Proceder al sitio como profesional sanitario
El cáncer es una de las principales causas de morbilidad y mortalidad en el mundo: una de cada cinco personas desarrolla un cáncer a lo largo de su vida (The Burden of Cancer, s.f.). El cribado del cáncer se dirige a personas asintomáticas y su objetivo es identificar las afecciones precancerosas o el cáncer en estadio temprano. De esta forma, en muchos casos es posible intervenir a tiempo y obtener unos mejores resultados terapéuticos. En general, se puede considerar que el cribado cumple una función preventiva o de detección temprana. El cribado preventivo tiene como objetivo detectar afecciones benignas que podrían evolucionar a cancerosas (lo que solo es posible con algunos cánceres) y detectar el cáncer en sus etapas iniciales. Es importante destacar que el cribado no se limita a una única prueba, sino que implica un proceso que incluye la identificación de la población objetivo, la realización de pruebas diagnósticas y, si es necesario, la planificación de un tratamiento (Organización Mundial de la Salud. Oficina Regional para Europa, 2022).
La radiología desempeña un papel esencial en la determinación de la extensión local y a distancia de los tumores tras el diagnóstico de cáncer. Además, es indispensable en el cribado de varios tipos de cáncer. Los estudios de diagnóstico por imagen pueden ser la principal herramienta de cribado, o se pueden utilizar para decidir si es necesario realizar nuevas pruebas tras el cribado mediante otros métodos, como los análisis de sangre. Dependiendo del tipo de cáncer, para el cribado se pueden utilizar técnicas como la mamografía, la tomografía computarizada (TC), la resonancia magnética (RM) o la ecografía. En algunos países, se han establecido programas nacionales de cribado por imagen para los cánceres más frecuentes, la mayoría dirigidos a poblaciones específicas con riesgo para el cáncer específico en cuestión, identificadas mediante factores de riesgo tanto modificables como no modificables.
Dado que el cribado del cáncer se dirige a personas sanas, es necesario considerar cuidadosamente los posibles beneficios que ofrece en relación a los daños que puede generar. Esta valoración debe realizarse para cada programa de cribado y, en ocasiones, resulta controvertida (Lam et al., 2014). Sin embargo, es importante destacar que existen ventajas y desventajas asociadas al cribado del cáncer que se aplican a todas las técnicas de detección y a todos los tipos de cáncer (Kramer, 2004; Organización Mundial de la Salud. Oficina Regional para Europa, 2022). El cribado puede contribuir a reducir los costes sanitarios y a mejorar la calidad de vida de los pacientes. También suele mejorar el pronóstico y los resultados del tratamiento en las personas en las que se detecta cáncer, y puede tranquilizar a las personas en las que se ha descartado que padezcan esta enfermedad. Sin embargo, en ocasiones, la detección precoz no altera el pronóstico, y en estos casos, el cribado podría dar lugar a un tratamiento innecesario que afecte negativamente la salud o la calidad de vida del paciente. De hecho, en algunas situaciones, el cribado puede identificar cánceres que nunca habrían causado una enfermedad o la muerte a lo largo de la vida de la persona. En cualquier prueba de cribado, los falsos positivos y falsos negativos son inevitables. Los falsos positivos pueden dar lugar un tratamiento excesivo, con efectos secundarios psicosociales y físicos, y los falsos negativos pueden generar una falsa tranquilidad y retrasar el tratamiento necesario.
Cáncer de mama
El cáncer de mama es la segunda causa principal de muerte por cáncer en mujeres (Bray et al., 2018) y uno de los cánceres más frecuentes en todo el mundo (Sung et al., 2021). La detección y el tratamiento tempranos pueden mejorar los resultados, y diversos estudios han demostrado que la mortalidad es hasta un 20 % inferior en las poblaciones que se someten a un cribado en comparación con las que no lo hacen. Se estima que, en promedio, se evita una muerte por cáncer de mama por cada 250 - 414 mujeres que se someten a cribado (Marmot et al., 2013; Tabár et al., 2011). Además, más de 100 países en todo el mundo han implementado programas de cribado de cáncer de mama a gran escala (Existence of National Screening Program for Breast Cancer, s.f.). Se recomienda iniciar el cribado entre los 40 y los 50 años (Ren et al., 2022). En la práctica, este proceso se lleva a cabo principalmente mediante mamografías, que utilizan dosis bajas de rayos X para obtener imágenes de las mamas. También se utiliza la tomosíntesis digital de mama, una técnica similar que crea una serie de imágenes apiladas de la mama a partir de múltiples proyecciones.
El algoritmo aumentó la detección del cáncer de mama entre un 12 y un 27 % al clasificar las mamografías que se consideraron negativas tras la doble lectura, pero que el algoritmo consideró sospechosas, para su posterior evaluación mediante RM o ecografía.
La precisión de la mamografía puede variar significativamente, e incluso los radiólogos más experimentados pueden presentar altas tasas de falsos positivos y falsos negativos (Elmore et al., 2009; Lehman et al., 2015). Se estima que al menos una de cada tres mujeres sometidas a cribado tendrá un resultado falso positivo en una mamografía a lo largo de su vida (Castells et al., 2006). Además, la mamografía puede resultar especialmente desafiante en mamas densas (Boyd et al., 2007) y en mujeres que siguen una terapia hormonal sustitutiva (Banks et al., 2006). La mamografía también es un proceso laborioso. En varios países europeos, el estándar de atención consiste en la doble lectura consensuada, en la cual dos radiólogos revisan consecutivamente cada caso y resuelven los desacuerdos por consenso (Giordano et al., 2012). Lamentablemente, muchos países también deben hacer frente a una escasez de radiólogos y radiógrafos con formación específica en mamografía (Moran & Warren-Forward, 2012; Rimmer, 2017; Wing & Langelier, 2009).
Se han incorporado sistemas basados en la IA en diversas etapas del proceso de cribado del cáncer de mama. En un estudio de casi 30 000 mujeres de Estados Unidos y el Reino Unido que se sometieron a mamografías de cribado con intervalos de 1 a 3 años y un período de seguimiento de hasta 39 meses, se comparó un conjunto de tres modelos de aprendizaje profundo con la histopatología y las interpretaciones de radiólogos certificados (McKinney et al., 2020). El algoritmo tuvo una especificidad entre un 1,2 y un 5,7 % mayor y una sensibilidad entre un 2,7 y un 9,4 % mayor en comparación con los radiólogos que realizaron la primera lectura. Los autores estimaron que el uso del algoritmo podría hacer innecesarias las segundas lecturas en hasta el 88 % de los casos de cribado, manteniendo la precisión, lo que liberaría recursos muy necesarios.
Los resultados más prometedores se han observado en estudios que combinan sistemas basados en inteligencia artificial con la evaluación de radiólogos. En un estudio realizado en España con casi 16 000 mujeres que se sometieron a mamografía digital o a una tomosíntesis digital de mama se estimó que la implementación de un algoritmo basado en el aprendizaje profundo reduciría la carga de trabajo en un 72,5 % en comparación con la doble lectura, a la vez que mantendría la sensibilidad (Raya-Povedano et al., 2021). En este modelo, las exploraciones menos sospechosas serían evaluadas únicamente por el algoritmo, mientras que el 2 % de las exploraciones más sospechosas, según el algoritmo, se marcarían para un análisis posterior, independientemente de la interpretación de los radiólogos. De manera similar, un estudio realizado en Suecia con 7354 mujeres demostró que un algoritmo de aprendizaje profundo disponible en el mercado clasificaba con precisión las mamografías menos sospechosas, evitando así que estas mujeres se sometieran a pruebas adicionales innecesarias (Dembrower et al., 2020). La tasa de falsos negativos en este caso fue del 0-2,6 %. El algoritmo también aumentó la detección del cáncer de mama entre un 12 y un 27 % al clasificar las mamografías que se consideraron negativas tras la doble lectura, pero que el algoritmo consideró sospechosas, para su posterior evaluación mediante RM o ecografía.
En otros estudios se han utilizado sistemas basados en la IA como un paso previo a la toma de decisiones sobre las derivaciones y los siguiente pasos a seguir. En un estudio de más de un millón de mamografías realizado en Alemania, una red neuronal convolucional profunda (CNN) asignó una puntuación de confianza a cada mamografía (Leibig et al., 2022). Las evaluaciones que el algoritmo realizó con un alto nivel de confianza no se sometieron a más pruebas, mientras que las evaluaciones con un bajo nivel de confianza se remitieron al radiólogo. Este enfoque se asoció a un aumento del 4 % en la sensibilidad y del 0,5 % en la especificidad en comparación con la evaluación de un único radiólogo sin ayuda del algoritmo. En este escenario, el algoritmo clasificó automáticamente el 63 % de las mamografías, y la mejora del rendimiento en comparación con la lectura de un solo radiólogo fue constante en ocho centros de cribado y tres fabricantes de dispositivos.
Cáncer de pulmón
El cáncer de pulmón es la principal causa de muerte por cáncer en todo el mundo y provocó casi 1,8 millones de muertes en 2020 (Sung et al., 2021). El cribado del cáncer de pulmón se recomienda en función del riesgo individual. El cribado de adultos de 50 a 80 años con antecedentes de tabaquismo de 20 años mediante una tomografía computarizada de baja dosis (TCBD) se recomienda en EE. UU. desde 2013, después de que los estudios iniciales mostraran una reducción relativa de la mortalidad por cáncer de pulmón del 20 % (Lung Cancer: Screening, 2021; National Lung Screening Trial Research Team et al., 2011). En el Reino Unido se implementando un programa de cribado similar (NHS England, 2022).
En el estudio se halló que el uso del algoritmo se asociaba con una mejora de la sensibilidad a los nódulos en los distintos niveles de experiencia del primer lector.
En pacientes sometidos a cribado de cáncer de pulmón mediante TCBD, la IA ha demostrado ser prometedora en la detección automática de nódulos pulmonares que podrían ser cancerosos. Esto es importante porque la detección de nódulos pulmonares por parte de los radiólogos es laboriosa, requiere mucho tiempo y es propensa a errores (Al Mohammad et al., 2019; Armato et al., 2009; Gierada et al., 2017; Leader et al., 2005). En un estudio de casi dos mil pacientes, se probó como segundo lector un algoritmo basado en redes neuronales convolucionales (CNN) diseñado para detectar automáticamente nódulos pulmonares (Katase et al., 2022). El valor de referencia consistió en nódulos identificados por dos radiólogos experimentados como de alto riesgo según la historia clínica y la morfología del nódulo. En el estudio se halló que el uso del algoritmo se asociaba con una mejora de la sensibilidad a los nódulos en los distintos niveles de experiencia del primer lector. A pesar de que la sensibilidad general fue menor para los nódulos en vidrio esmerilado y aquellos con menos de 1 cm de diámetro, se observó una sensibilidad significativamente mayor cuando se utilizó el algoritmo en comparación con la interpretación realizada únicamente por el radiólogo. Los falsos positivos incluyeron áreas de inflamación pleural o vasos periféricos, mientras que los falsos negativos a menudo correspondieron a nódulos de vidrio esmerilado tenues o mal delimitados, o nódulos cercanos al diafragma. Es importante destacar que los autores hallaron un rendimiento uniforme del modelo en toda la gama de dosis de radiación de la TC en un estudio con fantoma (modelo simulado), lo que indica que sus resultados podrían generalizarse a otros protocolos de TC torácica (Katase et al., 2022). En otro estudio, se halló que un algoritmo basado en redes neuronales convolucionales (CNN) tenía una sensibilidad del 93 % y una especificidad del 96 % para detectar nódulos pulmonares en tomografía computarizada de baja dosis (TCBD) en comparación con el consenso de 2 radiólogos (Chamberlin et al., 2021). En este estudio, los resultados positivos incluyeron áreas de atelectasia, cambios parenquimatosos asociados a infección y osteofitos que sobresalían en los campos pulmonares desde las vértebras torácicas.
Más allá de la mera identificación de los nódulos pulmonares, algunos estudios han intentado clasificar el riesgo de malignidad de los nódulos identificados. Así, por ejemplo, se evaluó un algoritmo multicomponente que incluye la segmentación pulmonar, la detección de regiones cancerosas y modelos de predicción de cáncer en 6716 TCBD, y se validó en un conjunto de datos independiente de 1139 TCBD (Ardila et al., 2019). El algoritmo establece una probabilidad de malignidad basada en una sola TCBD o, si se dispone de ellas, de TCBD anteriores del mismo paciente. El algoritmo demostró un rendimiento comparable al de seis radiólogos cuando se evaluaron casos de cáncer de pulmón confirmados mediante biopsia y se contaba con imágenes previas de TCBD. En los casos en los que se disponía de TCBD previas, el algoritmo mostró una tasa de falsos positivos un 11 % menor y una tasa de falsos negativos un 5 % menor que los radiólogos.
Además, la evaluación del parénquima pulmonar en TCBD, más allá de la presencia de nódulos pulmonares, es un enfoque reciente y prometedor para identificar el riesgo futuro de cáncer de pulmón. Un estudio demostró que un algoritmo 3D-CNN, probado en más de 15 000 TCBD, tenía un área bajo la curva (AUC) característica operativa del receptor de 0,86 a 0,94 (dependiendo del conjunto de datos) en la predicción del cáncer de pulmón a un año (Mikhael et al., 2023). Curiosamente, el AUC del algoritmo después de excluir los casos en los que había nódulos visibles al inicio del estudio en la misma localización que los futuros cánceres fue de 0,82. El algoritmo también mostró una tasa de falsos positivos inferior a las puntuaciones de malignidad establecidas basadas en la morfología de los nódulos cuando el algoritmo evaluaba todo el volumen de la TCBD. Estos resultados sugieren que otras características, además de los nódulos sospechosos, contribuían a la predicción del algoritmo. Esto significa que el algoritmo detecta características en la TCBD que van más allá de lo que los radiólogos suelen considerar relevante para predecir el riesgo de cáncer de pulmón.
Los criterios de idoneidad para el cribado del cáncer de pulmón en Estados Unidos, que proceden de los Centros de Servicios de Medicare y Medicaid (CMS), pasan por alto más de la mitad de los casos de cáncer de pulmón (Y. Wang et al., 2015). Aunque existen otras herramientas de “cribado previo” más complejas y basadas en puntuaciones, la información que requieren, como el número de años de paquetes consumidos al año, a menudo es inexacta o no se conoce (Kinsinger et al., 2017). Así pues, la IA se ha utilizado para identificar a un mayor número de personas que presentan un alto riesgo de padecer un cáncer de pulmón e incluirlos en programas de cribado. En un estudio con 5615 personas, se descubrió que al combinar radiografías simples de tórax, edad, sexo y tabaquismo actual, es posible seleccionar de manera más precisa a los pacientes para la detección mediante tomografía computarizada de baja dosis (TCBD) (Lu et al., 2020). En este estudio, el modelo logró un AUC de 0,7 en la predicción de la incidencia de cáncer de pulmón a 12 años, en comparación con un AUC de 0,63 para los criterios del Centro de Servicios de Medicare y Medicaid (CMS). Esto significa que el algoritmo pasó por alto un 30,7 % menos de casos de cáncer de pulmón que los criterios tradicionales. El modelo también predijo la mortalidad por cáncer de pulmón a 12 años con un AUC de 0,76. Los autores no recomiendan la realización rutinaria de radiografías de tórax para el cribado previo, pero abogan por el uso de este modelo en pacientes sometidos a radiografías de tórax por otras indicaciones clínicas.
Cáncer colorrectal
El cáncer colorrectal es el tercero más frecuente tanto en mujeres como en hombres y es una de las principales causas de muerte por cáncer en todo el mundo (Sung et al., 2021). Se desarrolla como una cascada de acontecimientos a medida que las células de la mucosa intestinal acumulan mutaciones genéticas, transformándose primero en una mucosa hiperproliferativa, luego en un adenoma benigno y, en algunos casos, en un adenocarcinoma (Kuipers et al., 2015). El cribado del cáncer colorrectal es principalmente preventivo: su objetivo es detectar adenomas potencialmente cancerosos para poder extirparlos, un enfoque que reduce la mortalidad de la enfermedad (Zauber et al., 2012).
Un estudio reciente de prueba de concepto utilizó un enfoque totalmente automatizado utilizando CNN para la segmentación de pólipos y para distinguir entre pólipos benignos y premalignos.
El cribado del cáncer colorrectal se realiza de forma rutinaria mediante la búsqueda de sangre en las heces con ensayos de alta sensibilidad o mediante la visualización de la luz del intestino mediante una colonoscopia óptica (Helsingen Lise M. & Kalager Mette, 2022). La colonoscopia óptica es un método consolidado y fiable para identificar adenomas colorrectales y permite extirparlos inmediatamente. Sin embargo, sus principales desventajas son el bajo cumplimiento por parte del paciente y la necesidad de sedación (Inadomi et al., 2012; Joseph et al., 2012; OCDE, 2012; Stock et al., 2011; Use of Colorectal Cancer Screening Tests, 2023).
Una alternativa emergente prometedora a la colonoscopia óptica es la colonografía por tomografía computarizada. Esta técnica ofrece una precisión diagnóstica similar a la colonoscopia óptica (Pickhardt et al., 2003, 2011, 2018), es la preferida por los pacientes (Ristvedt et al., 2003) y tiene un mejor cumplimiento (Moawad et al., 2010). Tampoco requiere sedación y puede detectar hallazgos clínicamente relevantes fuera del intestino que son invisibles para la colonoscopia óptica (Smyth et al., 2013). Por otro lado, la colonografía por TC requiere una preparación intestinal (como la colonoscopia óptica), expone al paciente a cierta radiación ionizante y no permite la resección simultánea de pólipos. A pesar de estas desventajas, el Colegio Estadounidense de Radiología recomienda utilizar la colonografía por TC en el cribado de pacientes con riesgo promedio o moderado de cáncer colorrectal (Expert Panel on Gastrointestinal Imaging: et al., 2018).
Las imágenes de colonografía por TC se someten a una serie de pasos de preparación antes de ser interpretadas. Estos incluyen el preprocesamiento para eliminar artefactos, la extracción del colon del resto de las estructuras abdominales, la reconstrucción 3D del colon y la visualización de la luz del colon. Un estudio reciente combinó un nuevo método de segmentación y reconstrucción del colon con la detección de pólipos mediante una CNN (Alkabbany et al., 2022). La segmentación automatizada del colon mostró una superposición de más del 90 % con la segmentación manual experta en el 70 % de los casos y se detectaron pólipos en el colon con una AUC de 0,93, una sensibilidad del 97 % y una especificidad del 79 %.
Distinguir entre los pólipos benignos y aquellos con potencial maligno representa un desafío tanto en la colonoscopia óptica como en la colonografía por TC, y ha sido el objetivo de varios estudios que emplean la IA. Los enfoques basados en la radiómica para clasificar los pólipos benignos frente a los premalignos en la colonografía por TC han mostrado una AUC de hasta 0,91, si bien requieren la segmentación manual de los pólipos (Grosu et al., 2021; Song et al., 2014). En un estudio demostrativo preliminar llevado a cabo recientemente se utilizó un enfoque totalmente automatizado mediante CNN para la segmentación de pólipos y la distinción entre pólipos benignos y premalignos (Wesp et al., 2022). Los autores entrenaron la CNN con datos de 63 pacientes y la probaron en un conjunto de datos independiente de 59 pacientes, mostrando una AUC de hasta 0,83 y una sensibilidad y especificidad de hasta el 80 % y el 69 % respectivamente. Estos enfoques basados en IA pueden utilizarse potencialmente como un segundo lector para ayudar a guiar la decisión sobre la extirpación de pólipos.
Carcinoma hepatocelular
El carcinoma hepatocelular (CHC) es una de las causas más frecuentes de muerte por cáncer en el mundo (Sung et al., 2021). Las personas con cirrosis hepática o infección crónica por el virus de la hepatitis B o C tienen un alto riesgo de desarrollar CHC (Vogel et al., 2022). El cribado de estos pacientes se asocia a una reducción de la mortalidad como consecuencia de esta enfermedad (Singal et al., 2022; Zhang et al., 2004). El cribado suele realizarse mediante ecografía abdominal cada seis meses (European Association for the Study of the Liver, 2018; Frenette et al., 2019; Marrero et al., 2018), con o sin medición de los niveles de alfafetoproteína en sangre (Colli et al., 2006; Tzartzeva et al., 2018). Las lesiones sospechosas identificadas en la ecografía se caracterizan adicionalmente mediante TC, RM o ambas.
Las técnicas de aprendizaje profundo también se han aplicado ampliamente en imágenes hepáticas utilizando una ecografías en modo B, con unos resultados prometedores en la detección y clasificación de lesiones hepáticas focales como benignas o malignas.
La patogenia del CHC implica una interacción compleja entre los nódulos hepáticos que existen en diferentes etapas de la lesión hepática crónica. Los nódulos regenerativos se forman en respuesta al daño en los hepatocitos y suelen observarse en hígados cirróticos. Con el tiempo, las mutaciones genéticas pueden acumularse dentro de estos nódulos regenerativos, transformándolos en nódulos displásicos con un alto riesgo de progresar a CHC a medida que se suman más mutaciones (Kudo, 2009). Diferenciar entre nódulos displásicos y malignos mediante técnicas de imagen supone todo un reto (Park et al., 2017). Además, las manifestaciones radiológicas del CHC a veces se superponen con las de otras lesiones hepáticas, como los hemangiomas, los quistes hepáticos simples y la hiperplasia nodular focal (Heiken, 2007).
Mediante un enfoque radiómico que combina información de perfusión y análisis de textura en ecografía con contraste, un estudio realizado con 72 pacientes halló una precisión equilibrada del 0,84 para distinguir entre lesiones hepáticas benignas y malignas (Turco et al., 2022). Otro estudio en el que se utilizó la ecografía con contraste halló una sensibilidad del 94,8 % y una especificidad del 93,6 % en la distinción entre CHC e hiperplasia nodular focal mediante un enfoque de aprendizaje automático de vectores de soporte (Huang et al., 2020), y otros estudios hallaron resultados similares (Gatos et al., 2015; Kondo et al., 2017). En un estudio multicéntrico que investigó la diferenciación de 11 tipos diferentes de lesiones hepáticas focales utilizando una ecografía con contraste e histopatología como referencia, el aprendizaje automático de vectores de soporte (AUC = 0,883) superó a una red neuronal artificial (AUC = 0,829) y ambos enfoques superaron a un radiólogo experimentado (AUC = 0,702) (Ta et al., 2018).
Las técnicas de aprendizaje profundo también se han aplicado ampliamente en la obtención de imágenes del hígado mediante ecografías en modo B. Estos estudios han mostrado resultados prometedores en la detección (Brehar et al., 2020; Schmauch et al., 2019; Tiyarattanachai et al., 2022) y clasificación de lesiones hepáticas focales como benignas o malignas (Schmauch et al., 2019), así como en su clasificación en entidades específicas (Hassan et al., 2017; Virmani et al., 2014). Un estudio que empleó un enfoque de aprendizaje profundo demostró que al combinar información demográfica del paciente, los resultados analíticos y ecografías en modo B, se mejoraba el AUC en la clasificación de las lesiones hepáticas como benignas o malignas. El AUC aumentó de 0,721 (usando solo la ecografía) a 0,994 (Sato et al., 2022). En otro estudio con 334 pacientes, se halló que CNN en ecografía en modo B detectaba mejor las lesiones hepáticas focales relacionadas con el CHC que otras lesiones. Además, la CNN superó a los expertos humanos, logrando una tasa de detección del 100 % en comparación con el 39,1 % para no radiólogos y el 69,6 % para radiólogos (Tiyarattanachai et al., 2022).
Cáncer de próstata
El cáncer de próstata es el cáncer más frecuente en hombres en Europa y Estados Unidos (Ferlay et al., 2018; Siegel et al., 2021) y es el tercer cáncer más frecuente en el mundo (Sung et al., 2021). En los países donde existen programas, el cribado suele basarse en la medición de los niveles séricos del antígeno prostático específico (PSA). El PSA sérico tiene una alta sensibilidad pero una baja especificidad para el cáncer de próstata (Merriel et al., 2022). Así pues, el cribado basado únicamente en el PSA da lugar a un gran número de biopsias innecesarias, ya que hasta el 75 % de las biopsias sistemáticas de próstata —las biopsias que se realizan sin centrarse en una localización específica dentro de la próstata, sino tomando múltiples biopsias de diferentes partes de la glándula— son negativas (Ahmed et al., 2017). Además, el cribado mediante el PSA tiende a detectar cánceres de menor riesgo y de crecimiento más lento, que se consideran clínicamente insignificantes porque no amenazan la supervivencia del paciente (US Preventive Services Task Force et al., 2018; Welch & Albertsen, 2020). Por lo tanto, el cribado basado en los niveles séricos de PSA seguido de una biopsia sistemática ofrece, en general, un beneficio cuestionable. En cambio, el enfoque ideal sería detectar el cáncer y caracterizar simultáneamente su importancia clínica.
Un estudio que utilizó un clasificador aleatorio basado en bosques para detectar áreas sospechosas en una RM de próstata multiparamétrica se asoció a tiempos de lectura más cortos y una mejor especificidad.
La resonancia magnética multiparamétrica desempeña un papel crucial en el estudio de los casos de cáncer de próstata. Esta técnica incluye secuencias ponderadas en difusión y ponderadas en T2, con o sin una secuencia dinámica potenciada con contraste ponderada en T1 (Walker et al., 2020). Los falsos positivos y la detección de cáncer de próstata clínicamente insignificante pueden reducirse utilizando la RM, lo que puede ayudar a reducir a su vez el sobretratamiento (Drost et al., 2019). Los estudios indican que la RM antes de la biopsia puede reducir el número de biopsias innecesarias en un tercio (Elwenspoek et al., 2019), y este enfoque se ha incluido en varias directrices sobre el tratamiento del cáncer de próstata (Leitlinienprogramm Onkologie: Prostatakarzinom, s.f., Overview | Prostate Cancer: Diagnosis and Management | Guidance | NICE, n.d.; Mottet et al., 2017). La RM también puede guiar las biopsias dirigidas en pacientes con biopsias sistemáticas de próstata negativas (Hoeks et al., 2012; Hugosson et al., 2022; Penzkofer et al., 2015; Siddiqui et al., 2015; Sonn et al., 2014) . En pacientes con cáncer de próstata de riesgo muy bajo o bajo, la RM puede ser útil para controlar activamente la enfermedad, un enfoque que se asocia a unos buenos resultados a largo plazo (Klotz et al., 2015). Sin embargo, la lectura de resonancias magnéticas de próstata es un reto, e incluso los sistemas de informes estandarizados tienen una curva de aprendizaje pronunciada. Además, el rendimiento diagnóstico varía mucho entre radiólogos e instituciones (Kohestani et al., 2019; Muller et al., 2015; Rosenkrantz et al., 2017; Smith et al., 2019; Westphalen et al., 2020).
La segmentación de toda la próstata permite determinar el volumen de la glándula, que se utiliza para calcular la densidad del PSA (una métrica que ayuda a diferenciar entre hipertrofia prostática benigna y cáncer de próstata) y planificar la radioterapia. Sin embargo, la segmentación manual de la próstata por parte de radiólogos requiere mucho tiempo y es propensa a errores (Garvey et al., 2014). La segmentación automatizada de la glándula prostática utilizando herramientas basadas en IA es factible y precisa, y actualmente hay varias herramientas comerciales disponibles para este propósito (AI for Radiology, nd; 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).
Los enfoques basados en IA también han demostrado ser útiles para la identificación y segmentación del cáncer de próstata en la RM multiparamétrica. Por lo general, los algoritmos clasifican las lesiones en dos clases (por ejemplo, cáncer de próstata clínicamente significativo frente a cáncer de próstata clínicamente insignificante) o en varias clases utilizando la puntuación PI-RADS (Belue & Turkbey, 2022; Twilt et al., 2021). En un estudio multicéntrico de lecturas múltiples, el uso de un clasificador basado en bosques aleatorios para detectar áreas sospechosas en la RM multiparamétrica de próstata se asoció con tiempos de lectura más cortos (de 2,7 a 4,4 minutos con el algoritmo frente a entre 3,5 y 6,3 minutos sin el algoritmo, dependiendo de la experiencia del lector), así como con una especificidad mejorada (71,5 % frente a 44,8 %) (Gaur et al., 2018).
Varios estudios que utilizan enfoques de aprendizaje profundo han logrado AUC de hasta 0,89 en la detección del cáncer de próstata mediante RM multiparamétrica (Arif et al., 2020; Saha et al., 2021). Un algoritmo comercial basado en el aprendizaje profundo mejoró la detección por parte de los radiólogos del cáncer de próstata clínicamente significativo (utilizando el consenso de tres radiólogos experimentados como referencia), aumentó la fiabilidad entre lectores y redujo el tiempo medio de lectura (Winkel et al., 2021). Al igual que sucede con el cáncer de mama, la precisión diagnóstica aumenta cuando se combinan las herramientas basadas en la IA con las interpretaciones de los radiólogos, en lugar de depender exclusivamente de una u otra evaluación (Cacciamani et al., 2023).
La IA también se ha utilizado para clasificar la agresividad del cáncer de próstata. En un estudio de radiómica basado en RM, se empleó una máquina clasificadora de vectores de soporte para segmentar áreas de cáncer de próstata, seguida de un análisis de textura y extracción cuantitativa de características (Giannini et al., 2021). En el mismo estudio, otra máquina clasificadora de vectores de soporte utilizó las características extraídas para clasificar la agresividad del tumor utilizando la clasificación histopatológica como referencia. El estudio, que se basó en los datos de 72 pacientes, halló una AUC de 0,81 en un conjunto de datos de validación de 59 pacientes (valor predictivo positivo = 81 %, valor predictivo negativo = 71 %). En otro estudio de RM multiparamétricas de próstata de 107 pacientes, las clasificaciones PI-RADS de los radiólogos se combinaron con una puntuación de probabilidad derivada de un clasificador de bosque aleatorio, y todas las regiones sospechosas identificadas de esta forma se sometieron a biopsia (Litjens et al., 2015). La inclusión de la puntuación del algoritmo se asoció con una mayor probabilidad de detectar cáncer de próstata (AUC = 0,88 con y 0,81 sin el algoritmo) y cánceres más agresivos (AUC = 0,87 con y 0,78 sin el algoritmo). En un estudio de 417 pacientes, una CNN logró un AUC de 0,81 en la clasificación del cáncer de próstata clínicamente significativo mediante una RM multiparamétrica con solo una sensibilidad ligeramente menor en comparación con radiólogos altamente experimentados (Cao et al., 2019).
Al igual que ocurre con muchas otras aplicaciones de la IA en radiología, la falta de interpretabilidad de los modelos de aprendizaje profundo de la RM de próstata dificulta y retrasa su implementación en la práctica clínica (Aristidou et al., 2022; Reddy et al., 2020; Reyes et al., 2020; Vayena et al., 2018). Un estudio en el que se utilizó una CNN en RM de próstata de 1224 pacientes y la histopatología como referencia halló un AUC de 0,89 para distinguir el cáncer de próstata clínicamente significativo de otros cambios en la próstata (Hamm et al., 2023). Además, incluyeron un mapa de calor en vóxeles de las áreas sospechosas de cáncer de próstata clínicamente significativo y explicaciones descriptivas inspiradas en PI-RADS de cómo la CNN llegó a su conclusión. El algoritmo se asoció a una reducción del tiempo de lectura de 85 a 47 segundos y a un aumento de la confianza en la lectura en lectores no expertos.
Conclusión
El diagnóstico por imagen desempeña un papel esencial en los planes de cribado de varios de los cánceres más frecuentes. La lectura de exploraciones de cribado requiere una habilidad y experiencia considerables, y la demanda actual supera con creces la oferta de radiólogos debidamente capacitados (AAMC Report Reinforces Mounting Physician Shortage, 2021, Clinical Radiology UK Workforce Census 2019 Report, 2019). El uso de herramientas basadas en la IA para el cribado del cáncer es muy prometedor para mitigar estos problemas. Estos enfoques han demostrado beneficios, como la identificación más precisa de las personas aptas para el cribado, una mayor precisión diagnóstica, reducción en los tiempos de notificación y un aumento en la confianza de los radiólogos en sus decisiones diagnósticas. Los resultados más prometedores surgieron cuando los sistemas basados en la IA y los radiólogos colaboraron en la toma de decisiones durante las exploraciones de cribado. La colaboración en la toma de decisiones entre las herramientas basadas en IA y los radiólogos puede allanar el camino hacia una era transformadora en el cribado del cáncer.
Referencias
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
