Skal utvikle kunstig intelligens for å effektivisere og øke kvaliteten på brystkreftscreeningen

Mammografiprogrammet mottok i 2020 over 10 millioner kroner i forskningsmidler for ulike prosjekter innen kunstig intelligens og maskinlæring. Det skal hjelpe radiologene å bli enda mer presise og effektive i å avdekke brystkreft. Målet er å utvikle en metode som kan brukes til å tyde screeningbildenemammogrammer, hvor automatisk bildeanalyse kombineres med radiologisk ekspertise.

Hofvind forteller at de siste årenes fremskritt innen kunstig intelligens og maskinlæring gjør det mulig å forbedre og effektivisere dagens screeningprogrammer for brystkreft, for eksempel ved å integrere maskinlæring i prosessen med å tolkescreeningbilder.

Røntgenlegene bruker mye tid på å tyde normalbildene

Alle norske kvinner mellom 50 og 69 år inviteres annet hvert år til mammografiscreening. I 2021 er det om lag 630 000 kvinner som tilbys screening. Brystkreft er den kreftformen som rammer flest kvinner. I 2020 fikk 3726 kvinner i Norge brystkreft.

En standard screeningundersøkelse i Mammografiprogrammet består av bilder fra to vinkler av hvert bryst. Tyding av bildene utføres uavhengig av to røntgenleger som har spesialutdanning innen brystradiologi. Hver røntgenlege gir en score fra 1 til 5, som indikerer mistanke om malignitet. 1 betyr negativt, 2 sannsynlig negativ, 3 usikker, 4 sannsynlig malign og 5 høy sannsynlighet for malignitet.

Alle tilfeller hvor en eller begge røntgenlegene har gitt en tydescore 2 eller høyere på ett eller begge bryst, blir diskutert på et konsensusmøte hvor det blir besluttet om kvinnen skal kalles inn for tilleggsundersøkelser eller ikke. Om lag syv prosent av screeningundersøkelsene diskuteres på et slikt konsensusmøte, og om lag halvparten av disse resulterer i en innkalling til etterundersøkelse.

Dette betyr at røntgenlegene som jobber i Mammografiprogrammet bruker betydelig tid på å tyde screeningbilder fra kvinner med normale screeningmammogrammer. Det vil si der det ikke vises tegn til brystkreft.

Med nye fremskritt innen maskinlæring er det et potensiale for å forbedre dagens screeningprogram for brystkreft blant annet ved at røntgenlegene kan bruke mer tid på kvinnene som blir innkalt til tilleggsundersøkelse og de som har kliniske symptomer på brystkreft, forteller Hofvind.

-Mammografiprogrammet har som mål å redusere dødeligheten av brystkreft blant kvinnene som inviteres, og oppdage sykdom i et tidlig stadium, der sjansene for mer skånsom behandling og å kunne beholde brystet, er større, sier hun.

Data som er godt egnet for maskinlæring

Det pågår og planlegges flere store prosjekter i mammografiseksjonen, i nært samarbeid med nasjonale og internasjonale kompetansemiljøer innen maskinlæring.

-Det overordnede målet for aktiviteten er å utforske potensialet for maskinlæring i Mammografiprogrammet, og få økt kunnskap om fordeler og ulemper ved eventuell implementering i screeningen, slik at vi på sikt kan tilby målgruppen et forbedret screeningprogram, understreker Hofvind.

-Men det er fortsatt svært mye vi ikke vet om dette feltet, og behovet for kunnskap er stort både i Norge og internasjonalt. Samtidig har det norske Mammografiprogrammet en stor og solid mengde data som er godt egnet for ulike maskinlæringsprosjekter, sier hun.

Skal effektivisere og øke kvaliteten

Maskinlæring i Mammografiprogrammet, også kalt MIM-studien, er en pågående studie i samarbeid med Norsk Regnesentral og Universitetet i Tromsø.

Forskningsprosjektet har som målsetting å effektivisere og øke kvaliteten på Mammografiprogrammet ved å kombinere automatisk bildeanalyse med radiologisk ekspertise.

Prosjektets hovedmålsetting er å utvikle en metode som kan brukes til å tyde screeningbildene, hvor automatisk bildeanalyse kombineres med radiologisk ekspertise.

For å utvikle metoden, kreves store mengder bildedata fra screeningundersøkelser, sammen med informasjon om radiologiske vurderinger, samt eventuelle positive og negative funn i og utenfor screeningprogrammet.

De åtte brystsentrene som er med i prosjektet, har utført over 650 000 digitale screeningundersøkelser i programmet, noe som utgjør mer enn 2,5 millioner mammogrammer.

Bildedataene er lagret lokalt på brystsentrene, og screeningopplysningene er registrert i Kreftregisterets databaser.

Disse dataene vil bli koplet sammen til et unikt datasett som kan lære algoritmen å identifisere negative mammogrammer.

TIM-prosjektet

TIM står for «Transpara i Mammografiprogrammet» og er et maskinlæringssystem

for tyding av mammogrammer som er utviklet av ScreenPoint Medical i Nederland.

Målsettingen er å teste systemet og sammenligne resultatene som den kunstige intelligensen oppnår med tydescoren til radiologene. Slik ønsker de å finne ut om den kunstig intelligensen er i stand til å oppdager kreft like godt som radiologene, og eventuelt intervallkreft, det vil si krefttilfeller som dukker opp mellom undersøkelsene i et screeningprogram.

-Langsiktig planlegger vi å utvide dette prosjektet til å også teste andre hyllevarer av maskinlæringssystemer. Vi har godkjenning fra REK (Regionale komiteer for medisinsk

og helsefaglig forskningsetikk, red.anm) til å kjøre dataprogrammet Transpara på blant annet datasettet fra studien, sier Hofvind.

-Foreløpig er vi i gang med retrospektive studier. Basert på resultatene ønsker vi å teste systemene prospektivt.

Publiserte studier, blant annet i Sverige, viser at Transpara finner en del intervallkreft. Slike svulster har vært ansett som mer aggressive enn andre svulster.

Testing av andre hyllevarer av maskinlæringssystemer er viktig å gjøre parallelt med at Norsk Regnesentral utvikler en egen algoritme, for å finne ut om algoritmen som utvikles er best på norske data.

Det langsiktige målet er å gjøre screeningprogrammet mer effektivt, og tilby kvinner som deltar et bedret tilbud ved å integrere maskinlæring i tydeprosessen.

-Dersom vi viser at maskinlæring kan bidra til å gi mer presis diagnose, kan det gjøre at kvinnene kommer raskere til behandling. Behandlingen vil da kunne baseres på informasjon ikke bare fra radiologene, men også fra maskinen, forteller Hovfind.

Maskinlæringssystemet skal først testes gjennom en retrospektiv kohortstudie, som vil sammenligne ytelsen til dette maskinlæringssystemet med enkelttyding utført av radiologer i Mammografiprogrammet.

Studien består av fem delstudier, som benytter data fra ulike brystsentre i Norge. Videre planlegges det en oppfølgende randomisert, kontrollert studie.

-Innsamlede midler fra Rosa sløyfe-aksjonen gjør det mulig å gjennomføre store og viktige forskningsprosjekter innen mammografiscreening og brystkreft, sier Hofvind entusiastisk.

BADDI-prosjektet

I BADDI-prosjektet vil vi etablere kunnskap om bruk av kunstig intelligens for å oppdage brystkreft på screening med standard mammografi og med tomosyntese, forteller Hofvind.

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

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.

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 i tillegg 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, forteller Hofvind.