Mammografia wspomagana modelami sztucznej inteligencji (AI) może ujawniać znacznie więcej niż tylko obecność nowotworu – wynika z badań, których rezultaty zostaną przedstawione podczas dorocznej sesji naukowej American College of Cardiology (ACC.25). Wnioski płynące z tej analizy wskazują, że powszechnie stosowane narzędzie przesiewowe do wykrywania raka piersi może również służyć ocenie ilości wapnia odkładającego się w tętnicach tkanki piersiowej, stanowiącego ważny marker zdrowia układu sercowo-naczyniowego.
Amerykańskie Centra Kontroli i Prewencji Chorób (CDC) zalecają kobietom w średnim i starszym wieku poddawanie się mammografii, czyli badaniu rentgenowskiemu piersi, w celu wczesnego wykrywania nowotworów raz na jeden lub dwa lata. W Stanach Zjednoczonych wykonuje się rocznie około 40 milionów mammografii. Chociaż zwapnienia w tętnicach piersiowych mogą być widoczne na zdjęciach mammograficznych, radiolodzy zazwyczaj nie określają ilościowo tych zmian ani nie raportują ich pacjentkom ani ich lekarzom. Nowe badanie, wykorzystujące techniki analizy obrazu AI, których wcześniej nie stosowano w mammografii, pokazuje, jak sztuczna inteligencja może pomóc wypełnić tę lukę, automatycznie analizując zwapnienia tętnic piersiowych i przekształcając wyniki w ocenę ryzyka sercowo-naczyniowego.
„Widzimy tu możliwość jednoczesnego przesiewowego badania kobiet pod kątem nowotworu oraz ryzyka chorób układu krążenia na podstawie wyników mammografii” – mówi dr Theo Dapamede z Emory University w Atlancie, główny autor badania. „Nasze wyniki pokazały, że zwapnienia tętnic piersiowych są dobrym predyktorem chorób sercowo-naczyniowych, szczególnie u kobiet przed 60. rokiem życia. Jeśli uda nam się wcześnie identyfikować te pacjentki, możemy kierować je do kardiologów na dalszą ocenę ryzyka.”
Choroby serca są główną przyczyną zgonów w Stanach Zjednoczonych, jednak wciąż są niedodiagnozowane wśród kobiet, a świadomość tego problemu pozostaje niewystarczająca. Zdaniem badaczy wykorzystanie narzędzi przesiewowych opartych na sztucznej inteligencji mogłoby zwiększyć wykrywalność wczesnych oznak chorób sercowo-naczyniowych, efektywniej wykorzystując rutynowe badania diagnostyczne, które wykonuje wiele kobiet.
Złogi wapnia w naczyniach krwionośnych są wskaźnikiem uszkodzenia układu sercowo-naczyniowego związanego z wczesną fazą choroby serca lub procesem starzenia. Wcześniejsze badania wskazywały, że kobiety z obecnością zwapnień tętniczych mają o 51% wyższe ryzyko chorób serca i udaru mózgu.
Aby stworzyć opisywane narzędzie przesiewowe, badacze wytrenowali model głębokiego uczenia AI do segmentacji zwapniałych naczyń krwionośnych na zdjęciach mammograficznych – zmiany te widoczne są jako jasne punkty na zdjęciach rentgenowskich. Na podstawie danych z elektronicznej dokumentacji medycznej model obliczał następnie ryzyko przyszłych zdarzeń sercowo-naczyniowych. Podejście oparte na segmentacji naczyń odróżnia ten model od wcześniejszych algorytmów wykorzystywanych do analizy zwapnień tętnic piersiowych. Atutem modelu było także użycie obszernej bazy danych treningowych i testowych, obejmującej zdjęcia i dokumentację zdrowotną ponad 56 tysięcy pacjentek, które w latach 2013–2020 miały wykonane mammografie w Emory Healthcare oraz dysponowały co najmniej pięcioletnim okresem obserwacji w elektronicznej dokumentacji medycznej.
„Postępy w dziedzinie głębokiego uczenia oraz sztucznej inteligencji umożliwiają dziś efektywne pozyskiwanie i analizowanie większej ilości informacji z badań obrazowych dla celów przesiewowych” – wyjaśnia Dapamede.
Ogólne wyniki badania wykazały wysoką skuteczność nowego modelu w klasyfikowaniu pacjentek do grup ryzyka sercowo-naczyniowego (niska, umiarkowana lub wysoka) na podstawie obrazów mammograficznych. Po obliczeniu ryzyka zgonu z dowolnej przyczyny lub wystąpienia ostrego zawału serca, udaru mózgu czy niewydolności serca w perspektywie dwóch i pięciu lat stwierdzono, że częstość tych poważnych zdarzeń rosła wraz ze stopniem zwapnień tętnic piersiowych w dwóch z trzech analizowanych kategorii wiekowych – u kobiet poniżej 60. roku życia oraz w wieku 60–80 lat, ale nie u kobiet powyżej 80. roku życia. Model ten jest zatem szczególnie użyteczny w identyfikacji ryzyka sercowo-naczyniowego u młodszych kobiet, które mogą odnieść większą korzyść z wczesnej interwencji medycznej.
Analiza wykazała również, że kobiety z najwyższym poziomem zwapnień tętnic piersiowych (powyżej 40 mm²) miały istotnie niższą pięcioletnią przeżywalność bez incydentów niż kobiety z najniższym poziomem (poniżej 10 mm²). Przykładowo, pięcioletnia przeżywalność w grupie z najwyższymi zwapnieniami wynosiła 86,4%, podczas gdy w grupie z najniższymi zwapnieniami – 95,3%. Oznacza to około 2,8-krotnie większe ryzyko zgonu w ciągu pięciu lat u pacjentek z nasilonymi zwapnieniami.
Model AI został opracowany we współpracy między Emory Healthcare a Mayo Clinic, jednak nie jest obecnie dostępny w praktyce klinicznej. Jeśli przejdzie pomyślnie zewnętrzną walidację i uzyska aprobatę amerykańskiej Agencji ds. Żywności i Leków (FDA), może być w przyszłości udostępniony innym systemom opieki zdrowotnej.
Źródło: American College of Cardiology
