Il cancro è una delle principali cause di morbilità e mortalità a livello globale: in media una persona su cinque sviluppa un tumore nel corso della vita (The Burden of Cancer, senza data). Lo screening oncologico è rivolto a individui asintomatici e mira a identificare tumori in stadio iniziale o lesioni precancerose. In molti casi, ciò consente di intervenire tempestivamente e di ottenere esiti migliori. Lo screening costituisce dunque sostanzialmente uno strumento per la prevenzione e la diagnosi precoce. Lo screening preventivo mira a individuare patologie benigne che possono evolvere in forme maligne, evento possibile solo nel caso di alcuni tumori, mentre gli approcci per la diagnosi precoce sono finalizzati a individuare il tumore nella fase iniziale. È importante sottolineare che lo screening non deve essere considerato un unico test, bensì un percorso che include l’identificazione della popolazione target, l’esecuzione di test diagnostici e la pianificazione di ulteriori accertamenti, incluso il trattamento laddove necessario (Organizzazione Mondiale della Sanità. Ufficio regionale per l’Europa, 2022).
La radiologia svolge da tempo un ruolo fondamentale nello stabilire l’entità della diffusione locale e a distanza del tumore dopo la diagnosi, tuttavia è indispensabile anche nei percorsi di screening di diversi tumori comuni. In tali casi, gli studi di imaging medico rappresentano lo strumento di screening primario o vengono utilizzati per prendere decisioni in merito all’esecuzione di ulteriori accertamenti dopo lo screening utilizzando altre metodiche, tra cui le analisi del sangue. A seconda del tipo di tumore, lo screening può prevedere tecniche di imaging medico tra cui mammografia, tomografia computerizzata (TC), risonanza magnetica (RM) ed ecografia. Sono stati istituiti programmi nazionali di screening che utilizzano l’imaging medico per alcuni dei tumori più comuni. La maggior parte di questi programmi è rivolta a specifiche popolazioni a rischio di sviluppare il tumore specifico oggetto di indagine, identificate sulla base di fattori di rischio modificabili o non modificabili.
Poiché lo screening oncologico è pensato per soggetti sani, è particolarmente importante che i vantaggi di un programma di screening siano superiori agli svantaggi. Ciò deve essere stabilito attentamente per ciascun programma ed è talvolta controverso (Lam et al., 2014). Tuttavia, alcuni pro e contro dello screening oncologico valgono per tutte le tecniche di screening e per tutti i tumori (Kramer, 2004; Organizzazione Mondiale della Sanità. Ufficio regionale per l’Europa, 2022). Lo screening può ridurre la spesa sanitaria e migliorare la qualità della vita dei pazienti. Spesso migliora anche la prognosi e gli esiti del trattamento per gli individui identificati come affetti da tumore e può essere rassicurante per gli individui che ottengono risultati negativi. Tuttavia, talvolta la diagnosi precoce non cambia la prognosi e, in questi soggetti, lo screening può indurre a trattamenti non necessari, con conseguente scadimento della salute o della qualità della vita. Infatti, talvolta lo screening può rilevare tumori che non comprometteranno mai la salute nel corso della vita né causeranno la morte dell’individuo interessato. Inoltre, tutti i test di screening producono inevitabilmente falsi positivi e falsi negativi, determinando nel primo caso sovratrattamento, con i conseguenti effetti indesiderati a livello psicosociale e fisico, e nel secondo caso false rassicurazioni e ritardo nel trattamento.
Carcinoma mammario
Il carcinoma mammario è la seconda causa di morte per cancro nelle donne (Bray et al., 2018) ed è uno dei tumori più comuni a livello mondiale (Sung et al., 2021). La diagnosi e il trattamento precoci possono portare a esiti migliori, e gli studi condotti hanno dimostrato una riduzione della mortalità fino al 20% nelle popolazioni sottoposte a screening rispetto a quelle a cui non è stato offerto lo screening. Secondo le stime, si evita in media una morte per carcinoma mammario ogni 250-414 donne sottoposte a screening (Marmot et al., 2013; Tabár et al., 2011). Oltre 100 Paesi in tutto il mondo hanno implementato programmi di screening su larga scala per il carcinoma mammario (Existence of National Screening Program for Breast Cancer, senza data). Si raccomanda di iniziare lo screening tra i 40 e i 50 anni (Ren et al., 2022) e di eseguirlo quasi esclusivamente tramite mammografia, che utilizza una bassa dose di raggi X per l’acquisizione di immagini della struttura della mammella, o tramite tomosintesi mammaria digitale, una tecnica simile che utilizza proiezioni multiple per ottenere una serie di immagini che poi, sovrapposte, ricostruiscono la struttura della mammella.
L’algoritmo ha aumentato del 12-27% il rilevamento del carcinoma mammario selezionando le mammografie refertate come negative dopo la doppia lettura, ma considerate sospette dall’algoritmo, per un’ulteriore valutazione mediante RM o ecografia.
L'accuratezza della mammografia varia considerevolmente, e anche la lettura dei radiologi più esperti produce tassi elevati di falsi positivi e falsi negativi (Elmore et al., 2009; Lehman et al., 2015). Si stima che almeno una donna su tre sottoposte a screening avrà un risultato falso positivo alla mammografia nel corso della vita (Castells et al., 2006). La lettura della mammografia è particolarmente impegnativa nelle donne con seno denso (Boyd et al., 2007) e in quelle sottoposte a terapia ormonale sostitutiva (Banks et al., 2006). Inoltre, lo screening mammografico è un’attività che richiede molto lavoro. In molti Paesi europei, lo standard di cura è la doppia lettura con discussione consensuale, in cui ogni caso è valutato consecutivamente da due radiologi che risolvono le divergenze consensualmente (Giordano et al.,2012). Purtroppo, in molti Paesi vi è anche una carenza di radiologi e di tecnici di radiologia specificatamente formati in mammografia (Moran & Warren-Forward, 2012; Rimmer, 2017; Wing & Langelier, 2009).
In varie fasi del processo di screening per carcinoma mammario sono stati incorporati sistemi basati sull’intelligenza artificiale (IA). Uno studio condotto negli Stati Uniti e nel Regno Unito su quasi 30.000 donne sottoposte a mammografie di screening a intervalli di 1-3 anni e a un follow-up esteso fino a 39 mesi ha confrontato una combinazione di tre modelli di deep learning (apprendimento profondo) con il referto istologico e le interpretazioni di radiologi abilitati (McKinney et al., 2020). L’algoritmo ha mostrato una specificità e una sensibilità più elevata, rispettivamente dell’1,2-5,7% e del 2,7-9,4%, rispetto ai radiologi che hanno eseguito la prima lettura. Secondo gli autori, l’utilizzo dell’algoritmo potrebbe rendere superflua la seconda lettura addirittura nell’88% dei casi di screening, a parità di accuratezza, liberando in tal modo risorse di cui si avverte estrema necessità.
Risultati altrettanto promettenti sono stati riferiti in studi con l’utilizzo di sistemi basati sull’IA a fianco dei radiologi. Secondo uno studio condotto in Spagna su circa 16.000 donne sottoposte a mammografia digitale o tomosintesi mammaria digitale, l’uso di un algoritmo di deep learning ridurrebbe il carico di lavoro del 72,5% rispetto alla doppia lettura, mantenendo invariata la sensibilità (Raya-Povedano et al., 2021). In questo modello, gli esami meno sospetti sarebbero letti solo dall'algoritmo e il 2% degli esami valutati come altamente sospetti dall’algoritmo sarebbe segnalato per l’esecuzione di ulteriori accertamenti, indipendentemente dall'interpretazione dei radiologi. Parimenti, uno studio condotto in Svezia su 7.354 donne ha evidenziato che un algoritmo di deep learning disponibile in commercio ha classificato accuratamente le mammografie meno sospette di alcune donne, che sono state sottoposte a ulteriori accertamenti (Dembrower et al., 2020). Questi risultati sono stati ottenuti con un tasso di falsi negativi dello 0-2,6%. L'algoritmo ha inoltre aumentato del 12-27% il rilevamento del carcinoma mammario selezionando le mammografie refertate come negative dopo la doppia lettura, ma considerate sospette dall'algoritmo, per un'ulteriore valutazione mediante RM o ecografia.
Altri studi hanno utilizzato sistemi basati sull’IA nel processo volto a determinare se fossero necessari ulteriori accertamenti (decision referral). In uno studio condotto in Germania su oltre un milione di mammografie, una rete neurale convoluzionale (Convolutional Neural Network, CNN) profonda ha assegnato un punteggio di confidenza a ciascuna mammografia (Leibig et al., 2022). Per le valutazioni effettuate dall'algoritmo con elevata confidenza non sono state richieste ulteriori indagini, mentre le valutazioni con bassa confidenza sono state inviate all’attenzione del radiologo. Questo approccio è stato associato a un aumento del 4% della sensibilità e dello 0,5% della specificità rispetto alla valutazione di un solo radiologo senza l'ausilio dell'algoritmo. In questo scenario, il 63% delle mammografie è stato sottoposto automaticamente a triage dall'algoritmo, e il miglioramento delle prestazioni rispetto alla lettura di un solo radiologo è stato coerente in otto centri di screening e per tre marche di dispositivi.
Carcinoma polmonare
Il carcinoma polmonare è la principale causa di morte per cancro in tutto il mondo, con quasi 1,8 milioni di decessi nel 2020 (Sung et al., 2021). Lo screening per il carcinoma polmonare rappresenta un esempio di approccio mirato ed è raccomandato in funzione del rischio individuale. Lo screening degli adulti di età compresa tra 50 e 80 anni che abbiano fumato 20 pacchetti all’anno mediante tomografia computerizzata a basso dosaggio (Low-Dose Computed Tomography, LDCT) è raccomandato negli USA dal 2013, dopo che gli studi iniziali hanno mostrato una riduzione relativa della mortalità per carcinoma polmonare del 20% (Lung Cancer: Screening, 2021; National Lung Screening Trial Research Team et al., 2011). Un analogo programma di screening è in fase di implementazione nel Regno Unito (NHS England, 2022).
Dallo studio è emerso che l’uso dell’algoritmo è associato a una migliore sensibilità per il rilevamento dei noduli, indipendentemente dal livello di esperienza del primo lettore.
Nei pazienti sottoposti a screening per il carcinoma polmonare mediante LDCT, l’IA si è dimostrata promettente nella rilevazione automatica di noduli polmonari potenzialmente maligni. Ciò è importante perché la rilevazione dei noduli polmonari da parte dei radiologi è impegnativa, dispendiosa in termini di tempo e soggetta a errori (Al Mohammad et al., 2019; Armato et al., 2009; Gierada et al., 2017; Leader et al., 2005). Uno studio condotto su quasi duemila pazienti ha testato come secondo lettore un algoritmo basato su una CNN concepito per rilevare automaticamente i noduli polmonari (Katase et al., 2022). La verità di base era costituita da noduli identificati da due radiologi esperti come ad alto rischio in base all’anamnesi clinica e alle caratteristiche morfologiche del nodulo. Dallo studio è emerso che l'uso dell'algoritmo è associato a una migliore sensibilità per il rilevamento dei noduli, indipendentemente dal livello di esperienza del primo lettore. Sebbene la sensibilità complessiva sia risultata più bassa per i noduli a vetro smerigliato e per i noduli di diametro inferiore a 1 cm, la sensibilità per questi ultimi è risultata molto più elevata quando è stato utilizzato l'algoritmo rispetto a quando l’interpretazione delle immagini è stata affidata al radiologo da solo. I falsi positivi hanno incluso aree di infiammazione pleurica o vasi periferici, mentre i falsi negativi sono stati rappresentati spesso da noduli a vetro smerigliato debolmente o scarsamente delimitati o da noduli prossimi al diaframma. Si fa presente che gli autori hanno riscontrato prestazioni del modello coerenti con varie dosi di radiazioni della TC nell’ambito di uno studio su fantoccio, a indicare che i loro risultati potrebbero essere generalizzabili ad altri protocolli di TC del torace (Katase et al., 2022). Un altro studio ha rilevato una sensibilità del 93% e una specificità del 96% per un algoritmo basato su una CNN per la rilevazione di noduli polmonari alla LDCT rispetto al consenso di due radiologi (Chamberlin et al., 2021). In tale studio, i falsi positivi hanno incluso aree di atelettasia, alterazioni parenchimali associate a infezione e osteofiti protrudenti dalle vertebre toraciche che interferivano con i campi polmonari.
Oltre alla pura e semplice identificazione dei noduli polmonari, alcuni studi hanno tentato di classificare il rischio di malignità dei noduli identificati. Un algoritmo multicomponente comprendente segmentazione del volume polmonare, identificazione dell’area interessata dal tumore e modelli di previsione del rischio di tumore è stato testato su 6.716 LDCT e validato su un set indipendente di dati ottenuti da 1.139 LDCT (Ardila et al., 2019). L'algoritmo genera una probabilità di malignità in funzione di singole LDCT o, se disponibili, di precedenti LDCT dello stesso paziente. Utilizzando come verità di base casi di carcinoma polmonare confermati mediante biopsia, l'algoritmo ha fornito le stesse prestazioni di sei radiologi quando erano disponibili referti di LDCT precedenti. Nei casi in cui non erano disponibili precedenti LDCT, l'algoritmo ha prodotto tassi di falsi positivi e falsi negativi più bassi (rispettivamente 11% e 5%) rispetto ai radiologi.
La valutazione del parenchima polmonare alla LDCT che vada oltre il solo rilevamento di eventuali noduli polmonari rappresenta un approccio recente e promettente per identificare il rischio di sviluppare in futuro un carcinoma polmonare. Uno studio ha rilevato che un algoritmo CNN 3D, testato su oltre 15.000 LDCT, aveva un’area sotto la curva (Area Under the Curve, AUC) della caratteristica di funzionamento del ricevitore (ROC) di 0,86-0,94 (a seconda del set di dati) per la previsione dell’insorgenza di un carcinoma polmonare a un anno (Mikhael et al., 2023). È interessante notare che l'AUC dell'algoritmo dopo aver escluso i casi con presenza di noduli visibili al basale nella stessa posizione dei futuri tumori è stata pari a 0,82. L'algoritmo ha inoltre mostrato un tasso di falsi positivi più basso rispetto a quello dei punteggi di malignità stabiliti, sulla base delle caratteristiche morfologiche del nodulo, quando l'intero volume di LDCT è stato valutato dall'algoritmo. Da questi risultati si evince che altre caratteristiche oltre ai noduli sospetti hanno contribuito alla previsione generata dall’algoritmo. Soprattutto, ciò significa che l’algoritmo rileva nella LDCT altre caratteristiche oltre a quelle che i radiologi considerano in genere rilevanti per prevedere il rischio di sviluppare una neoplasia polmonare.
I criteri di idoneità allo screening per il carcinoma polmonare negli Stati Uniti, dettati dai Centers for Medicare and Medicaid Services (CMS), non rilevano oltre la metà dei casi di carcinoma polmonare (Y. Wang et al., 2015). Sebbene esistano altri strumenti di “pre-screening” più complessi e basati su punteggi, le informazioni che richiedono, come il numero di pacchetti-anno, sono spesso imprecise o non disponibili (Kinsinger et al., 2017). L’IA è stata quindi utilizzata per identificare un maggior numero di individui ad alto rischio per il carcinoma polmonare al fine di inserirli nei programmi di screening. Uno studio condotto su 5.615 soggetti ha rilevato che una combinazione di fattori quali radiografie semplici del torace, età, sesso e attuale stato di tabagismo consente una selezione più mirata dei pazienti per lo screening mediante LDCT (Lu et al., 2020). Il modello utilizzato in questo studio ha dato un'AUC di 0,7 per la previsione del rischio di insorgenza di un carcinoma polmonare incidente a 12 anni rispetto a un'AUC di 0,63 per i criteri dei CMS, il che si traduce in una riduzione del 30,7% dei casi di carcinoma polmonare non diagnosticato con l'algoritmo. Il modello ha previsto anche una mortalità per carcinoma polmonare a 12 anni con un’AUC di 0,76. Gli autori non raccomandano radiografie del torace di routine per il pre-screening, ma sostengono l'uso di questo modello nei pazienti sottoposti a radiografie del torace per altre indicazioni cliniche.
Carcinoma del colon-retto
Il carcinoma del colon-retto è il terzo tumore più comune sia nelle donne sia negli uomini ed è una delle principali cause di morte per cancro in tutto il mondo (Sung et al., 2021). Si sviluppa come una cascata di eventi, poiché le cellule della mucosa intestinale passano attraverso una serie di mutazioni genetiche, che la trasformano prima in mucosa iperproliferativa, poi in adenoma benigno e, in alcuni casi, in adenocarcinoma (Kuipers et al., 2015). Lo screening per il carcinoma del colonretto è principalmente preventivo. Mira infatti a rilevare adenomi potenzialmente maligni in modo che possano essere rimossi, un approccio che riduce la mortalità della malattia (Zauber et al., 2012).
Un recente studio proof-of-concept ha utilizzato un approccio completamente automatizzato basato sulle CNN per la segmentazione dei polipi e la distinzione tra polipi benigni e polipi precancerosi.
Lo screening per il carcinoma del colon-retto si esegue di routine tramite la ricerca di sangue occulto nelle feci utilizzando test altamente sensibili oppure tramite lo studio del lume intestinale mediante colonscopia ottica (Helsingen Lise M. & Kalager Mette, 2022). La colonscopia ottica è un metodo consolidato e affidabile per l’identificazione degli adenomi del colon-retto, che possono essere rimossi contestualmente. Tuttavia, i suoi principali svantaggi sono la scarsa compliance del paziente e la necessità di sedazione (Inadomi et al., 2012; Joseph et al., 2012; OECD, 2012; Stock et al., 2011; Use of Colorectal Cancer Screening Tests, 2023).
Una promettente alternativa emergente alla colonscopia ottica è la colonografia con tomografia computerizzata (CTC), una tecnica che ha un’accuratezza diagnostica simile alla colonscopia ottica (Pickhardt et al., 2003, 2011, 2018), è preferita dai pazienti (Ristvedt et al., 2003) ed è associata a una migliore compliance (Moawad et al., 2010). Inoltre, non richiede sedazione ed è in grado di rilevare reperti clinicamente rilevanti in sede extra-intestinale che sono invisibili alla colonscopia ottica (Smyth et al., 2013). Tuttavia, la CTC richiede una preparazione intestinale (come la colonscopia ottica), espone il paziente a radiazioni ionizzanti e non consente la resezione simultanea di eventuali polipi. Nonostante questi svantaggi, l’American College of Radiology raccomanda la CTC per lo screening dei pazienti con rischio medio o moderato per carcinoma del colon-retto (Expert Panel on Gastrointestinal Imaging: et al., 2018).
Le immagini della CTC passano attraverso una serie di passaggi preliminari prima di essere interpretate, comprendenti la pre-elaborazione per l’eliminazione degli artefatti, la separazione del colon dalle restanti strutture addominali, la ostruzione 3D del colon e la visualizzazione del lume colico. Uno studio recente ha combinato un nuovo metodo di segmentazione e ricostruzione del colon con la rilevazione di polipi mediante una CNN (Alkabbany et al., 2022). La segmentazione automatizzata del colon è risultata sovrapponibile per oltre il 90% con la segmentazione manuale effettuata da un esperto nel 70% dei casi, e i polipi del colon sono stati rilevati con un'AUC di 0,93, una sensibilità del 97% e una specificità del 79%.
La differenziazione tra polipi benigni e polipi potenzialmente maligni è una sfida sia alla colonscopia ottica sia alla CTC ed è stato l’argomento di numerosi studi basati sull’IA. Gli approcci basati sulla radiomica per la classificazione dei polipi benigni rispetto a quelli precancerosi alla CTC hanno mostrato AUC fino a 0,91, ma richiedono la segmentazione manuale dei polipi (Grosu et al., 2021; Song et al., 2014). Un recente studio proof-of-concept ha utilizzato un approccio completamente automatizzato basato sulle CNN per la segmentazione dei polipi e la distinzione tra polipi benigni e polipi precancerosi (Wesp et al., 2022). Gli autori hanno addestrato la CNN con dati di 63 pazienti e l’hanno testata su un set di dati indipendente relativo a 59 pazienti, mostrando un'AUC fino a 0,83 e una sensibilità e specificità dell'80% e del 69%, rispettivamente. Tali approcci basati sull’IA possono potenzialmente essere utilizzati come secondo lettore per guidare la decisione relativa alla rimozione del polipo.
Carcinoma epatocellulare
Il carcinoma epatocellulare (Hepatocellular Carcinoma, HCC) è una delle più comuni cause di morte per cancro nel mondo (Sung et al., 2021). Gli individui con cirrosi epatica o infezione cronica da virus dell'epatite B o C sono ad alto rischio di sviluppare un HCC (Vogel et al., 2022). Lo screening di questi pazienti è associato a una riduzione della mortalità per HCC (Singal et al., 2022; Zhang et al., 2004). Lo screening si esegue solitamente mediante ecografia addominale ogni sei mesi (European Association for the Study of the Liver, 2018; Frenette et al., 2019; Marrero et al., 2018), con o senza misurazione dei livelli ematici di alfa-fetoproteina (Colli et al., 2006; Tzartzeva et al., 2018). Le lesioni sospette identificate all'ecografia vengono ulteriormente caratterizzate mediante TC o RM o entrambe.
Le tecniche di deep learning sono state ampiamente applicate anche nell’imaging epatico utilizzando l’ecografia in modalità B e hanno mostrato risultati promettenti nel rilevamento delle lesioni epatiche focali e nella loro classificazione in benigne o maligne.
La patogenesi dell'HCC configura una complessa interazione tra noduli epatici presenti in diversi stadi del danno epatico cronico. I noduli rigenerativi si formano in risposta al danno a carico degli epatociti e si osservano comunemente in un fegato cirrotico. In questi noduli rigenerativi, nel tempo possono accumularsi mutazioni genetiche, che li convertono in noduli displastici ad alto rischio di progressione verso l’HCC man mano che si accumulano altre mutazioni (Kudo, 2009). Differenziare tra noduli displastici e noduli maligni mediante le tecniche di imaging è difficile (Park et al., 2017). Inoltre, le caratteristiche che l'HCC rivela all’imaging talvolta si sovrappongono a quelle di altre lesioni epatiche, inclusi emangiomi, cisti epatiche semplici e iperplasia nodulare focale (Heiken, 2007).
Utilizzando un approccio radiomico basato sulla combinazione dei dati relativi alla perfusione e dell’analisi della struttura ottenuta all’ecografia con mezzo di contrasto, uno studio condotto su 72 pazienti ha registrato un'accuratezza bilanciata di 0,84 nella differenziazione tra lesioni epatiche benigne e maligne (Turco et al., 2022). Un altro studio che ha utilizzato l’ecografia con contrasto ha riscontrato una sensibilità del 94,8% e una specificità del 93,6% nella differenziazione tra HCC e iperplasia nodulare focale utilizzando un approccio di apprendimento automatico basato sul metodo dei vettori di supporto (Huang et al., 2020); risultati comparabili sono stati ottenuti da altri studi (Gatos et al., 2015; Kondo et al., 2017). In uno studio multicentrico che ha valutato la differenziazione di 11 diversi tipi di lesioni epatiche focali utilizzando l'ecografia con mezzo di contrasto e l'istopatologia come riferimento, l’approccio di apprendimento automatico basato sul metodo dei vettori di supporto (AUC = 0,883) ha dato risultati di gran lunga migliori rispetto a quelli ottenuti con una rete neurale artificiale (AUC = 0,829), ed entrambi gli approcci si sono dimostrati superiori rispetto ai risultati ottenuti da un radiologo esperto (AUC = 0,702) (Ta et al., 2018).
Le tecniche di deep learning sono state ampiamente applicate anche nell’imaging del fegato utilizzando l’ecografia in modalità B. Questi studi hanno evidenziato risultati promettenti per la rilevazione di lesioni epatiche focali (Brehar et al., 2020; Schmauch et al., 2019; Tiyarattanachai et al., 2022) e la loro classificazione in benigne o maligne (Schmauch et al., 2019) oppure in entità specifiche (Hassan et al., 2017; Virmani et al., 2014). Utilizzando un approccio di deep learning, uno studio ha riscontrato che combinando i dati demografici del paziente e i risultati di laboratorio con le immagini dell’ecografia in modalità B, l’AUC per la classificazione delle lesioni epatiche in benigne vs. maligne è migliorata da 0,721 (solo ecografia) a 0,994 (Sato et al., 2022). Un altro studio condotto su 334 pazienti ha rilevato che il tasso di rilevazione delle lesioni epatiche focali all'ecografia in modalità B utilizzando una CNN è risultato più elevato per l'HCC rispetto ad altre lesioni epatiche focali, e la CNN si è imposta rispetto agli esperti umani (con un tasso di rilevazione dell'algoritmo del 100% rispetto al 39,1% per i non radiologi e al 69,6 % per i radiologi) (Tiyarattanachai et al., 2022).
Carcinoma prostatico
Il carcinoma prostatico è il tumore più frequente negli uomini in Europa e negli Stati Uniti (Ferlay et al., 2018; Siegel et al., 2021) ed è il terzo tumore più comune al mondo (Sung et al., 2021). Nei Paesi in cui esistono programmi di screening, questo si basa solitamente sulla misurazione dei livelli sierici dell’antigene prostatico specifico (Prostatespecific Antigen, PSA). Il PSA sierico ha un'elevata sensibilità ma una bassa specificità per il carcinoma prostatico (Merriel et al., 2022). Lo screening basato esclusivamente sul PSA porta quindi a molte biopsie non necessarie, con un tasso anche del 75% di biopsie prostatiche sistematiche (quelle in cui non si mira a un punto specifico all'interno della ghiandola, ma si ottengono più frammenti di tessuto da più parti della ghiandola) negative (Ahmed et al., 2017). Inoltre, lo screening basato sul PSA tende a rilevare tumori a basso rischio e a crescita più lenta che sono considerati clinicamente non significativi, perché non mettono in pericolo la sopravvivenza del paziente (US Preventive Services Task Force et al., 2018; Welch & Albertsen, 2020). Nel complesso, quindi, il vantaggio dello screening basato sui livelli sierici di PSA seguito da una biopsia sistematica è discutibile. Al contrario, l’approccio ideale è quello che rileva il tumore e contemporaneamente ne caratterizza la significatività clinica.
In uno studio, l’utilizzo di un classificatore Random Forest per il rilevamento di aree sospette alla RM multiparametrica della prostata è stato associato a tempi di lettura più brevi e una migliore specificità.
La RM multiparametrica svolge un ruolo sempre più importante nell'iter diagnostico dei casi screenati di carcinoma prostatico e include sequenze pesate in diffusione e in T2, con o senza sequenza dinamica post-contrasto pesata in T1 (Walker et al., 2020). L’uso della RM può ridurre i falsi positivi e la rilevazione di un carcinoma prostatico clinicamente non significativo e ciò può a sua volta contribuire a ridurre il sovratrattamento (Drost et al., 2019). Secondo alcuni studi, la RM prima della biopsia può ridurre di un terzo il numero di biopsie non necessarie (Elwenspoek et al., 2019), e quest’approccio è stato incluso in diverse linee guida sul trattamento del carcinoma prostatico ( Leitlinienprogramm Onkologie: Prostatakarzinom, senza data, Overview | Prostate Cancer: Diagnosis and Management | Guidance | NICE, senza data; Mottet et al., 2017). La RM può anche contribuire a eseguire biopsie mirate in pazienti con biopsie prostatiche sistematiche negative (Hoeks et al., 2012; Hugosson et al., 2022; Penzkofer et al., 2015; Siddiqui et al., 2015; Sonn et al., 2014). Nei pazienti affetti da carcinoma prostatico a rischio molto basso o basso, la RM può essere utile per il monitoraggio attivo della malattia, un approccio associato a buoni esiti a lungo termine (Klotz et al., 2015). La lettura delle RM della prostata è, tuttavia, difficile e anche i sistemi di refertazione standardizzati hanno una curva di apprendimento ripida, con prestazioni diagnostiche notevolmente diverse da radiologo all’altro e da una struttura all’altra (Kohestani et al., 2019; Muller et al., 2015; Rosenkrantz et al., 2017; Smith et al., 2019; Westphalen et al., 2020).
La segmentazione dell'intera prostata consente di stabilire il volume della ghiandola, utile per il calcolo della densità del PSA (una metrica che aiuta a differenziare tra ipertrofia prostatica benigna e carcinoma prostatico) e per la pianificazione della radioterapia. Tuttavia, la segmentazione manuale della prostata da parte dei radiologi richiede molto tempo ed è soggetta a errori (Garvey et al., 2014). La segmentazione automatizzata della prostata mediante strumenti basati sull'IA è fattibile e accurata, e diversi strumenti attualmente disponibili in commercio sono adatti per questo scopo (AI for Radiology, n.d.; Bardis et al., 2021; Belue & Turkbey, 2022; Sanford et al., 2020; Sunoqrot et al., 2022; Turkbey & Haider, 2022; Ushinsky et al., 2021; van Leeuwen et al., 2021; B. Wang et al., 2019).
Gli approcci basati sull’IA si sono rivelati utili anche per l’identificazione e la segmentazione del carcinoma prostatico alla RM multiparametrica. Gli algoritmi generalmente classificano le lesioni in due classi (ad esempio, carcinoma prostatico clinicamente significativo vs. carcinoma prostatico clinicamente non significativo) o in più classi utilizzando il punteggio PI-RADS (Belue & Turkbey, 2022; Twilt et al., 2021). In uno studio multi-lettore e multicentrico, l’utilizzo di un classificatore Random Forest per il rilevamento di aree sospette alla RM multiparametrica della prostata è stato associato a tempi di lettura più brevi (2,7-4,4 minuti con l’algoritmo rispetto a 3,5-6,3 minuti senza l’algoritmo, a seconda dell’esperienza del lettore) e a una migliore specificità (71,5% vs. 44,8%) (Gaur et al., 2018).
Diversi studi in cui sono stati utilizzati approcci di deep learning hanno raggiunto AUC fino a 0,89 per la rilevazione del carcinoma prostatico alla RM multiparametrica (Arif et al., 2020; Saha et al., 2021). Un algoritmo di deep learning disponibile in commercio ha migliorato la rilevazione del carcinoma prostatico clinicamente significativo da parte dei radiologi (utilizzando il consenso di tre radiologi esperti come riferimento), ha aumentato l'affidabilità inter-reader e ha ridotto il tempo di lettura mediano (Winkel et al., 2021). Come per il carcinoma mammario, l’accuratezza diagnostica è massima quando gli strumenti basati sull’IA e l’interpretazione del radiologo vengono utilizzati congiuntamente, anziché fare affidamento sulla valutazione esclusivamente dell’uno o dell’altro (Cacciamani et al., 2023).
L’IA è stata utilizzata anche per classificare l’aggressività del carcinoma prostatico. In uno studio di radiomica basato sulla RM, è stato utilizzato un classificatore basato su una macchina a vettori di supporto per la segmentazione delle aree di carcinoma prostatico, seguita da analisi della struttura ed estrazione delle caratteristiche quantitative (Giannini et al., 2021). Nello stesso studio, un altro classificatore basato su una macchina a vettori di supporto ha utilizzato le caratteristiche estratte per classificare l'aggressività del tumore utilizzando la classificazione istopatologica come riferimento. Lo studio, che prevedeva l’addestramento con dati di 72 pazienti, ha rilevato un'AUC di 0,81 in un set di dati di convalida di 59 pazienti (valore predittivo positivo = 81%, valore predittivo negativo = 71%). In un altro studio su RM multiparametriche della prostata di 107 pazienti, la classificazione PI-RADS secondo il radiologo è stata combinata con un punteggio di probabilità ottenuto con un classificatore Random Forest e tutte le regioni sospette identificate in questo modo sono state sottoposte a biopsia (Litjens et al., 2015). L'inclusione del punteggio dell'algoritmo è stata associata a una maggiore probabilità di rilevamento del carcinoma prostatico (AUC = 0,88 con l’algoritmo e 0,81 senza l'algoritmo) e di tumori più aggressivi (AUC = 0,87 con e 0,78 senza l'algoritmo). In uno studio condotto su 417 pazienti, una CNN ha ottenuto un’AUC di 0,81 per la classificazione del carcinoma prostatico clinicamente significativo utilizzando la RM multiparametrica, con una sensibilità solo leggermente inferiore a quella di un radiologo di grande esperienza (Cao et al., 2019).
Come per molte altre applicazioni dell’IA in radiologia, la mancanza di interpretabilità dei modelli di deep learning della RM della prostata ne ostacola e ritarda l’implementazione nella pratica clinica (Aristidou et al., 2022; Reddy et al., 2020; Reyes et al., 2020; Vayena et al., 2018). Uno studio che ha utilizzato una CNN sulla RM della prostata di 1.224 pazienti e le caratteristiche istopatologiche come riferimento ha rilevato un'AUC di 0,89 per la differenziazione del carcinoma prostatico clinicamente significativo da altre alterazioni della prostata (Hamm et al., 2023). Inoltre, gli autori hanno incluso una mappa termica voxel-wise delle aree sospette di carcinoma prostatico clinicamente significativo e spiegazioni descrittive, formulate sulla base della classificazione PIRADS, del modo in cui la CNN ha tratto la sua conclusione. L'algoritmo è stato associato a una riduzione del tempo di lettura da 85 secondi a 47 secondi e a un aumento della sicurezza nella lettura nei lettori non esperti.
Conclusione
L’imaging medico svolge un ruolo centrale negli iter di screening di molti dei tumori più comuni. La lettura degli esami di screening richiede competenza ed esperienza considerevoli e la domanda attuale supera di gran lunga l'offerta di radiologi formati (AAMC Report Reinforces Mounting Physician Shortage, 2021, Clinical Radiology UK Workforce Census 2019 Report, 2019). L’uso di strumenti basati sull’IA per lo screening oncologico promette di offrire un enorme contributo nella riduzione di queste problematiche. I vantaggi di tali approcci includono una migliore identificazione dei soggetti idonei allo screening, una migliore accuratezza diagnostica, una riduzione dei tempi di refertazione e una maggiore sicurezza da parte dei radiologi nelle decisioni diagnostiche. I risultati più promettenti sono stati ottenuti quando le decisioni sugli esami di screening sono state prese combinando i risultati dei sistemi basati sull’IA e l’interpretazione dei radiologi. Il processo decisionale fondato sulla collaborazione tra strumenti basati sull’IA e radiologi può quindi aprire la strada a una nuova era nello screening oncologico.
Bibliografia
AAMC Report Reinforces Mounting Physician Shortage. (2021). AAMC. https://www.aamc.org/news-insights/press- releases/aamc-report-reinforces-mounting-physician-shortage
Aggarwal, R., Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., Ashrafian, H., & Darzi, A. (2021). Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine, 4(1), 65. https://doi.org/10.1038/s41746-021-00438-z
Ahmed, H. U., El-Shater Bosaily, A., Brown, L. C., Gabe, R., Kaplan, R., Parmar, M. K., Collaco-Moraes, Y., Ward, K., Hindley, R. G., Freeman, A., Kirkham, A. P., Oldroyd, R., Parker, C., Emberton, M., & PROMIS study group. (2017). Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study. The Lancet, 389(10071), 815–822. https://doi.org/10.1016/ S0140-6736(16)32401-1
AI for radiology. (n.d.). Retrieved June 4, 2023, from https://grand-challenge.org/aiforradiology/?subspeciality=All& modality=All&ce_under=All&ce_%20class=All&fda_ class=All&sort_by=ce+certification&search=prostate
Alkabbany, I., Ali, A. M., Mohamed, M., Elshazly, S. M., & Farag, A. (2022). An AI-Based Colonic Polyp Classifier for Colorectal Cancer Screening Using Low-Dose Abdominal CT. Sensors, 22, (24). https://doi.org/10.3390/s22249761
Al Mohammad, B., Hillis, S. L., Reed, W., Alakhras, M., & Brennan, P. C. (2019). Radiologist performance in the detection of lung cancer using CT. Clinical Radiology, 74(1), 67–75. https://doi.org/10.1016/j.crad.2018.10.008
Ardila, D., Kiraly, A. P., Bharadwaj, S., Choi, B., Reicher, J. J., Peng, L., Tse, D., Etemadi, M., Ye, W., Corrado, G., Naidich, D. P., & Shetty, S. (2019). End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nature Medicine, 25(6), 954–961. https://doi. org/10.1038/s41591-019-0447-x
Arif, M., Schoots, I. G., Castillo Tovar, J., Bangma, C. H., Krestin, G. P., Roobol, M. J., Niessen, W., & Veenland, J. F. (2020). Clinically significant prostate cancer detection and segmentation in low-risk patients using a convolutional neural network on multi-parametric MRI. European Radiology, 30(12), 6582–6592. https://doi.org/10.1007/s00330-020-07008-z
Aristidou, A., Jena, R., & Topol, E. J. (2022). Bridging the chasm between AI and clinical implementation. The Lancet, 399(10325), 620. https://doi.org/10.1016/S0140-6736(22)00235-5
Armato, S. G., 3rd, Roberts, R. Y., Kocherginsky, M., Aberle, D. R., Kazerooni, E. A., Macmahon, H., van Beek, E. J. R., Yankelevitz, D., McLennan, G., McNitt-Gray, M. F., Meyer, C. R., Reeves, A. P., Caligiuri, P., Quint, L. E., Sundaram, B., Croft, B. Y., & Clarke, L. P. (2009). Assessment of radiologist performance in the detection of lung nodules: dependence on the definition of "truth." Academic Radiology, 16(1), 28–38. https://doi.org/10.1016/j.acra.2008.05.022
Banks, E., Reeves, G., Beral, V., Bull, D., Crossley, B., Simmonds, M., Hilton, E., Bailey, S., Barrett, N., Briers, P., English, R., Jackson, A., Kutt, E., Lavelle, J., Rockall, L., Wallis, M. G., Wilson, M., & Patnick, J. (2006). Hormone replacement therapy and false positive recall in the Million Women Study: patterns of use, hormonal constituents and consistency of effect. Breast Cancer Research: BCR, 8(1), R8. https://doi.org/10.1186/bcr1364
Bardis, M., Houshyar, R., Chantaduly, C., Tran-Harding, K., Ushinsky, A., Chahine, C., Rupasinghe, M., Chow, D., & Chang, P. (2021). Segmentation of the Prostate Transition Zone and Peripheral Zone on MR Images with Deep Learning. Radiology. Imaging Cancer, 3(3), e200024. https://doi.org/10.1148/rycan.2021200024
Belue, M. J., & Turkbey, B. (2022). Tasks for artificial intelligence in prostate MRI. European Radiology Experimental, 6(1), 33. https://doi.org/10.1186/s41747-022-00287-9
Boyd, N. F., Guo, H., Martin, L. J., Sun, L., Stone, J., Fishell, E., Jong, R. A., Hislop, G., Chiarelli, A., Minkin, S., & Yaffe, M. J. (2007). Mammographic density and the risk and detection of breast cancer. The New England Journal of Medicine, 356(3), 227–236. https://doi.org/10.1056/NEJMoa062790
Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A.(2018). Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 68(6), 394–424. https://doi.org/10.3322/caac.21492
Brehar, R., Mitrea, D.-A., Vancea, F., Marita, T., Nedevschi, S., Lupsor-Platon, M., Rotaru, M., & Badea, R. I. (2020). Comparison of Deep-Learning and Conventional Machine- Learning Methods for the Automatic Recognition of the Hepatocellular Carcinoma Areas from Ultrasound Images. Sensors, 20(11). https://doi.org/10.3390/s20113085
Cacciamani, G. E., Sanford, D. I., Chu, T. N., Kaneko, M., De Castro Abreu, A. L., Duddalwar, V., & Gill, I. S. (2023). Is Artificial Intelligence Replacing Our Radiology Stars? Not Yet! European Urology Open Science, 48, 14–16. https://doi. org/10.1016/j.euros.2022.09.024
Cao, R., Mohammadian Bajgiran, A., Afshari Mirak, S., Shakeri, S., Zhong, X., Enzmann, D., Raman, S., & Sung, K. (2019). Joint Prostate Cancer Detection and Gleason Score Prediction in mp-MRI via FocalNet. IEEE Transactions on Medical Imaging, 38 (11), 2496–2506. https://doi.org/10.1109/ TMI.2019.2901928
Castells, X., Molins, E., & Macià, F. (2006). Cumulative false positive recall rate and association with participant related factors in a population based breast cancer screening programme. Journal of Epidemiology and Community Health, 60(4), 316–321. https://doi.org/10.1136/jech.2005.042119
Chamberlin, J., Kocher, M. R., Waltz, J., Snoddy, M., Stringer, N. F. C., Stephenson, J., Sahbaee, P., Sharma, P., Rapaka, S., Schoepf, U. J., Abadia, A. F., Sperl, J., Hoelzer, P., Mercer, M., Somayaji, N., Aquino, G., & Burt, J. R. (2021). Automated detection of lung nodules and coronary artery calcium using artificial intelligence on low-dose CT scans for lung cancer screening: accuracy and prognostic value. BMC Medicine, 19(1), 55. https://doi.org/10.1186/s12916-021-01928-3
Clinical radiology UK workforce census 2019 report. (2019). https://www.rcr.ac.uk/publication/clinical-radiology-uk- workforce-census-2019-report
Colli, A., Fraquelli, M., Casazza, G., Massironi, S., Colucci, A., Conte, D., & Duca, P. (2006). Accuracy of ultrasonography, spiral CT, magnetic resonance, and alpha-fetoprotein in diagnosing hepatocellular carcinoma: a systematic review. The American Journal of Gastroenterology, 101(3), 513–523. https://doi.org/10.1111/j.1572-0241.2006.00467
Dembrower, K., Wåhlin, E., Liu, Y., Salim, M., Smith, K., Lindholm, P., Eklund, M., & Strand, F. (2020). Effect of artificial intelligence-based triaging of breast cancer screening mammograms on cancer detection and radiologist workload: a retrospective simulation study. The Lancet. Digital Health, 2(9), e468–e474. https://doi.org/10.1016/S2589-7500(20)30185-0
Drost, F.-J. H., Osses, D. F., Nieboer, D., Steyerberg, E. W., Bangma, C. H., Roobol, M. J., & Schoots, I. G.(2019). Prostate MRI, with or without MRI-targeted biopsy, and systematic biopsy for detecting prostate cancer. Cochrane Database of Systematic Reviews, 4(4), CD012663. https://doi.org/10.1002/14651858. CD012663.pub2
Elmore, J. G., Jackson, S. L., Abraham, L., Miglioretti, D. L., Carney, P. A., Geller, B. M., Yankaskas, B. C., Kerlikowske, K., Onega, T., Rosenberg, R. D., Sickles, E. A., & Buist, D. S. M. (2009). Variability in interpretive performance at screening mammography and radiologists’ characteristics associated with accuracy. Radiology, 253(3), 641–651. https://doi.org/10.1148/radiol.2533082308
Elwenspoek, M. M. C., Sheppard, A. L., McInnes, M. D. F., Merriel, S. W. D., Rowe, E. W. J., Bryant, R. J., Donovan, J. L., & Whiting, P. (2019). Comparison of Multiparametric Magnetic Resonance Imaging and Targeted Biopsy With Systematic Biopsy Alone for the Diagnosis of Prostate Cancer: A Systematic Review and Meta-analysis. JAMA Network Open, 2(8), e198427. https:// doi.org/10.1001/jamanetworkopen.2019.8427
European Association for the Study of the Liver. (2018). EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma. Journal of Hepatology, 69(1), 182–236. https://doi.org/10.1016/j.jhep.2018.03.019
Existence of national screening program for breast cancer. (n.d.). Retrieved April 2, 2023, from https://www.who.int/data/gho/data/indicators/indicator-details/GHO/existence-ofnational-screening-program-for-breast-cancer
Expert Panel on Gastrointestinal Imaging:, Moreno, C., Kim, D. H., Bartel, T. B., Cash, B. D., Chang, K. J., Feig, B. W., Fowler, K. J., Garcia, E. M., Kambadakone, A. R., Lambert, D. L., Levy, A. D., Marin, D., Peterson, C. M., Scheirey, C. D., Smith, M. P., Weinstein, S., & Carucci, L. R. (2018). ACR Appropriateness Criteria® Colorectal Cancer Screening. Journal of the American College of Radiology: JACR, 15(5S), S56–S68. https://doi.org/10.1016/j.jacr.2018.03.014
Ferlay, J., Colombet, M., Soerjomataram, I., Dyba, T., Randi,G., Bettio, M., Gavin, A., Visser, O., & Bray, F.(2018). Cancer incidence and mortality patterns in Europe: Estimates for 40 countries and 25 major cancers in 2018. European Journal of Cancer, 103, 356–387. https://doi.org/10.1016/j.ejca.2018.07.005
Freeman, K., Geppert, J., Stinton, C., Todkill, D., Johnson, S., Clarke, A., & Taylor-Phillips, S. (2021). Use of artificial intelligence for image analysis in breast cancer screening programmes: systematic review of test accuracy.BMJ, 374, n1872.https://doi.org/10.1136/bmj.n1872
Frenette, C. T., Isaacson, A. J., Bargellini, I., Saab, S., & Singal, A. G. (2019). A Practical Guideline for Hepatocellular Carcinoma Screening in Patients at Risk. Mayo Clinic Proceedings. Innovations, Quality & Outcomes, 3(3), 302–310. https://doi.org/10.1016/j.mayocpiqo.2019.04.005
Garvey, B., Türkbey, B., Truong, H., Bernardo, M., Periaswamy, S., & Choyke, P. L. (2014). Clinical value of prostate segmentation and volume determination on MRI in benign prostatic hyperplasia. Diagnostic and Interventional Radiology, 20(3), 229–233. https://doi.org/10.5152/dir.2014.13322
Gatos, I., Tsantis, S., Spiliopoulos, S., Skouroliakou, A., Theotokas, I., Zoumpoulis, P., Hazle, J. D., & Kagadis, G. C. (2015). A new automated quantification algorithm for the detection and evaluation of focal liver lesions with contrastenhanced ultrasound. Medical Physics, 42(7), 3948–3959. https://doi.org/10.1118/1.4921753
Gaur, S., Lay, N., Harmon, S. A., Doddakashi, S., Mehralivand, S., Argun, B., Barrett, T., Bednarova, S., Girometti, R., Karaarslan, E., Kural, A. R., Oto, A., Purysko, A. S., Antic, T., Magi-Galluzzi, C., Saglican, Y., Sioletic, S., Warren, A. Y., Bittencourt, L., … Turkbey, B. (2018). Can computeraided diagnosis assist in the identification of prostate cancer on prostate MRI? a multi-center, multi-reader investigation. Oncotarget, 9(73), 33804–33817. https://doi.org/10.18632/ oncotarget.26100
Giannini, V., Mazzetti, S., Defeudis, A., Stranieri, G., Calandri, M., Bollito, E., Bosco, M., Porpiglia, F., Manfredi, M., De Pascale, A., Veltri, A., Russo, F., & Regge, D. (2021). A Fully Automatic Artificial Intelligence System Able to Detect and Characterize Prostate Cancer Using Multiparametric MRI: Multicenter and Multi-Scanner Validation. Frontiers in Oncology, 11, 718155. https://doi.org/10.3389/fonc.2021.718155
Gierada, D. S., Pinsky, P. F., Duan, F., Garg, K., Hart, E. M., Kazerooni, E. A., Nath, H., Watts, J. R., Jr, & Aberle, D. R. (2017). Interval lung cancer after a negative CT screening examination: CT findings and outcomes in National Lung Screening Trial participants. European Radiology, 27(8), 3249–3256. https://doi.org/10.1007/s00330-016-4705-8
Giordano, L., von Karsa, L., Tomatis, M., Majek, O., de Wolf, C., Lancucki, L., Hofvind, S., Nyström, L., Segnan, N., Ponti, A., Eunice Working Group, Van Hal, G., Martens, P., Májek, O., Danes, J., von Euler-Chelpin, M., Aasmaa, A., Anttila, A., Becker, N., … Suonio, E. (2012). Mammographic screening programmes in Europe: organization, coverage and participation. Journal of Medical Screening, 19 Suppl 1, 72–82. https://doi.org/10.1258/jms.2012.012085
Grosu, S., Wesp, P., Graser, A., Maurus, S., Schulz, C., Knösel, T., Cyran, C. C., Ricke, J., Ingrisch, M., & Kazmierczak, P. M. (2021). Machine Learning-based Differentiation of Benign and Premalignant Colorectal Polyps Detected with CT Colonography in an Asymptomatic Screening Population: A Proof-of-Concept Study. Radiology, 299(2), 326–335. https://doi.org/10.1148/radiol.2021202363
Hamm, C. A., Baumgärtner, G. L., Biessmann, F., Beetz, N. L., Hartenstein, A., Savic, L. J., Froböse, K., Dräger, F., Schallenberg, S., Rudolph, M., Baur, A. D. J., Hamm, B., Haas, M., Hofbauer, S., Cash, H., & Penzkofer, T.(2023). Interactive Explainable Deep Learning Model Informs Prostate Cancer Diagnosis at MRI. Radiology, 307(4), e222276. https://doi.org/10.1148/radiol.222276
Hassan, T. M., Elmogy, M., & Sallam, E.-S. (2017). Diagnosis of Focal Liver Diseases Based on Deep Learning Technique for Ultrasound Images. Arabian Journal for Science and Engineering, 42(8), 3127–3140. https://doi.org/10.1007/s13369-016-2387-9
Heiken, J. P. (2007). Distinguishing benign from malignant liver tumours. Cancer Imaging: The Official Publication of the International Cancer Imaging Society, 7 Spec No A(Special issue A), S1–S14. https://doi.org/10.1102/1470-7330.2007.9084
Helsingen Lise M., & Kalager Mette. (2022). Colorectal Cancer Screening — Approach, Evidence, and Future Directions. NEJM Evidence, 1(1), EVIDra2100035. https://doi.org/10.1056/ EVIDra2100035
Hoeks, C. M. A., Schouten, M. G., Bomers, J. G. R., Hoogendoorn, S. P., Hulsbergen-van de Kaa, C. A., Hambrock, T., Vergunst, H., Sedelaar, J. P. M., Fütterer, J. J., & Barentsz, J. O. (2012). Three-Tesla magnetic resonance-guided prostate biopsy in men with increased prostate-specific antigen and repeated, negative, random, systematic, transrectal ultrasound biopsies: detection of clinically significant prostate cancers. European Urology, 62(5), 902–909. https://doi.org/10.1016/j. eururo.2012.01.047
Huang, Q., Pan, F., Li, W., Yuan, F., Hu, H., Huang, J., Yu, J., & Wang, W. (2020). Differential Diagnosis of Atypical Hepatocellular Carcinoma in Contrast-Enhanced Ultrasound Using Spatio-Temporal Diagnostic Semantics. IEEE Journal of Biomedical and Health Informatics, 24(10), 2860–2869. https://doi.org/10.1109/JBHI.2020.2977937
Hugosson, J., Månsson, M., Wallström, J., Axcrona, U., Carlsson, S. V., Egevad, L., Geterud, K., Khatami, A., Kohestani, K., Pihl, C.-G., Socratous, A., Stranne, J., Godtman, R. A., Hellström, M., & GÖTEBORG-2 Trial Investigators. (2022). Prostate Cancer Screening with PSA and MRI Followed by Targeted Biopsy Only.The New England Journal of Medicine, 387(23), 2126–2137. https://doi.org/10.1056/NEJMoa2209454
Inadomi, J. M., Vijan, S., Janz, N. K., Fagerlin, A., Thomas, J. P., Lin, Y. V., Muñoz, R., Lau, C., Somsouk, M., El-Nachef, N., & Hayward, R. A. (2012). Adherence to colorectal cancer screening: a randomized clinical trial of competing strategies. Archives of Internal Medicine, 172(7), 575–582. https://doi. org/10.1001/archinternmed. 2012.332
Joseph, D. A., Jessica B. King, M. P. H., Miller, J. W., & Richardson, L. C. (2012, June 15).Prevalence of Colorectal Cancer Screening Among Adults — Behavioral Risk Factor Surveillance System, United States, 2010. https://www.cdc.gov/MMWr/preview/mmwrhtml/su6102a9.htm
Katase, S., Ichinose, A., Hayashi, M., Watanabe, M., Chin,K., Takeshita, Y., Shiga, H., Tateishi, H., Onozawa, S., Shirakawa, Y., Yamashita, K., Shudo, J., Nakamura, K., Nakanishi, A., Kuroki, K., & Yokoyama, K. (2022). Development and performance evaluation of a deep learning lung nodule detection system. BMC Medical Imaging. 22(1), 203. https://doi.org/10.1186/s12880-022-00938-8
Kinsinger, L. S., Anderson, C., Kim, J., Larson, M., Chan, S. H., King, H. A., Rice, K. L., Slatore, C. G., Tanner, N. T., Pittman, K., Monte, R. J., McNeil, R. B., Grubber, J. M., Kelley, M. J., Provenzale, D., Datta, S. K., Sperber, N. S., Barnes, L. K., Abbott, D. H., … Jackson, G. L. (2017). Implementation of Lung Cancer Screening in the Veterans Health Administration. JAMA Internal Medicine, 177(3), 399–406. https://doi.org/10.1001/jamainternmed.2016.9022
Klotz, L., Vesprini, D., Sethukavalan, P., Jethava, V., Zhang, L., Jain, S., Yamamoto, T., Mamedov, A., & Loblaw, A. (2015). Long-term follow-up of a large active surveillance cohort of patients with prostate cancer.Journal of Clinical Oncology: Official Journal of the American Society of Clinical Oncology, 33(3), 272–277.https://doi.org/10.1200/JCO.2014.55.1192
Kohestani, K., Wallström, J., Dehlfors, N., Sponga, O. M., Månsson, M., Josefsson, A., Carlsson, S., Hellström, M., & Hugosson, J. (2019). Performance and inter-observer variability of prostate MRI (PI-RADS version 2) outside high-volume centres. Scandinavian Journal of Urology, 53(5), 304–311. https://doi.org/10.1080/21681805.2019.1675757
Kondo, S., Takagi, K., Nishida, M., Iwai, T., Kudo, Y., Ogawa, K., Kamiyama, T., Shibuya, H., Kahata, K., & Shimizu, C. (2017). Computer-Aided Diagnosis of Focal Liver Lesions Using Contrast-Enhanced Ultrasonography With Perflubutane Microbubbles. IEEE Transactions on Medical Imaging, 36(7),1427–1437. https://doi.org/10.1109/TMI.2017.2659734
Kramer, B. S. (2004). The science of early detection. Urologic Oncology, 22(4), 344–347. https://doi.org/10.1016/j.urolonc.2003.04.001
Kudo, M. (2009). Multistep human hepatocarcinogenesis: correlation of imaging with pathology. Journal of Gastroenterology, 44 Suppl 19, 112–118. https://doi.org/10.1007/s00535-008-2274-6
Kuipers, E. J., Grady, W. M., Lieberman, D., Seufferlein, T., Sung, J. J., Boelens, P. G., van de Velde, C. J. H., & Watanabe, T. (2015) Colorectal cancer.Nature Reviews. Disease Primers, 1, 15065. https://doi.org/10.1038/nrdp.2015.65
Lam, D. L., Pandharipande, P. V., Lee, J. M., Lehman, C. D., & Lee, C. I. (2014). Imaging-based screening: understanding the controversies.AJR. American Journal of Roentgenology, 203(5), 952–956. https://doi.org/10.2214/AJR.14.13049
Lauritzen, A. D., Rodríguez-Ruiz, A., von Euler-Chelpin, M. C., Lynge, E., Vejborg, I., Nielsen, M., Karssemeijer, N., & Lillholm, M. (2022). An Artificial Intelligence-based Mammography Screening Protocol for Breast Cancer: Outcome and Radiologist Workload. Radiology, 304(1), 41–49. https://doi.org/10.1148/radiol.210948
Leader, J. K., Warfel, T. E., Fuhrman, C. R., Golla, S. K., Weissfeld, J. L., Avila, R. S., Turner, W. D., & Zheng, B. (2005). Pulmonary nodule detection with low-dose CT of the lung: agreement among radiologists. AJR. American Journal of Roentgenology, 185(4), 973–978. https://doi.org/10.2214/AJR.04.1225
Lehman, C. D., Wellman, R. D., Buist, D. S. M., Kerlikowske, K., Tosteson, A. N. A., Miglioretti, D. L., & Breast Cancer Surveillance Consortium. (2015). Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection. JAMA Internal Medicine, 175(11), 1828–1837. https://doi.org/10.1001/jamainternmed.2015.5231
Leibig, C., Brehmer, M., Bunk, S., Byng, D., Pinker, K., & Umutlu, L. (2022). Combining the strengths of radiologists and AI for breast cancer screening: a retrospective analysis. The Lancet. Digital Health, 4(7), e507–e519. https://doi.org/10.1016/ S2589-7500(22)00070-X
Leitlinienprogramm Onkologie: Prostatakarzinom. (n.d.). Retrieved July 8, 2023, from https://www.leitlinienprogrammonkologie. de/index.php?id=58&type=0
Litjens, G. J. S., Barentsz, J. O., Karssemeijer, N., & Huisman, H. J. (2015). Clinical evaluation of a computer-aided diagnosis system for determining cancer aggressiveness in prostate MRI. European Radiology, 25(11), 3187–3199. https://doi.org/10.1007/s00330-015-3743-y
Lu, M. T., Raghu, V. K., Mayrhofer, T., Aerts, H. J. W. L., & Hoffmann, U. (2020). Deep Learning Using Chest Radiographs to Identify High-Risk Smokers for Lung Cancer Screening Computed Tomography: Development and Validation of a Prediction Model. Annals of Internal Medicine, 173(9), 704–713. https://doi.org/10.7326/M20-1868
Lung cancer: Screening. (2021, March 9). US Preventive Services Taskforce. https://www.uspreventiveservicestaskforce.org/uspstf/recommendation/lung-cancer-screening
Marmot, M. G., Altman, D. G., Cameron, D. A., Dewar, J. A., Thompson, S. G., & Wilcox, M. (2013). The benefits and harms of breast cancer screening: an independent review. British Journal of Cancer, 108(11), 2205–2240. https://doi.org/10.1038/bjc.2013.177
Marrero, J. A., Kulik, L. M., Sirlin, C. B., Zhu, A. X., Finn, R. S., Abecassis, M. M., Roberts, L. R., & Heimbach, J. K. (2018). Diagnosis, Staging, and Management of Hepatocellular Carcinoma: 2018 Practice Guidance by the American Association for the Study of Liver Diseases. Hepatology, 68(2), 723–750. https://doi.org/10.1002/hep.29913
McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., Back, T., Chesus, M., Corrado, G. S., Darzi, A., Etemadi, M., Garcia-Vicente, F., Gilbert, F. J., Halling-Brown, M., Hassabis, D., Jansen, S., Karthikesalingam, A., Kelly, C. J., King, D., … Shetty, S. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89–94. https://doi.org/10.1038/s41586-019-1799-6
Merriel, S. W. D., Pocock, L., Gilbert, E., Creavin, S., Walter, F. M., Spencer, A., & Hamilton, W. (2022). Systematic review and meta-analysis of the diagnostic accuracy of prostatespecific antigen (PSA) for the detection of prostate cancer in symptomatic patients. BMC Medicine, 20(1), 54. https://doi.org/10.1186/s12916-021-02230-y
Mikhael, P. G., Wohlwend, J., Yala, A., Karstens, L., Xiang, J., Takigami, A. K., Bourgouin, P. P., Chan, P., Mrah, S., Amayri, W., Juan, Y.-H., Yang, C.-T., Wan, Y.-L., Lin, G., Sequist, L. V., Fintelmann, F. J., & Barzilay, R. (2023). Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography.Journal of Clinical Oncology: Official Journal of the American Society of Clinical Oncology, 41(12), 2191–2200. https://doi.org/10.1200/JCO.22.01345
Moawad, F. J., Maydonovitch, C. L., Cullen, P. A., Barlow, D.S., Jenson, D. W., & Cash, B. D. 2010). CT colonography may improve colorectal cancer screening compliance. AJR. American Journal of Roentgenology, 195(5), 1118–1123. https://doi.org/10.2214/AJR.10.4921
Moran, S., & Warren-Forward, H. (2012). The Australian BreastScreen workforce: a snapshot. The Radiographer, 59(1), 26–30. https://doi.org/10.1002/j.2051-3909.2012.tb00169.x
Mottet, N., Bellmunt, J., Bolla, M., Briers, E., Cumberbatch, M. G., De Santis, M., Fossati, N., Gross, T., Henry, A. M., Joniau, S., Lam, T. B., Mason, M. D., Matveev, V. B., Moldovan, P. C., van den Bergh, R. C. N., Van den Broeck, T., van der Poel, H. G., van der Kwast, T. H., Rouvière, O., … Cornford, P. (2017). EAU-ESTRO-SIOG Guidelines on Prostate Cancer. Part 1: Screening, Diagnosis, and Local Treatment with Curative Intent. European Urology 71(4), 618–629. https://doi.org/10.1016/j.eururo.2016.08.003
Muller, B. G., Shih, J. H., Sankineni, S., Marko, J., Rais-Bahrami, S., George, A. K., de la Rosette, J. J. M. C. H., Merino, M. J., Wood, B. J., Pinto, P., Choyke, P. L., & Turkbey, B. (2015). Prostate Cancer: Interobserver Agreement and Accuracy with the Revised Prostate Imaging Reporting and Data System at Multiparametric MR Imaging. Radiology, 277(3), 741–750. https://doi.org/10.1148/radiol.2015142818
National Lung Screening Trial Research Team, Aberle, D. R., Adams, A. M., Berg, C. D., Black, W. C., Clapp, J. D., Fagerstrom, R. M., Gareen, I. F., Gatsonis, C., Marcus, P.M., & Sicks, J. D. (2011). Reduced lung-cancer mortality with low-dose computed tomographic screening. The New England Journal of Medicine, 365(5), 395–409. https://doi.org/10.1056/NEJMoa1102873
NHS England. (2022). Targeted screening for lung cancer with low radiation dose computed tomography Standard protocol prepared for the Targeted Lung Health Checks Programme. https://www.england.nhs.uk/publication/targeted-screening-for-lung-cancer
OECD. (2012). Screening, survival and mortality for colorectal cancer.In Health at a Glance: Europe 2012 (pp. 110–111). OECD. https://doi.org/10.1787/9789264183896-48-en
Overview | Prostate cancer: diagnosis and management | Guidance | NICE. (n.d.). Retrieved July 8, 2023, from https://www.nice.org.uk/guidance/ng131
Park, H. J., Choi, B. I., Lee, E. S., Park, S. B., & Lee, J. B. (2017). How to Differentiate Borderline Hepatic Nodules in Hepatocarcinogenesis: Emphasis on Imaging Diagnosis. Liver Cancer, 6(3), 189–203. https://doi.org/10.1159/000455949
Penzkofer, T., Tuncali, K., Fedorov, A., Song, S.-E., Tokuda, J., Fennessy, F. M., Vangel, M. G., Kibel, A. S., Mulkern, R. V., Wells, W. M., Hata, N., & Tempany, C. M. C. (2015). Transperineal in-bore 3-T MR imaging-guided prostate biopsy: a prospective clinical observational study.Radiology, 274(1), 170–180. https://doi.org/10.1148/radiol.14140221
Pickhardt, P. J., Choi, J. R., Hwang, I., Butler, J. A., Puckett, M.L., Hildebrandt, H. A., Wong, R. K., Nugent, P. A., Mysliwiec, P. A., & Schindler, W. R. (2003). Computed tomographic virtual colonoscopy to screen for colorectal neoplasia in asymptomatic adults.The New England Journal of Medicine, 349(23), 2191–2200. https://doi.org/10.1056/NEJMoa031618
Pickhardt, P. J., Correale, L., Delsanto, S., Regge, D., & Hassan, C. (2018). CT Colonography Performance for the Detection of Polyps and Cancer in Adults ≥ 65 Years Old: Systematic Review and Meta-Analysis.AJR. American Journal of Roentgenology, 211(1), 40–51. https://doi.org/10.2214/AJR.18.19515
Pickhardt, P. J., Hassan, C., Halligan, S., & Marmo, R. (2011). Colorectal cancer: CT colonography and colonoscopy for detection-systematic review and meta-analysis.Radiology, 259(2), 393–405. https://doi.org/10.1148/radiol.11101887
Raya-Povedano, J. L., Romero-Martín, S., Elías-Cabot, E., Gubern-Mérida, A., Rodríguez-Ruiz, A., & Álvarez-Benito, M. (2021). AI-based Strategies to Reduce Workload in Breast Cancer Screening with Mammography and Tomosynthesis: A Retrospective Evaluation. Radiology, 300(1), 57–65. https://doi. org/10.1148/radiol.2021203555
Reddy, S., Allan, S., Coghlan, S., & Cooper, P. (2020). A governance model for the application of AI in health care. Journal of the American Medical Informatics Association: JAMIA, 27(3), 491–497. https://doi.org/10.1093/jamia/ocz192
Ren, W., Chen, M., Qiao, Y., & Zhao, F. (2022). Global guidelines for breast cancer screening: A systematic review.Breast, 64,85–99. https://doi.org/10.1016/j.breast.2022.04.003
Reyes, M., Meier, R., Pereira, S., Silva, C. A., Dahlweid, F.-M., von Tengg-Kobligk, H., Summers, R. M., & Wiest, R. (2020). On the Interpretability of Artificial Intelligence in Radiology: Challenges and Opportunities. Radiology.Artificial Intelligence, 2(3), e190043. https://doi.org/10.1148/ryai.2020190043
Rimmer, A. (2017). Radiologist shortage leaves patient care at risk, warns royal college.BMJ, 359, j4683. https://doi.org/10.1136/bmj.j4683
Ristvedt, S. L., McFarland, E. G., Weinstock, L. B., & Thyssen, E. P. (2003). Patient preferences for CT colonography, conventional colonoscopy, and bowel preparation. The American Journal of Gastroenterology, 98(3), 578–585.https://doi.org/10.1016/S0002-9270(02)06024-0
Rosenkrantz, A. B., Ayoola, A., Hoffman, D., Khasgiwala, A., Prabhu, V., Smereka, P., Somberg, M., & Taneja, S. S. (2017). The Learning Curve in Prostate MRI Interpretation: Self-Directed Learning Versus Continual Reader Feedback. AJR. American Journal of Roentgenology, 208(3), W92–W100. https://doi.org/10.2214/AJR.16.16876
Saha, A., Hosseinzadeh, M., & Huisman, H. (2021). End-to-end prostate cancer detection in bpMRI via 3D CNNs: Effects of attention mechanisms, clinical priori and decoupled false positive reduction. Medical Image Analysis, 73, 102155. https://doi.org/10.1016/j.media.2021.102155
Sanford, T. H., Zhang, L., Harmon, S. A., Sackett, J., Yang, D., Roth, H., Xu, Z., Kesani, D., Mehralivand, S., Baroni, R.H., Barrett, T., Girometti, R., Oto, A., Purysko, A. S., Xu, S., Pinto, P. A., Xu, D., Wood, B. J., Choyke, P. L., & Turkbey, B. (2020). Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model. AJR. American Journal of Roentgenology, 215(6), 1403–1410. https://doi.org/10.2214/AJR.19.22347
Sato, M., Kobayashi, T., Soroida, Y., Tanaka, T., Nakatsuka,T., Nakagawa, H., Nakamura, A., Kurihara, M., Endo, M., Hikita, H., Sato, M., Gotoh, H., Iwai, T., Tateishi, R., Koike,K., & Yatomi, Y. (2022). Development of novel deep multimodal representation learning-based model for the differentiation of liver tumors on B-mode ultrasound images. Journal of Gastroenterology and Hepatology, 37(4), 678–684, https://doi.org/10.1111/jgh.15763
Schmauch, B., Herent, P., Jehanno, P., Dehaene, O., Saillard, C., Aubé, C., Luciani, A., Lassau, N., & Jégou, S. (2019). Diagnosis of focal liver lesions from ultrasound using deep learning.Diagnostic and Interventional Imaging, 100(4), 227–233. https://doi.org/10.1016/j.diii.2019.02.009
Siddiqui, M. M., Rais-Bahrami, S., Turkbey, B., George, A. K., Rothwax, J., Shakir, N., Okoro, C., Raskolnikov, D., Parnes, H.L., Linehan, W. M., Merino, M. J., Simon, R. M., Choyke, P. L., Wood, B. J., & Pinto, P. A. (2015). Comparison of MR/ultrasound fusion-guided biopsy with ultrasound-guided biopsy for the diagnosis of prostate cancer. JAMA: The Journal of the American Medical Association, 313(4), 390–397. https://doi.org/10.1001/jama.2014.17942
Siegel, R. L., Miller, K. D., Fuchs, H. E., & Jemal, A. (2021). Cancer Statistics, 2021. CA: A Cancer Journal for Clinicians, 71(1), 7–33. https://doi.org/10.3322/caac.21654
Singal, A. G., Zhang, E., Narasimman, M., Rich, N. E., Waljee, A. K., Hoshida, Y., Yang, J. D., Reig, M., Cabibbo, G., Nahon, P., Parikh, N. D., & Marrero, J.A. (2022). HCC surveillance improves early detection, curative treatment receipt, and survival in patients with cirrhosis: A meta-analysis Journal of Hepatology, 77(1), 128–139. https://doi.org/10.1016/j.jhep.2022.01.023
Smith, C. P., Harmon, S. A., Barrett, T., Bittencourt, L. K., Law, Y. M., Shebel, H., An, J. Y., Czarniecki, M., Mehralivand, S.,Coskun, M., Wood, B. J., Pinto, P. A., Shih, J. H., Choyke, P. L., & Turkbey, B. (2019). Intra- and interreader reproducibility of PI-RADSv2: A multireader study. Journal of Magnetic Resonance Imaging: JMRI, 49(6), 1694–1703. https://doi.org/10.1002/jmri.26555
Smyth, A. E., Healy, C. F., MacMathuna, P., & Fenlon, H. M. (2013). REVIEW OF CT COLONOGRAPHY: REAL-LIFE EXPERIENCE OF ONE THOUSAND CASES IN A TERTIARY REFERRAL CENTRE. Gut, 62(Suppl 2), A15–A15. https://doi.org/10.1136/gutjnl-2013-305143.36
Song, B., Zhang, G., Lu, H., Wang, H., Zhu, W., J Pickhardt, P., & Liang, Z. (2014). Volumetric texture features from higher-order images for diagnosis of colon lesions via CT colonography. International Journal of Computer Assisted Radiology and Surgery, 9(6), 1021–1031. https://doi.org/10.1007/s11548-014-0991-2
Sonn, G. A., Chang, E., Natarajan, S., Margolis, D. J., Macairan, M., Lieu, P., Huang, J., Dorey, F. J., Reiter, R.E., & Marks, L. S. (2014). Value of targeted prostate biopsy using magnetic resonance-ultrasound fusion in men with prior negative biopsy and elevated prostate-specific antigen. European Urology, 65(4), 809–815. https://doi.org/10.1016/j. eururo.2013.03.025
Stock, C., Ihle, P., Schubert, I., & Brenner, H. (2011). Colonoscopy and fecal occult blood test use in Germany: results from a large insurance-based cohort. Endoscopy, 43(9), 771–781. https://doi.org/10.1055/s-0030-1256504
Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (2021). Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians, 71(3), 209–249. https://doi.org/10.3322/caac.21660
Sunoqrot, M. R. S., Saha, A., Hosseinzadeh, M., Elschot, M., & Huisman, H. (2022). Artificial intelligence for prostate MRI: open datasets, available applications, and grand challenges.European Radiology Experimental, 6(1), 35. https://doi.org/10.1186/s41747-022-00288-8
Tabár, L., Vitak, B., Chen, T. H.-H., Yen, A. M.-F., Cohen, A., Tot, T., Chiu, S. Y.-H., Chen, S. L.-S., Fann, J. C.-Y., Rosell, J., Fohlin, H., Smith, R. A., & Duffy, S. W. (2011). Swedish two-county trial: impact of mammographic screening on breast cancer mortality during 3 decades. Radiology, 260(3), 658–663. https://doi.org/10.1148/radiol.11110469
Ta, C. N., Kono, Y., Eghtedari, M., Oh, Y. T., Robbin, M. L., Barr, R. G., Kummel, A. C., & Mattrey, R. F. (2018). Focal Liver Lesions: Computer-aided Diagnosis by Using Contrast-enhanced US Cine Recordings. Radiology, 286(3), 1062–1071. https://doi.org/10.1148/radiol.2017170365
The burden of cancer. (n.d.). The Cancer Atlas. Retrieved July 8, 2023, from https://canceratlas.cancer.org/the-burden/theburden-of-cancer/
Tiyarattanachai, T., Apiparakoon, T., Marukatat, S., Sukcharoen, S., Yimsawad, S., Chaichuen, O., Bhumiwat, S., Tanpowpong, N., Pinjaroen, N., Rerknimitr, R., & Chaiteerakij, R. (2022). The feasibility to use artificial intelligence to aid detecting focal liver lesions in real-time ultrasound: a preliminary study based on videos. Scientific Reports 12(1), 7749. https://doi.org/10.1038/s41598-022-11506-z
Turco, S., Tiyarattanachai, T., Ebrahimkheil, K., Eisenbrey, J., Kamaya, A., Mischi, M., Lyshchik, A., & Kaffas, A. E. (2022). Interpretable Machine Learning for Characterization of Focal Liver Lesions by Contrast-Enhanced Ultrasound. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 69(5), 1670–1681. https://doi.org/10.1109/TUFFC.2022.3161719
Turkbey, B., & Haider, M. A. (2022). Deep learning-based artificial intelligence applications in prostate MRI: brief summary. The British Journal of Radiology, 95(1131), 20210563. https://doi.org/10.1259/bjr.20210563
Twilt, J. J., van Leeuwen, K. G., Huisman, H. J., Fütterer, J. J., & de Rooij, M. (2021). Artificial Intelligence Based Algorithms for Prostate Cancer Classification and Detection on Magnetic Resonance Imaging: A Narrative Review.Diagnostics (Basel, Switzerland), 11(6). https://doi.org/10.3390/diagnostics11060959
Tzartzeva, K., Obi, J., Rich, N. E., Parikh, N. D., Marrero, J.A., Yopp, A., Waljee, A. K., & Singal, A. G. (2018). Surveillance Imaging and Alpha Fetoprotein for Early Detection of Hepatocellular Carcinoma in Patients With Cirrhosis: A Meta-analysis. Gastroenterology, 154(6), 1706–1718.e1. https://doi.org/10.1053/j.gastro.2018.01.064
Use of colorectal cancer screening tests. (2023, March 31). https://www.cdc.gov/cancer/colorectal/statistics/use-screeningtests-BRFSS.htm
Ushinsky, A., Bardis, M., Glavis-Bloom, J., Uchio, E., Chantaduly, C., Nguyentat, M., Chow, D., Chang, P. D., & Houshyar, R. (2021). A 3D-2D Hybrid U-Net Convolutional Neural Network Approach to Prostate Organ Segmentation of Multiparametric MRI.AJR. American Journal of Roentgenology, 216(1), 111–116. https://doi.org/10.2214/AJR.19.22168
US Preventive Services Task Force, Grossman, D. C., Curry, S. J., Owens, D. K., Bibbins-Domingo, K., Caughey, A. B., Davidson, K. W., Doubeni, C. A., Ebell, M., Epling, J. W., Jr, Kemper, A. R., Krist, A. H., Kubik, M., Landefeld, C. S., Mangione, C. M., Silverstein, M., Simon, M. A., Siu, A. L., & Tseng, C.-W. (2018). Screening for Prostate Cancer: US Preventive Services Task Force Recommendation Statement. JAMA: The Journal of the American Medical Association, 319(18), 1901–1913. https://doi.org/10.1001/jama.2018.3710
van Leeuwen, K. G., Schalekamp, S., Rutten, M. J. C. M., van Ginneken, B., & de Rooij, M. (2021). Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. European Radiology, 31(6), 3797–3804. https://doi.org/10.1007/s00330-021-07892-z
Vayena, E., Blasimme, A., & Cohen, I. G. (2018). Machine learning in medicine: Addressing ethical challenges.PLoS Medicine, 15(11), e1002689. https://doi.org/10.1371/journal.pmed.1002689
Virmani, J., Kumar, V., Kalra, N., & Khandelwal, N. (2014).Neural network ensemble based CAD system for focal liver lesions from B-mode ultrasound. Journal of Digital Imaging, 27(4), 520–537. https://doi.org/10.1007/s10278-014-9685-0
Vogel, A., Meyer, T., Sapisochin, G., Salem, R., & Saborowski, A. (2022). Hepatocellular carcinoma.The Lancet, 400(10360), 1345–1362. https://doi.org/10.1016/S0140-6736(22)01200-4
Walker, S. M., Choyke, P. L., & Turkbey, B. (2020). What You Need to Know Before Reading Multiparametric MRI for Prostate Cancer. AJR. American Journal of Roentgenology, 214(6), 1211–1219. https://doi.org/10.2214/AJR.19.22751
Wang, B., Lei, Y., Tian, S., Wang, T., Liu, Y., Patel, P., Jani, A.B., Mao, H., Curran, W. J., Liu, T., & Yang, X. (2019). Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Medical Physics, 46(4), 1707–1718. https://doi.org/10.1002/mp.13416
Wang, Y., Midthun, D. E., Wampfler, J. A., Deng, B., Stoddard, S. M., Zhang, S., & Yang, P. (2015). Trends in the proportion of patients with lung cancer meeting screening criteria. JAMA: The Journal of the American Medical Association, 313(8), 853–855. https://doi.org/10.1001/jama.2015.413
Welch, H. G., & Albertsen, P. C. (2020). Reconsidering Prostate Cancer Mortality - The Future of PSA Screening. The New England Journal of Medicine, 382(16), 1557–1563. https://doi.org/10.1056/NEJMms1914228
Wesp, P., Grosu, S., Graser, A., Maurus, S., Schulz, C., Knösel, T., Fabritius, M. P., Schachtner, B., Yeh, B. M., Cyran, C. C., Ricke, J., Kazmierczak, P. M., & Ingrisch, M. (2022). Deep learning in CT colonography: differentiating premalignant from benign colorectal polyps. European Radiology, 32(7), 4749–4759. https://doi.org/10.1007/s00330-021-08532-2
Westphalen, A. C., McCulloch, C. E., Anaokar, J. M., Arora, S., Barashi, N. S., Barentsz, J. O., Bathala, T. K., Bittencourt, L. K., Booker, M. T., Braxton, V. G., Carroll, P. R., Casalino, D. D., Chang, S. D., Coakley, F. V., Dhatt, R., Eberhardt, S. C., Foster, B. R., Froemming, A. T., Fütterer, J. J., … Rosenkrantz, A. B. (2020). Variability of the Positive Predictive Value of PI-RADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology Prostate Cancer Diseasefocused Panel. Radiology, 296(1), 76–84. https://doi.org/10.1148/radiol.2020190646
Wing, P., & Langelier, M. H. (2009). Workforce shortages in breast imaging: impact on mammography utilization.AJR. American Journal of Roentgenology, 192(2), 370–378. https://doi.org/10.2214/AJR.08.1665
Winkel, D. J., Tong, A., Lou, B., Kamen, A., Comaniciu, D., Disselhorst, J. A., Rodríguez-Ruiz, A., Huisman, H., Szolar, D., Shabunin, I., Choi, M. H., Xing, P., Penzkofer, T., Grimm, R., von Busch, H., & Boll, D. T. (2021). A Novel Deep Learning Based Computer-Aided Diagnosis System Improves the Accuracy and Efficiency of Radiologists in Reading Biparametric Magnetic Resonance Images of the Prostate: Results of a Multireader, Multicase Study. Investigative Radiology, 56(10), 605–613. https://doi.org/10.1097/RLI.0000000000000780
World Health Organization. Regional Office for Europe. (2022). A short guide to cancer screening: increase effectiveness, maximize benefits and minimize harm. World Health Organization. Regional Office for Europe. https://apps.who.int/iris/handle/10665/351396
Zauber, A. G., Winawer, S. J., O’Brien, M. J., Lansdorp-Vogelaar, I., van Ballegooijen, M., Hankey, B. F., Shi, W., Bond, J. H., Schapiro, M., Panish, J. F., Stewart, E. T., & Waye, J. D. (2012). Colonoscopic polypectomy and long-term prevention of colorectal-cancer deaths. The New England Journal of Medicine, 366(8), 687–696. https://doi.org/10.1056/NEJMoa1100370
Zhang, B.-H., Yang, B.-H., & Tang, Z.-Y. (2004). Randomized controlled trial of screening for hepatocellular carcinoma. Journal of Cancer Research and Clinical Oncology, 130(7), 417–422.https://doi.org/10.1007/s00432-004-0552-0
