乳がん検出の進歩：AIがマンモグラフィで見逃された間隔がんを特定

ハイライト

• 人工知能（AI）は、スクリーニングマンモグラフィで見逃された間隔乳がん（IBCs）を示唆する高リスク領域を特定する能力を示しました。
• AIは、放射線技師が後方査読で可視化できない多くのIBCsを検出し、検出感度の改善を示唆しています。
• 高密度乳房は、スクリーニングの課題の既知のリスク要因であり、この集団が焦点となり、その臨床的重要性が強調されました。
• AIスコアは、放射線技師の後方査読での分類と相関し、補完的な診断価値を示しています。

研究背景と疾患負担

乳がんは、世界中でがんの罹患率と死亡率の主な原因の一つです。間隔乳がん（IBCs）は、正常なスクリーニングマンモグラフィの後24か月以内に診断され、その攻撃性とスクリーン検出がんに比べて不良な予後により、重要な臨床的課題を呈します。高密度乳房は、スクリーニング対象者の相当部分に存在し、マンモグラフィでのがん検出を難しくし、見逃された病変の確率を高めます。現在のマンモグラフィスクリーニングプログラム（MSPs）は、これらの見逃されたがんを早期に特定するための信頼性のある補助ツールを欠いていることが多くあります。画像解析に人工知能を適用することで、初期の人間によるレビューで見落とされた悪性腫瘍の微妙な兆候を指摘し、放射線技師のパフォーマンスを向上させる可能性があります。

研究デザイン

この後方査読研究では、平均年齢57.3歳の女性119人のマンモグラフィを分析しました。主に高密度乳房（BI-RADSカテゴリーc/d、63.0%）が含まれていました。データは、東スイスとグリソン＝グラルスのがん登録から得られました。間隔乳がんは、前回の正常なマンモグラフィの後に2年以内に診断された侵襲性または原位がんとして定義されました。3人の放射線技師が独立して後方査読を行い、可視化可能な異常を識別し、コンセンサス推奨に基づいて病変を可視化可能な異常に基づく潜在的に見逃されたIBCsまたは可視化可能な異常なしのIBCsに分類しました。AIシステムは、各マンモグラフィを評価し、0〜100のスケールで2つのスコアを生成しました：現在のがん存在の可能性を推定するケーススコアと2年以内のがん診断の確率を予測するリスクスコアです。

主要な知見

分析の結果、放射線技師によると68.9%のIBCsには後方査読で可視化可能な異常がなく、31.1%が潜在的に見逃されたIBCsとして分類され、これらは有意に高いBI-RADSスコアを獲得していました（P < .05）。

潜在的に見逃されたIBCsは、可視化可能な異常なしのものよりも有意に高い平均AIケーススコアを持っており（54.1 vs 23.1；P < .05）、より頻繁に高いリスクカテゴリーに割り当てられていました（48.7% vs 14.6%；P < .05）。

全IBCsケースにおいて、46.2%がAIケーススコア25以上、25.2%が50以上、13.4%が75以上であり、AI評価による悪性腫瘍の確率が異なることを示しています。

特に、潜在的に見逃されたIBCsは、低いAIスコアから高いAIスコアまで広範な分布を示しました。一方、可視化可能な異常なしのIBCsは、ケーススコアとリスクスコアの両方で一貫して低いスコアを示しました。具体的には、潜在的に見逃されたIBCsの73.0%と可視化可能な異常なしのIBCsの34.1%がケーススコア25以上、51.4%と13.4%が50以上、29.7%と6.1%が75以上を超えていました。

専門家のコメント

本研究は、特に従来の読影が制限される高密度乳房集団におけるマンモグラフィにおけるAIの追加価値を強調しています。AIシステムは、放射線技師の後方査読での見逃された悪性腫瘍の確認だけでなく、専門家による二次査読でも見えないがんの重要な部分を明らかにしました。

このような知見は、間隔がんの発生率を低下させ、早期検出を改善し、患者の予後を向上させるためにAIを臨床補助として統合することを提唱しています。ただし、後方査読設計、比較的小規模なサンプルサイズ、および高密度症例の多さなどの制限があり、一般化への影響が懸念されます。幅広い集団での前向き検証と、臨床ワークフローへの統合プロトコルが必要です。

結論

人工知能は、特に高密度乳房を持つ女性のスクリーニングマンモグラフィでの見逃された間隔乳がんの検出において有望な能力を示しています。放射線技師が後方査読で可視化できないがんを特定することで、AIはスクリーニング感度を向上させ、遅延診断を削減し、乳がん管理を最適化する可能性があります。今後の研究は、前向き評価、費用対効果、および現実世界のマンモグラフィスクリーニングプログラムでこれらの利点を実現するための標準化されたAI統合フレームワークの確立に焦点を当てるべきです。

参考文献

Eisemann N, Bunk S, Mukama T, Baltus H, Elsner SA, Gomille T, Hecht G, Heywang-Köbrunner S, Rathmann R, Siegmann-Luz K, Töllner T, Vomweg TW, Leibig C, Katalinic A. Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. Nat Med. 2025 Mar;31(3):917-924. doi: 10.1038/s41591-024-03408-6 . Epub 2025 Jan 7. PMID: 39775040 ; PMCID: PMC11922743 .
PDF file download