Localizzazione dei marcatori di rischio AI e caratteristiche mammografiche associate negli screening mammografici ottenuti anni prima della diagnosi di cancro al seno

Questo studio retrospettivo rappresenta un'indagine significativa sulla capacità predittiva dell'intelligenza artificiale nella diagnosi precoce del cancro al seno, affrontando una questione clinica rilevante: se i modelli AI possono identificare segni precoci di malignità molto prima della loro apparizione radiologica evidente. Il disegno sperimentale è robusto, basato su un ampio database di 130.031 esami di screening dal 2008 al 2018, garantendo una base di dati representative dalla pratica clinica reale in Norvegia. Lo studio ha selezionato un sottocampione di donne con cancro rilevato alla screening e due precedenti screening consecutivi assegnati nel 10% più alto di punteggi di rischio secondo i modelli AI, generando 61 serie di tre esami mammografici consecutivi analizzati da due radiologi esperti. I principali risultati numerici mostrano che il modello A ha assegnato alti punteggi di rischio in 43 casi ad entrambi gli screening precedenti, il modello B in 47 casi, con 29 casi comuni a entrambi i modelli. Crucialmente, l'AI ha localizzato i marcatori di rischio corrispondenti alla localizzazione del cancro nel 61% dei casi 4 anni prima della diagnosi (modello A) e nel 57% (modello B), percentuali che rimangono rilevanti nonostante il lungo periodo temporale. Tuttavia, i radiologi hanno classificato l'89% di questi esami come veri negativi o con segni minimi non specifici, rivelando una notevole discrepanza tra il riconoscimento AI e la valutazione radiologica umana. Questo fenomeno è particolarmente interessante nel contesto della letteratura attuale sul machine learning in radiologia, dove la capacità dell'AI di identificare pattern sottili precoci rappresenta una frontiera ancora in evoluzione. Lo studio documenta l'evoluzione dinamica delle caratteristiche mammografiche, con masse spiculate (28%) e densità con calcificazioni (20%) che emergono al momento della diagnosi ma erano assenti nei due anni precedenti, suggerendo che l'AI possa rilevare alterazioni tessutali precliniche prima che si manifestino come anomalie morfologiche visibili. Questo solleva importanti questioni sulla sensibilità e sulla specificità diagnostica dei diversi approcci e sulla possibile implementazione clinica dell'AI per una rilevazione più precoce.