Artificial intelligence algorithms versus conventional radiological interpretation in breast cancer screening and classification: Systematic review and meta-analysis.
Saved in:
| Title: | Artificial intelligence algorithms versus conventional radiological interpretation in breast cancer screening and classification: Systematic review and meta-analysis. |
|---|---|
| Alternate Title: | Algoritmos de inteligencia artificial versus interpretación radiológica convencional en tamizaje y clasificación del cáncer de mama: revisión sistemática con metaanálisis. |
| Authors: | Pablo Alzate-Granados, Juan1,2 jpalzategr@unal.edu.co, José Sotomayor-Ricardo, María3, Kamila Avella-Espinosa, María2 |
| Source: | Revista Facultad de Medicina de la Universidad Nacional de Colombia. 2025, Vol. 73, p1-23. 23p. |
| Subjects: | ARTIFICIAL intelligence, EARLY detection of cancer, ULTRASONIC imaging, BREAST tumors, DIAGNOSIS, STATISTICS, MAMMOGRAMS, DIAGNOSTIC imaging |
| Abstract (English): | Introduction: Population-based breast cancer screening programs relying on direct interpretation of mammograms and ultrasounds by radiologists have limitations such as high workload, interobserver variability, false positives, and a shortage of specialists. Artificial intelligence (AI), through deep neural networks and other algorithms, could optimize early detection and characterization of breast lesions. Objective: To evaluate the efficacy, in terms of operational characteristics (sensitivity, specificity, and area under the curve [AUC]), of AI algorithms in the interpretation of imaging studies (mammography, ultrasound, and magnetic resonance imaging) for (1) the detection of breast cancer in screening programs, (2) the classification of breast lesions (benign vs. malignant and BI-RADS categories), and (3) the stratification of molecular subtypes of breast cancer (e.g., triple-negative) compared to conventional interpretation by a radiologist (i.e., without AI assistance). Materials and methods: Systematic review with meta-analysis of observational studies and clinical trials published up to May 29, 2024, in Medline, Embase, and LILACS. PROSPERO registration code: CRD42024507843. Studies comparing the sensitivity, specificity, and AUC of AI algorithms versus conventional radiological interpretation methods were included. Given the heterogeneity between studies, the meta-analysis included only the sensitivity and specificity of AI algorithms for detecting breast cancer (Dersimonian-Lard random effects model). Results: Out of 1 156 records identified, 32 studies were included in the review (32 for qualitative analysis and 26 for meta-analysis). The AUC, sensitivity, and specificity ranges of the AI algorithms for detecting breast cancer, classifying breast lesions, and discriminating molecular subtypes of breast cancer were 0.706-0.98, 63.7-96.89%, and 45-97.9%, 0.838-0.978, 76-100%, and 78. 71-100%, and 0.535-0.978, 50-96.6%, and 52.4-95.56%, respectively. As for the meta-analysis, the pooled sensitivity and specificity of AI for breast cancer detection were 87% and 89%, respectively. Conclusion: AI demonstrated a high diagnostic performance in breast cancer screening and classification, surpassing human performance in several studies. Therefore, AI may serve as a complementary tool to enhance the efficiency and quality of screening programs. However, prospective studies are needed to assess its clinical implementation, standardize protocols, and determine its impact on long-term health outcomes. [ABSTRACT FROM AUTHOR] |
| Abstract (Spanish): | Introducción. Los programas de tamizaje poblacional de cáncer de mama basados en la interpretación directa de mamografías y ecografías por radiólogos presentan limitaciones como carga de trabajo elevada, variabilidad interobservador, falsas alarmas y escasez de especialistas. La inteligencia artificial (IA), mediante redes neuronales profundas y otros algoritmos, podría optimizar la detección precoz y la caracterización de lesiones mamarias. Objetivo. Evaluar la eficacia, en términos de características operativas (sensibilidad, especificidad y área bajo la curva [AUC]), del uso de algoritmos de IA en la interpretación de estudios de imagen (mamografía, ultrasonido y resonancia magnética) para 1) la detección de cáncer de mama en programas de cribado, 2) la clasificación de lesiones mamarias (benignas vs. malignas y clasificación BI-RADS) y 3) la diferenciación de subtipos moleculares de cáncer de mama (p. ej., triple negativo) en comparación con la interpretación convencional por radiólogos (i.e., sin asistencia de IA). Materiales y métodos. Revisión sistemática con metaanálisis de estudios observacionales y ensayos clínicos publicados hasta el 29 de mayo de 2024 en Medline, Embase y LILACS. Código de registro en PROSPERO: CRD42024507843. Se incluyeron trabajos que compararan sensibilidad, especificidad y AUC de algoritmos de IA versus métodos radiológicos convencionales. Dada la heterogeneidad entre estudios, el metaanálisis incluyó únicamente la sensibilidad y especificidad de la IA para detectar cáncer de mama (modelo de efectos aleatorios de Dersimonian-Lard). Resultados. De 1 156 registros identificados, 32 fueron incluidos en la revisión (32 para el análisis cualitativo y 26 para el metaanálisis). Los rangos de AUC, sensibilidad y especificidad de la IA para detectar cáncer de mama, clasificar lesiones mamarias y discriminar subtipos moleculares de cáncer fueron 0.706-0.98, 63.7-96.89% y 45-97.9%, 0.838-0.978, 76-100% y 78.71-100%, y 0.535-0.978, 50-96.6% y 52.4-95.56%, respectivamente. En cuanto al metaanálisis, la sensibilidad y especificidad combinadas de la IA para la detección de cáncer de mama fueron 87% y 89%, respectivamente. Conclusión. La IA demostró un elevado desempeño diagnóstico en el tamizaje y la clasificación de lesiones mamarias, superponiéndose en varios estudios al rendimiento humano. Por lo tanto, la IA tiene el potencial de convertirse en una herramienta complementaria para mejorar la eficiencia y la calidad de los programas de cribado, aunque se requieren estudios prospectivos que evalúen su implementación clínica, estandaricen protocolos y determinen su impacto en resultados de salud a largo plazo. [ABSTRACT FROM AUTHOR] |
| Copyright of Revista Facultad de Medicina de la Universidad Nacional de Colombia is the property of Universidad Nacional de Colombia and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) | |
| Database: | MedicLatina |
Be the first to leave a comment!
