Sztuczna inteligencja rewolucjonizuje badania przesiewowe raka piersi, odkrywając nowe cechy mammograficzne związane z ryzykiem, co otwiera drogę do precyzyjniejszych strategii prewencji i minimalizacji ryzyka.
Wprowadzenie
Od czasu przełomowego badania opublikowanego w 1976 roku naukowcy i lekarze byli zafascynowani możliwośćią przewidywania zachorowań na raka piersi na podstawie mammogramów. Od tamtej pory badania skupiły się na parenchymalnym wzorcu widocznym na mammografii, co umożliwiło określenie ryzyka zachorowania na podstawie tzw. gęstości mammograficznej.
Gęstość mammograficzna odnosi się do ciemnych i jasnych obszarów widocznych na mammogramie. Tkanka piersi pojawiająca się jako ciemna jest uznawana za radiologicznie niegęstą, podczas gdy jasne obszary wskazują na gęstość. Gęste obszary składają się głównie z tkanki włóknisto-gruczołowej, natomiast niegęste to głównie tkanka tłuszczowa. Osoby z podwyższoną gęstością mammograficzną w stosunku do ich masy ciała i wieku mają większe ryzyko rozwoju raka piersi. Co więcej, większa gęstość mammograficzna powoduje tzw. „efekt maskowania”, który utrudnia wykrycie nowotworu na mammogramie.
Nowe możliwości dzięki sztucznej inteligencji
Metody wykorzystujące sztuczną inteligencję wprowadziły znaczne ulepszenia w przewidywaniu ryzyka zachorowania na raka piersi. AI odkrywa unikalne cechy mammograficzne oraz specyficzne wzorce parenchymalne, które są silniejszymi predyktorami ryzyka niż tradycyjne metody analizowania gęstości mammograficznej. W ostatnich badaniach sztuczna inteligencja pokazała, jak można lepiej przewidzieć ryzyko na podstawie danych mammograficznych.
Jednak warto zwrócić uwagę, że większość badań dotykających relacji między cechami generowanymi przez AI a ryzykiem raka piersi ma charakter obserwacyjny. Co więcej, AI identyfikuje na mammogramach obszary o podwyższonym wskaźniku ryzyka, które jednak często nie wyglądają na podejrzane w klasycznych odczytach radiologicznych. W efekcie takie cechy generowane przez AI pozostają swoistą „czarną skrzynką”, a ich odtwarzalność poza zestawami treningowymi i testowymi jest wyzwaniem.
Nacisk na badania nad patobiologią
Aby w pełni wykorzystać potencjał mammograficznych cech generowanych przez AI, konieczne jest zrozumienie związanej z nimi patobiologii oraz mechanizmów łączących te cechy z rakiem piersi. Tylko wtedy będzie można określić ich znaczenie dla wyznaczania ryzyka oraz skuteczności strategii jego zmniejszenia.
Przykładem potencjalnego zastosowania AI jest wykrycie w jednym z badań 36 przypadków raka piersi w grupie 559 kobiet, które miały negatywne wyniki mammograficzne, ale zwiększone ryzyko na podstawie analizy AI. Sugeruje to, że AI jest w stanie wykryć cechy sugerujące wczesne oznaki nowotworu, wcześniej niezauważone w standardowych badaniach. Jednak precyzyjna tożsamość takich cech wciąż pozostaje nieznana, co stawia przed badaczami nowe wyzwania.
Znaczenie dla strategii przesiewowych i zmniejszania ryzyka
Postępy w badaniach nad gęstością mammograficzną oraz nowymi cechami odkrywanymi przez AI mogą znacząco zmienić podejście do badań przesiewowych i zarządzania ryzykiem. Osoby z wysokim ryzykiem na podstawie mammograficznych cech AI mogą skorzystać na częstszych badaniach, a także na stosowaniu leków obniżających ryzyko, takich jak tamoksyfen. Z kolei osoby z niskim ryzykiem, określonym na podstawie takich analiz, mogłyby być badane rzadziej, co pozwoliłoby na lepsze dostosowanie zasobów medycznych.
Co więcej, cechy mammograficzne mają potencjał w tworzeniu nowych strategii zmniejszania ryzyka. Na przykład antyestrogeny, takie jak tamoksyfen, zmniejszają ryzyko raka piersi poprzez obniżenie gęstości mammograficznej. Aby jednak zaakceptować takie terapie jako skuteczne, konieczne są dalsze badania kliniczne, które potwierdzą, że zmniejszenie ryzyka wynika z ich wpływu na cechy mammograficzne.
Podsumowanie
Sztuczna inteligencja wprowadziła nowe możliwości w badaniach nad rakiem piersi, odkrywając cechy, które mogą wyjaśnić znaczną część krótkoterminowych powiązań między ryzykiem nowotworu a gęstością mammograficzną. Nie oznacza to jednak, że gęstość mammograficzna przestaje być jednym z czynników ryzyka – wręcz przeciwnie, nowe predyktory pozwalają na jeszcze dokładniejsze monitorowanie zmian w tkankach piersi.
Przyszłe badania powinny skupić się na zgłębianiu przyczynowych zależności między odkrywanymi cechami mammograficznymi, gęstością mammograficzną a ryzykiem raka piersi. Wypracowanie takich zależności może stać się fundamentem dla bardziej precyzyjnych i skutecznych strategii zmniejszania ryzyka raka piersi wśród kobiet.
