Đánh giá vai trò hỗ trợ của AI trong sàng lọc và chẩn đoán ung thư vú trên X quang tuyến vú

Chỉ số đề mục

76

Lĩnh vực nghiên cứu

Kỹ thuật nhiệt trong luyện kim

Dạng tài liệu

BB

Tác giả

Đoàn Tiến Lưu⁽¹⁾, Lê Duy Chung

Nhan đề

Đánh giá vai trò hỗ trợ của AI trong sàng lọc và chẩn đoán ung thư vú trên X quang tuyến vú

Nhan đề tiếng anh

The role of AI-assistance in screening and diagnosing breast cancer on mammography

Nguồn trích

Tạp chí Y học Việt Nam (Tổng hội Y học Việt Nam)

Năm xuất bản

2025

Số

1

Trang

345-349

ISSN

1859-1868

Từ khóa

Ung thư vú, Trí tuệ nhân tạo, X quang tuyến vú, Chẩn đoán, Sàng lọc

Từ khóa tiếng anh

Breast cancer, Artificial intelligence, Mammography, Screening, Diagnosis, Treatment

Tóm tắt

Đánh giá vai trò của AI với sàng lọc và chẩn đoán ung thư vú bằng X Quang tuyến vú. Nghiên cứu sử dụng thang điểm BIRADS, so sánh Bác sĩ đọc X Quang tuyến vú có AI và không có AI hỗ trợ. Phương pháp: nghiên cứu mô tả tiến cứu 1151 phụ nữ được chụp X Quang tuyến vú. Phim X Quang tuyến vú được đọc lần đầu bởi Bác sĩ chẩn đoán hình ảnh mà không có AI trợ giúp. Phần mềm AI phân tích hình ảnh X Quang tuyến vú và phân loại nguy cơ theo thang điểm từ 1 đến 100. Phim X Quang tuyến vú được đọc lại lần 2 bởi 1 Bác sĩ khác có AI trợ giúp và độc lập với kết quả ban đầu. Kết quả: độ nhạy của người đọc thứ 2 và người đọc thứ nhất được so sánh bằng đường cong ROC sử dụng thang điểm BIRADS. Khi lấy người đọc đầu làm tham chiếu thì người đọc thứ 2 có giá trị AUC là 75,9% (95% CI 71,6 – 80,1%) và độ nhạy là 61,8%. Khi lấy người đọc lần 2 làm tham chiếu thì người đọc thứ 1 có giá trị AUC là 73,4% (95% CI 69,2 – 77,6%) và độ nhạy là 56,9%. Khi so sánh ở nhóm có giải phẫu bệnh người đọc thứ 2 và người đọc thứ nhất có giá trị AUC lần lượt là 83,6% và 79,9%. Điều này cho thấy độ nhạy chẩn đoán ung thư vú được nâng cao với sự hỗ trợ của AI. Kết luận: khi kết hợp hỗ trợ AI vào đánh giá hình ảnh X Quang tuyến vú đã làm tăng độ nhạy và khả năng chẩn đoán ung thư vú.

Tóm tắt tiếng anh

Evaluate the role of AI in screening and diagnosing breast cancer using mammography. This study used BIRADS scores to contrast AI-assisted radiologists with conventional approaches. Methods and materials: prospective descriptive study of 1151 women earmarked for mammography. Initial mammograms were interpreted by experienced breast radiologists (reader 1) blind to AI outputs. Simultaneously, AI systematically generated scores f-rom 1 to 100. Mammograms were re-evaluated by a distinct radiologist (reader 2), blind to the primary assessment. Results: sensitivities of reader 2 and reader 1 were compared via ROC curve using BI-RADS scores. With reader 1 as a reference, reader 2 exhibited an AUC of 75,9% (95% CI 71,6 – 80,1%) and a sensitivity of 61,8%. When reader 2 served as the reference, reader 1 reported an AUC of 73,4% (95% CI 69,2 – 77,6%) with a sensitivity of 56,9%. When compared in the group with pathology, the reader 2 and reader 1 had AUC values of 83,6% and 79,9%, respectively. This demonstrates the enhanced sensitivity with AI-assistance in breast cancer screening. Conclusion: Incorporating AI assistance into mammography has demonstrated increased sensitivity and ability to diagnose breast cancer.

Kí hiệu kho

TTKHCNQG, CVv 46

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] Thu Hà NT, Nhung LH, Hương LT, Thông PM (2021), Nghiên cứu giá trị của X Quang cắt lớp trong chẩn đoán ung thư vú ở bệnh nhân có vú đặc hoặc bất cân xứng khu trú,Tạp chí Điện quang & Y học hạt nhân Việt Nam
[2] Freer PE (2015), Mammographic breast density: impact on breast cancer risk and implications for screening,Radiographics
[3] Trieu PDY, et al. (2017), Characterization of breast density in Vietnam and its association with demographic, reproductive and lifestyle factors,SPIE, Medical Imaging 2017: Image Perception, Observer Performance, and Technology Assessment
[4] Sickles EA (2013), ACR BI-RADS® Atlas, Breast imaging reporting and data system,American College of Radiology
[5] Yala A, et al. (2022), Multi-institutional validation of a mammography-based breast cancer risk model,Journal of Clinical Oncology
[6] Rodríguez-Ruiz A, et al. (2019), Detection of breast cancer with mammography: effect of an artificial intelligence support system,Radiology
[7] Lauritzen AD, et al. (2022), An artificial intelligence–based mammography screening protocol for breast cancer: outcome and radiologist workload,Radiology