Rendiamo più efficace l’identificazione dei criteri di approfondimento nella diagnosi del tumore al seno
Il tumore mammario costituisce la neoplasia più frequente per le donne a livello mondiale, e nonostante i continui avanzamenti in ambito diagnostico-terapeutico, permane un’importante causa di morte (1).
Consolidate evidenze scientifiche hanno dimostrato l’effetto favorevole dello screening mammografico sulla mortalità da tumore della mammella, grazie all’identificazione precoce e in fase asintomatica delle lesioni tumorali (2,3). Questo permette di intervenire su lesioni piccole con atti terapeutici meno demolitivi e più favorevoli da un punto di vista prognostico. La mammografia costituisce quindi il cardine dei programmi di screening del tumore mammario, nonché il primo esame da effettuare in caso di sintomi sospetti. Attualmente, i programmi di screening organizzati richiedono un’elevata intensità di lavoro, considerando il numero di donne che devono essere sottoposte a screening per individuare una lesione tumorale, e l’adozione di un sistema di doppia lettura radiologica (5,6). L’interpretazione degli esami mammografici varia con l’esperienza del professionista, e può essere resa difficoltosa dall’eterogenea presentazione delle lesioni e dall’effetto mascherante di tessuto mammario a elevata densità. In un programma di screening di popolazione, la lettura degli esami mammografici richiede, quindi, la presenza di un numero elevato di radiologi dedicati, con un significativo carico di lavoro individuale e criticità di sistema dovute alla carenza di lettori qualificati (4,5).
Inoltre, anche nelle donne che partecipano regolarmente allo screening, alcune lesioni si rendono clinicamente manifeste nell’intervallo di tempo tra una mammografia di screening e la successiva (casi falsi negativi o cancri intervallo). Parte di queste lesioni sono a posteriori visibili dalle mammografie di screening precedenti. Contemporaneamente alcune lesioni possono essere inviate ad un approfondimento diagnostico non necessario in quanto la mammografia può rilevare una lesione sospetta che non viene confermata da ulteriori indagini (casi falsi positivi). Continui sforzi sono in atto a livello degli screening organizzati per ridurre la probabilità di falsi positivi e falsi negativi (6). In tale ambito, lo sviluppo di sistemi di intelligenza artificiale mira a migliorare il sistema screening e a supportare il radiologo nella lettura, massimizzando da un lato il rilevamento tumorale e dall’altro ottimizzando il carico di lavoro.
In questo progetto, ci proponiamo di sviluppare un sistema di intelligenza artificiale basato sulle immagini mammografiche di screening per il riconoscimento di donne in cui il test mammografico è chiaramente negativo, ovvero non vengono rilevate lesioni di alcun tipo. L’obiettivo è quello di apportare i seguenti vantaggi:
- Supportare il radiologo nella lettura degli esami di screening mammografico di primo livello;
- Ridurre i tempi di refertazione e il carico di lavoro per i radiologi dello screening;
- Rendere più rapida l’identificazione delle donne chiaramente negative da inviare al round di screening successivo (a 1 o 2 anni a seconda dell’età), così da permettere ai lettori di concentrarsi maggiormente sull’analisi delle immagini sospette;
- Migliorare l’efficienza del sistema, incrementando il già positivo bilancio rischi-benefici dei programmi di screening.
Bibliografia
(1) Ferlay J, Colombet M, Soerjomataram I, et al. Estimating the global cancer incidence and mortality in 2018: GLOBOCAN sources and methods. Int J Cancer. 2019;144(8):1941-1953.
(2) Broeders M, Moss S, Nystro¨m L, et al. The impact of mammographic screening on breast cancer mortality in Europe: a review of observational studies. J Med Screen. 2012;19(suppl 1):14–25.
(3) Lauby-Secretan B, Scoccianti C, Loomis D, et al. Breast cancer screening–viewpoint of the IARC Working Group. N Engl J Med. 2015;372(24):2353–2358.
(4) Elmore JG, Jackson SL, Abraham L, et al. Variability in interpretive performance at screening mammography and associated with accuracy.Radiology 2009;253:641e51.
(5) Miglioretti DL, Smith-Bindman R, Abraham L, et al. Radiologist characteristics associated with interpretive performance
(6) Kopans DB. Digital breast tomosynthesis from concept to clinical care. Am J Roentgenol. 2014;202(2):299-308.