به گزارش پایگاه اطلاع‌رسانی بنیان، گزارش Innovation News Network نشان می‌دهد که کارآزمایی‌های اروپایی ماموگرافی در حال ارائهٔ شواهد قابل‌توجهی دربارهٔ تأثیر هوش مصنوعی بر غربالگری روتین سرطان سینه هستند. کارآزمایی تصادفی‌شدهٔ سوئدی MASAI با حدود ۱۰۶۰۰۰ شرکت‌کننده، نرخ سرطان‌های فاصله‌ای (سرطان‌هایی که پس از یک معاینهٔ منفی و پیش از دور بعدی غربالگری تشخیص داده می‌شوند) را در گروه پشتیبانی‌شده با هوش مصنوعی ۱.۵۵ در هر ۱۰۰۰ زن در مقابل ۱.۷۶ در گروه خوانش دوگانهٔ استاندارد گزارش کرد. این کارآزمایی معیار عدم‌برتری خود را برآورده کرد، اما نرخ عددی پایین‌تر نباید به‌عنوان اثبات برتری ارائه شود. حساسیت با پشتیبانی هوش مصنوعی ۸۰.۵٪ در مقابل ۷۳.۸٪ در غربالگری استاندارد بود، در حالی که ویژگی در هر دو گروه ۹۸.۵٪ بود. گزارش قبلی از همان جمعیت MASAI نرخ تشخیص سرطان را ۶.۴ در هر ۱۰۰۰ زن با غربالگری پشتیبانی‌شده با هوش مصنوعی و ۵.۰ با خوانش دوگانهٔ استاندارد یافت که افزایش نسبی ۲۹٪ را نشان می‌دهد. مداخله، بار کاری خوانش را حدود ۴۴٪ کاهش داد، اما این رقم مربوط به خوانش معاینات است، نه همهٔ نیروی کار در یک سرویس غربالگری سینه. مطالعهٔ آلمانی PRAIM که در Nature Medicine در سال ۲۰۲۵ منتشر شد، ۴۶۱۸۱۸ زن را در ۱۲ مرکز غربالگری با ۱۱۹ رادیولوژیست ارزیابی کرد. معاینات پشتیبانی‌شده با هوش مصنوعی نرخ تشخیص سرطان ۶.۷ در هر ۱۰۰۰ زن در مقابل ۵.۷ بدون پشتیبانی هوش مصنوعی داشتند: تفاوت نسبی ۱۷.۶٪. این یک مطالعهٔ مشاهده‌ای آینده‌نگر بود، نه تصادفی‌شده. مطالعهٔ ScreenTrustCAD در استکهلم با ۵۵۵۸۱ زن نشان داد که یک رادیولوژیست به‌همراه هوش مصنوعی ۲۶۱ سرطان را در مقابل ۲۵۰ با دو رادیولوژیست تشخیص داد و معیار عدم‌برتری مطالعه را برآورده کرد. مطالعهٔ PI-CAI دربارهٔ MRI پروستات نشان داد که سیستم هوش مصنوعی به سطح زیر منحنی ۰.۹۱ در مقابل ۰.۸۶ برای ۶۲ رادیولوژیست دست یافت، اما مقایسه با عملکرد روتین چندرشته‌ای تاریخی، ادعای عدم‌برتری از پیش تعیین‌شده را تأیید نکرد. مطالعه‌ای در Nature Medicine با ۱۴۰ رادیولوژیست و ۱۵ تسک تشخیصی اشعهٔ ایکس قفسهٔ سینه، تفاوت‌های قابل‌توجهی در اثرات هوش مصنوعی یافت و نشان داد که تجربه، تخصص و استفادهٔ قبلی از هوش مصنوعی به‌طور قابل‌اعتماد پیش‌بینی نمی‌کنند چه کسی سود می‌برد. این یافته‌ها نشان می‌دهند که غربالگری سرطان به یک آزمون پیشرو برای اینکه آیا هوش مصنوعی می‌تواند یک سرویس بهداشتی سازمان‌یافته را بهبود بخشد تبدیل شده است و سودهای بعدی به حفظ ارتباط بین ظرفیت، تصمیمات بالینی و پیامدهای بیمار بستگی دارد.

هوش مصنوعی در غربالگری سرطان — فراتر از دقت تصویری
مهم‌ترین نتیجهٔ یک الگوریتم تصویربرداری ممکن است ماه‌ها پس از اسکن برسد. یک برنامه می‌تواند سرطان‌های بیشتری را در غربالگری و تفسیر سریع‌تر تصویر گزارش کند، اما هنوز باید مشخص کند چه اتفاقی برای افرادی می‌افتد که معاینات آنها طبیعی تلقی شده است. آیا سرطان‌های کمتری پیش از قرار بعدی ظاهر می‌شوند؟ آیا سرویس بیماری را از نظر بالینی مهم پیدا می‌کند، بدون ایجاد بررسی‌های غیرضروری؟ اروپا اکنون شواهد قابل‌توجهی برای پرداختن به این پرسش‌ها دارد. تحقیقات تصادفی‌شدهٔ سوئدی و یک مطالعهٔ اجرایی بزرگ آلمانی، هوش مصنوعی در ماموگرافی را فراتر از رقابت بر روی تصاویر ذخیره‌شده برده‌اند. آنها همچنین نشان می‌دهند که چرا عبارت «غربالگری با هوش مصنوعی» چندین مداخلهٔ متفاوت را توصیف می‌کند. نرم‌افزار می‌تواند معاینات را به یک یا دو خواننده هدایت کند، مناطق مشکوک را علامت‌گذاری کند یا یک بررسی ایمنی پس از قضاوت اولیه ارائه دهد.

پیگیری سرطان‌هایی که غربالگری از دست می‌دهد — کارآزمایی MASAI
کارآزمایی سوئدی MASAI یک پیشرفت به‌ویژه مهم ارائه می‌دهد. گزارش سال ۲۰۲۶ آن سرطان‌های فاصله‌ای را پیگیری کرد: سرطان‌هایی که پس از یک معاینهٔ غربالگری منفی و پیش از دور بعدی برنامه‌ریزی‌شده تشخیص داده می‌شوند. در میان حدود ۱۰۶۰۰۰ شرکت‌کنندهٔ تصادفی‌شده، ۸۲ سرطان فاصله‌ای در گروه پشتیبانی‌شده با هوش مصنوعی و ۹۳ در خوانش دوگانهٔ استاندارد وجود داشت. نرخ‌های مربوطه ۱.۵۵ و ۱.۷۶ در هر ۱۰۰۰ زن بود. این کارآزمایی معیار عدم‌برتری خود را برآورده کرد؛ نرخ عددی پایین‌تر نباید به‌عنوان اثبات برتری ارائه شود. حساسیت با پشتیبانی هوش مصنوعی ۸۰.۵٪ و در غربالگری استاندارد ۷۳.۸٪ بود، در حالی که ویژگی در هر دو گروه ۹۸.۵٪ بود.

آزادسازی ظرفیت خوانش بدون حذف قضاوت
گزارش قبلی از همان جمعیت MASAI نرخ تشخیص سرطان را ۶.۴ در هر ۱۰۰۰ زن با غربالگری پشتیبانی‌شده با هوش مصنوعی و ۵.۰ با خوانش دوگانهٔ استاندارد یافت، افزایش نسبی ۲۹٪. این تحلیل‌های متوالی از یک کارآزمایی هستند، نه تکرارهای مستقل. مداخله، تخصیص مبتنی بر خطر به خوانش تک یا دوگانه را با پشتیبانی تشخیصی برای رادیولوژیست‌ها ترکیب کرد. این مداخله بار کاری خوانش را حدود ۴۴٪ کاهش داد. این رقم مربوط به خوانش معاینات است، نه همهٔ نیروی کار در یک سرویس غربالگری سینه. جذابیت عملیاتی با این حال واضح است. یک سرویس می‌تواند توجه تخصصی را به سمت معایناتی هدایت کند که بیشترین نیاز را دارند. پرسش مدیریتی مربوطه این است که ظرفیت آزادشده کجا می‌رود: گزارش‌دهی سریع‌تر، فعالیت غربالگری اضافی، ارزیابی پیچیده یا تاب‌آوری در طول غیبت کارکنان.

آلمان پیاده‌سازی در مقیاس بزرگ را آزمایش می‌کند — مطالعهٔ PRAIM
مطالعهٔ آلمانی PRAIM شواهدی از یک محیط متفاوت اضافه می‌کند. این مطالعه که در Nature Medicine در سال ۲۰۲۵ منتشر شد، ۴۶۱۸۱۸ زن را در ۱۲ مرکز غربالگری با ۱۱۹ رادیولوژیست ارزیابی کرد. معاینات پشتیبانی‌شده با هوش مصنوعی نرخ تشخیص سرطان ۶.۷ در هر ۱۰۰۰ زن در مقابل ۵.۷ بدون پشتیبانی هوش مصنوعی داشتند: تفاوت نسبی ۱۷.۶٪. نرخ فراخوان ۳۷.۴ و ۳۸.۳ در هر ۱۰۰۰ بود. این یک مطالعهٔ مشاهده‌ای آینده‌نگر بود. رادیولوژیست‌ها می‌توانستند انتخاب کنند که از نمایشگر پشتیبانی‌شده با هوش مصنوعی استفاده کنند یا نه، بنابراین مقایسه تصادفی نبود. تنظیم آماری به پرداختن به تفاوت‌های اندازه‌گیری‌شده بین گروه‌ها کمک می‌کند اما نمی‌تواند تضمین کند که هر تفاوت مرتبطی حذف شده است.

 یک طراحی بالینی خاص (ScreenTrustCAD)
مطالعهٔ ScreenTrustCAD یک ترتیب دیگر را در استکهلم بررسی کرد. در یک مطالعهٔ آینده‌نگر با ۵۵۵۸۱ زن، معاینات توسط دو رادیولوژیست و یک سیستم هوش مصنوعی ارزیابی شدند و امکان مقایسه ترکیب‌های مختلف خواننده را فراهم کردند. یک رادیولوژیست به‌همراه هوش مصنوعی ۲۶۱ سرطان را در مقابل ۲۵۰ با دو رادیولوژیست تشخیص داد و معیار عدم‌برتری مطالعه را برآورده کرد. این طراحی جفت‌شده مهم است. این مطالعه ترکیب‌هایی را مقایسه کرد که همان مواد غربالگری را ارزیابی می‌کردند، نه اینکه زنان را به‌طور جداگانه به هوش مصنوعی مستقل و مراقبت معمول تصادفی‌سازی کند. ارزیابی اولیهٔ تشخیص سرطان مربوط به سرطان‌های شناسایی‌شده در سه ماه بود.

 تصویربرداری پروستات نشان می‌دهد چرا مقایسه‌کننده مهم است — PI-CAI
درس متفاوتی از PI-CAI، یک مطالعهٔ بین‌المللی MRI پروستات که در سال ۲۰۲۴ منتشر شد، به دست می‌آید. در یک زیرمجموعهٔ ۴۰۰ موردی مطالعهٔ خواننده، سیستم هوش مصنوعی به سطح زیر منحنی ۰.۹۱ دست یافت، در مقابل ۰.۸۶ برای ۶۲ رادیولوژیست. این معیار تمایز را در آستانه‌های تصمیم‌گیری ممکن خلاصه می‌کند. با این حال، یک مقایسهٔ جداگانه با عملکرد روتین چندرشته‌ای تاریخی در ۱۰۰۰ مورد آزمایشی، ادعای عدم‌برتری از پیش تعیین‌شده را تأیید نکرد. تفاوت ویژگی مشاهده‌شده کوچک بود، اما نتیجه‌گیری آماری همچنان مهم است. تصمیمات روتین شامل زمینهٔ بالینی و مشاوره بود که یک تمرین خوانندهٔ محدود به‌طور کامل بازتولید نمی‌کند.

 پاسخ انسانی بخشی از فناوری است
کمک هوش مصنوعی تأثیر یکسانی بر هر خواننده ندارد. یک مطالعه در Nature Medicine با ۱۴۰ رادیولوژیست و ۱۵ تسک تشخیصی اشعهٔ ایکس قفسهٔ سینه، تفاوت‌های قابل‌توجهی در اثرات آن یافت. تجربه، تخصص و استفادهٔ قبلی از هوش مصنوعی به‌طور قابل‌اعتماد پیش‌بینی نمی‌کردند چه کسی سود می‌برد. پیش‌بینی‌های نادرست هوش مصنوعی می‌توانستند بر عملکرد تأثیر منفی بگذارند. این یک مطالعهٔ آزمایشی خواننده با استفاده از موارد جمع‌آوری‌شدهٔ گذشته‌نگر بود، نه نمایش پیامدهای بیمار. پیامد عملی آن همچنان قابل‌توجه است: یک بیمارستان نمی‌تواند فرض کند که نصب یک سیستم با عملکرد بالا، فرایند بالینی ترکیبی را به‌طور یکنواخت بهتر می‌کند. پیاده‌سازی باید امکان بررسی اختلافات و یادگیری از خطاها را بدون تشویق پذیرش خودکار نرم‌افزار فراهم کند.

غربالگری سرطان به عنوان آزمون پیشرو برای هوش مصنوعی
غربالگری سرطان در حال تبدیل شدن به یک آزمون پیشرو برای اینکه آیا هوش مصنوعی می‌تواند یک سرویس بهداشتی سازمان‌یافته را بهبود بخشد، است. قوی‌ترین مطالعات اروپا اکنون تحلیل تصویر را با بار کاری خواننده و تشخیص‌های بعدی سرطان مرتبط می‌کنند. سودهای بعدی به حفظ این ارتباط با گسترش برنامه‌ها بستگی دارد، به‌طوری که ظرفیت، تصمیمات بالینی و پیامدهای بیمار با هم ارزیابی شوند. این رویکرد جامع می‌تواند به سیاست‌گذاران و ارائه‌دهندگان مراقبت‌های بهداشتی کمک کند تا تصمیمات آگاهانه‌تری دربارهٔ پذیرش هوش مصنوعی در غربالگری سرطان بگیرند.

پایان مطلب/