Virker mammografi-KI likt på forskjellig utstyr?

Kort svar

KI-systemets resultater varierte betydelig med hvilket mammografiapparat bildene kom fra. Tilpasning av terskler forbedret enkelte mål, men fjernet ikke alle forskjellene. Studien viser hvorfor et verktøy må undersøkes med utstyret det faktisk skal brukes sammen med. Den målte ikke virkningen av KI og radiologer i vanlig samarbeid.

Hva undersøkte forskerne?

Forskerne lot et bestemt KI-system analysere tidligere innsamlede mammografibilder. Systemet ga skårer for hvor mistenkelige undersøkelsene var. Forskerne undersøkte hva som skjedde når samme grense for et mistenkelig funn ble brukt på bilder fra ulike apparater.

De prøvde også apparatspesifikke terskler. En terskel er grensen for når en skår fører til et varsel. En lav grense kan fange flere krefttilfeller, men også flere falske alarmer. Studien undersøkte denne avveiningen gjennom en tilbakeblikkende analyse, ikke ved å la resultatene styre pasientenes undersøkelser.

Hva fant de?

Utstyret kan påvirke hvordan et KI-system virker

KI-skårene og ytelsen var forskjellige mellom apparattypene. Det betyr at samme grense kunne gi ulike mengder varsler avhengig av hvilket apparat som tok bildet. Ett samlet gjennomsnittLukkGjennomsnittSummen av verdiene delt på antall verdier. Gjennomsnittet kan skjule at noen har svært høye og andre svært lave verdier.Et eksempel: Verdiene 2, 4 og 9 har gjennomsnitt 5. Ingen av de tre verdiene er faktisk 5.Se ordet i ordlisten ville skjult denne variasjonen.

Terskler tilpasset apparatet reduserte antallet merkede undersøkelser betydelig og forbedret noen mål. Likevel løste tilpasningen ikke alle forskjeller. Samlet ytelse i simuleringen var heller ikke bedre enn den eksisterende ordningen med dobbeltgranskning og felles vurdering.

Intervallkreft er kreft som oppdages mellom planlagte screeningrunder. At KI i ettertid markerer et slikt bilde, beviser ikke at kreften ville blitt diagnostisert da bildet ble tatt. Videre undersøkelser og menneskelige vurderinger måtte også ha ført fram. Noen beregnede påvisningsrater var derfor hypotetiske.

Hvor sikre kan vi være?

Studien brukte faktiske screeningbilder fra flere steder, men undersøkte et bestemt KI-system i ettertid. Den fanget ikke direkte hvordan radiologer ville reagert på varsler, eller hvordan samarbeid og arbeidsflyt ville påvirket beslutningene.

Apparat, screeningsted og pasientgrunnlag kan henge sammen. Tekniske utelukkelser begrenser også utvalget. Terskler som virker gode i ett datasett, må prøves på nye data før man vet hvor godt de holder. Oppdateringer av både apparatprogramvare og KI kan endre resultatene senere.

Hvem gjelder resultatene for?

22 673 mammografiundersøkelser fra seks screeningsteder i kantonen St. Gallen i Sveits inngikk. Bildene var tatt i 2022 og 2023 med tre apparattyper fra Siemens, Philips og GE. Materialet omfattet 115 screeningpåviste krefttilfeller og 15 intervallkrefttilfeller det første året.

Den opprinnelige samlingen var større. Noen undersøkelser ble utelatt på grunn av alder, manglende bilder, inkompatibelt utstyr eller andre tekniske problemer. Hele 4 256 undersøkelser fra ett sted ble utelatt fordi apparatet ikke var kompatibelt i det aktuelle tidsrommet. Det er relevant når man vurderer hvor bredt verktøyet kan brukes.

Hva kan dette bety i hverdagen?

Et screeningprogram kan bruke studien som begrunnelse for å kontrollere ytelse lokalt og følge den over tid. Spørsmålet er ikke bare om en KI-modell har en god gjennomsnittsskårLukkGjennomsnittSummen av verdiene delt på antall verdier. Gjennomsnittet kan skjule at noen har svært høye og andre svært lave verdier.Et eksempel: Verdiene 2, 4 og 9 har gjennomsnitt 5. Ingen av de tre verdiene er faktisk 5.Se ordet i ordlisten, men om den fungerer på hvert relevant apparat og i hele arbeidsforløpet. Færre varsler i en simulering er heller ikke automatisk mindre arbeid i klinikken.

Hvordan passer dette med annen forskning?

PRAIM i omtale 053 undersøker KI-støtte mens tysk screening er i drift. Denne studien bruker et separat sveitsisk bildemateriale og undersøker en annen bruk av KI. Gunstige funn i PRAIM betyr derfor ikke at et KI-system fungerer like godt med alle apparater. Denne sveitsiske beregningen fra eksisterende bilder kan heller ikke alene vise hvordan systemene vil fungere når leger bruker dem i vanlig praksis.

Hva trenger vi mer kunnskap om?

Systemet bør prøves på nye bilder mens screeningtilbudet er i drift. Da kan forskerne undersøke hvordan forskjellige grenser for hva KI regner som mistenkelig, påvirker legenes faktiske beslutninger. Det er noe annet enn å beregne et mulig resultat fra gamle bilder.

Studiene bør følge hvor mange som kalles tilbake, kreft som oppdages mellom screeningrundene, arbeidsmengde og belastning for pasientene. Det må også undersøkes hva som skjer når utstyr eller programvare byttes. Et system som fungerer med ett apparat, er ikke ferdig undersøkt for alle apparater.

Kilder

Omtalen bygger på det forskerne selv rapporterer om metode, resultater og begrensninger.

Kilden denne omtalen handler om

Blum M, Morant R, Eichenberger A, Geissler A, Subelack J, Vogel J, Ehlig D. AI performance varies considerably across mammography devices: a multi-site and multi-vendor retrospective study. Insights into imaging, 2026.

Les originalpublikasjonen

Les fullteksten

Andre studier og fagkilder omtalt i teksten

Bakgrunnskilde: Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. 2025. Les publikasjonen.

Sist gjennomgått: 30. oktober 2026.

Kildegrunnlag: publikasjonens fulltekst.

Redaksjonell oppdatering 1. november 2026: Språk, forklaringer og henvisninger er gjennomgått. Datoen for kildegjennomgang er oppgitt ovenfor.