ist, könnte die Fähigkeit von Transpara, diese Intervallkrebserkrankungen früher zu erkennen, zu verbesserten Gesundheitsergebnissen führen.
Das Ziel der Studie war es, die Fähigkeit der KI zu beurteilen, falsch-negative Krebserkrankungen zu identifizieren, die bei der alleinigen Untersuchung durch den Radiologen zum Zeitpunkt des Screenings übersehen wurden. Laut dem Breast Cancer Screening Consortium liegt die Falsch-Negativ-Quote in den Vereinigten Staaten bei 0,8 pro 1.000 Untersuchungen.
"Auch wenn die Falsch-Negativ-Quote beim Brustkrebs-Screening niedrig ausfällt, ist die Minimierung der Falsch-Negativ-Quote entscheidend, um den größten Nutzen des Screenings zu erzielen", so Alejandro Rodriguez Ruiz, PhD, VP für Innovation und Clinical Strategy bei ScreenPoint. "Diese Ergebnisse sind besonders aussagekräftig, da in der Studie keine mit Krebs angereicherten Datensätze verwendet wurden. Wie bei der MASAI-Studie wurden in dieser Studie tatsächliche Screening-Populationen verwendet, was die Übertragbarkeit der Ergebnisse auf den realen klinischen Einsatz erleichtert.
Mit mehr als 35 begutachteten Studien ist Transpara der einzige KI-Algorithmus, der in großen, realen Screening-Populationen mehrfach evaluiert wurde, darunter Programme wie das UCLA-Programm, das niederländische Brustkrebs-Screening, das britische Brustkrebs-Screening, die Hauptstadtregion Dänemarks, die Universität Lund, das norwegische Krebsregister und das Krankenhaus Reina Sofia in Cordoba. Transpara unterstützt Radiologen bei der Auswertung von Mammographien (sowohl DBT als auch FFDM), indem es als "zweites Paar Augen" fungiert, um Krebserkrankungen früher zu erkennen und die Wiederrufquoten zu senken. Die Studie zeigt, dass mit Transpara bis zu 45 % der Intervallkarzinome früher erkannt werden können, während gleichzeitig die Arbeitsbelastung verringert und der Arbeitsablauf optimiert wird.
APA
