📄 radiology and imaging

Evaluating Deep-Learning Based Quantification of Breast Arterial Calcification on Mammography for Cardiovascular Risk Assessment

Deze studie toont aan dat een deep learning-model nauwkeurig de verkalking van de borstslagaders kan kwantificeren uit screeningsmammogrammen om vrouwen met een verhoogd cardiovasculair risico te identificeren, hoewel het toevoegen van deze door AI afgeleide biomarker aan bestaande risicoscores zoals PREVENT slechts minimale verbetering biedt in de algehele voorspellende discriminatie.

Oorspronkelijke auteurs: Singh, P., Platt, S., Bussey, O., Heacock, L., Verdone, A., Chen, W., Reynolds, H. R., Yu, C., Shen, Y., Bredella, M. A.

Gepubliceerd 2026-06-18

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Singh, P., Platt, S., Bussey, O., Heacock, L., Verdone, A., Chen, W., Reynolds, H. R., Yu, C., Shen, Y., Bredella, M. A.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Idee: Een "Verborgen Aanwijzing" Vinden in Routinefoto's

Stel je voor dat je naar de dokter gaat voor een routinecontrole, zoals het laten testen van je ogen. Terwijl de dokter naar je ogen kijkt, merkt hij per ongeluk een klein krasje op je bril op dat erop wijst dat je misschien te hard rijdt. Je bent daar niet gekomen om over je rijgedrag te praten, maar die kleine aanwijzing kan je helpen een toekomstige crash te voorkomen.

Deze studie gaat over het vinden van een soortgelijke "verborgen aanwijzing" in mammogrammen (routinefoto's voor borstkankerscreening). De onderzoekers wilden zien of ze Kunstmatige Intelligentie (AI) konden gebruiken om Borstslagaderverkalking (Breast Arterial Calcification - BAC) op te sporen.

Wat is BAC? Denk aan je slagaders als waterleidingen. Na verloop van tijd kunnen deze verstopt raken met minerale afzettingen (kalk), net zoals oude leidingen verstopt kunnen raken met roest of kalkaanslag. Wanneer deze afzettingen zichtbaar worden in de bloedvaten van de borst, wordt dit BAC genoemd.
Het Probleem: Artsen meten deze afzettingen meestal niet op mammogrammen omdat het moeilijk is om ze duidelijk te zien, en de foto's worden gemaakt voor een ander doel (het controleren op kanker).
De Oplossing: Het team heeft een "slimme robot" (een deep learning-model) gebouwd die deze routinefoto's kan bekijken en automatisch kan tellen hoeveel "roest" (kalk) er in de leidingen zit.

Hoe Ze de "Slimme Robot" Hebben Gebouwd

De onderzoekers hebben de AI getraind met een enorme bibliotheek aan mammogrammen.

De Training: Ze lieten de AI duizenden foto's zien waarbij menselijke experts al contouren rond de kalkafzettingen hadden getekend. Het was alsof je een student duizenden wiskundeproblemen laat zien waarbij de antwoorden met rode inkt zijn opgeschreven, zodat hij het patroon kan leren.
De Test: Ze testten de AI op nieuwe foto's die de AI nog nooit eerder had gezien. De robot was ongelooflijk goed in het vinden van de kalk (97% nauwkeurigheid bij het opsporen ervan) en was ook erg goed in het meten van de hoeveelheid die er was.

Wat Ze Ontdekten

Toen de robot klaar was, gebruikten ze deze om 202.000 vrouwen te scannen die routineuze mammogrammen hadden ondergaan. Vervolgens wachtten ze af wat er de komende 5 tot 10 jaar met deze vrouwen zou gebeuren.

Dit is wat ze ontdekten:

De "Roest" Neemt Toe met de Leeftijd: Net zoals een oude auto meer roest heeft dan een nieuwe, hadden oudere vrouwen meer kalkafzettingen.
De "Roest" Voorspelt Problemen: Vrouwen met veel van deze kalkafzettingen hadden een veel grotere kans op een ernstig hartprobleem (zoals een hartaanval of beroerte) in de toekomst, vergeleken met vrouwen zonder afzettingen.
- De Analogie: Als je naar een groep mensen kijkt en ziet dat degenen met de meeste "roest" aan hun leidingen degene zijn wiens leidingen uiteindelijk knappen, dan weet je dat "roest" een waarschuwingssignaal is.
De Cijfers:
- Vrouwen met geen kalk hadden een laag risico op hartproblemen (ongeveer 1,5% kans in 5 jaar).
- Vrouwen met veel kalk hadden een veel hoger risico (ongeveer 6,9% kans in 5 jaar).

Verving de AI de Huidige Hulpmiddelen van de Arts?

De onderzoekers vergeleken hun nieuwe AI-methode met het standaard hulpmiddel dat artsen vandaag de dag gebruiken, de PREVENT-score. De PREVENT-score is als een rekenmachine die je leeftijd, bloeddruk, cholesterol en rookgewoonten gebruikt om je hartrisico te voorspellen.

Het Resultaat: De PREVENT-score was nog steeds de betere voorspeller op zichzelf.
De Combinatie: Toen ze de kalkmeting van de AI toevoegden aan de PREVENT-score, maakte dit de voorspelling niet veel beter. Het was alsoals een klein beetje extra kruiden toevoegen aan een gerecht dat al perfect op smaak was; de smaak veranderde niet veel.

De Kern van het Verhaal

De studie concludeert dat:

Het Werkt: We kunnen AI gebruiken om automatisch kalk in de borstslagaders te vinden en te meten via routineuze mammogrammen.
Het Er toe Doet: De hoeveelheid kalk die wordt gevonden, is een echt waarschuwingssignaal voor toekomstige hartproblemen.
De Rol: Dit AI-hulpmiddel moet de standaard hartrisico-calculatoren (zoals PREVENT) niet vervangen. Zie het liever als een schaalbare "kans". Omdat miljoenen vrouwen al mammogrammen ondergaan, kan deze AI fungeren als een vangnet. Als het standaard risicoprofiel van een vrouw laag lijkt, maar de AI ziet veel "roest" in haar borstslagaders, kan dit een signaal zijn om extra aandacht te besteden aan haar hartgezondheid.

Belangrijke Opmerking: Het artikel vermeldt expliciet dat dit een onderzoeksstudie is en dat de resultaten nog niet door peer review zijn gecertificeerd. Het is nog geen regel voor artsen om de behandeling van patiënten aan te passen, maar het bewijst dat de technologie klaar is voor verdere tests.

Technische Samenvatting: Evaluatie van Deep Learning-gebaseerde Kwantificering van Borstslagaderverkalking op Mammografie voor Cardiovasculaire Risicobeoordeling

Probleemstelling
Cardiovasculaire ziekte (CVD) blijft de belangrijkste doodsoorzaak onder vrouwen, maar traditionele risicovoorspellingsinstrumenten classificeren vrouwen vaak onjuist, met name bij jongere en middelbare cohorten, als laag risico. Deze onderschatting leidt tot vertraagde diagnose en onderbehandeling. Hoewel arteriële verkalkingen gevestigde risicofactoren zijn voor majeure cardiovasculaire events (MACE), vereist hun detectie doorgaans gespecialiseerde tests die pas worden aangevraagd bij klinische verdenking. Screeningmammografie, die jaarlijks wordt uitgevoerd bij ongeveer 40 miljoen vrouwen in de VS, biedt een enorme, onbenutte bron voor "opportunistische beeldvorming"—de systematische kwantificering van biomarkers uit onderzoeken die voor andere klinische redenen worden uitgevoerd. De uitdaging ligt echter in het ontwikkelen van een schaalbare, geautomatiseerde methode om borstslagaderverkalking (BAC) te detecteren en te kwantificeren om de bruikbaarheid ervan als voorspeller van toekomstig cardiovasculair risico te beoordelen.

Methodologie
Deze retrospectieve studie, uitgevoerd bij NYU Langone Health, maakte gebruik van een cohort van 202.006 vrouwen (gemiddelde leeftijd 54,8 ± 11,7 jaar) die tussen 2010 en 2022 een screening met full-field digitale mammografie (FFDM) ondergingen, waarbij vrouwen met een voorgeschiedenis van MACE werden uitgesloten.

Dataset Constructie: Een door experts geannoteerde dataset van 2.676 FFDM-beelden werd gecreëerd voor modelontwikkeling. Beelden werden geselecteerd via een verrijkingsstrategie die BAC-positieve en BAC-negatieve gevallen balanceerde op basis van radiologische rapporten, waarbij de definitieve labels werden bepaald door handmatige beoordeling en vrijehand-annotatie door een radiologie-assistent, geverifieerd door een medisch specialist in borstradiologie. De dataset werd opgesplitst in trainingssets (1.907 beelden), validatiesets (360 beelden) en testsets (409 beelden).
Deep Learning Architectuur: Er werd een multi-task convolutioneel neuraal netwerk ontwikkeld met behulp van een U-Net architectuur met een ResNet-18 encoder. Het model werd getraind om gezamenlijk de volgende output te genereren:
1. Een pixel-niveau BAC-segmentatiekaart.
2. Een beeld-niveau waarschijnlijkheid van de aanwezigheid van BAC.
  Het trainingsdoel combineerde Focal-Tversky loss voor segmentatie en binaire cross-entropy voor classificatie, met een gewogen loss-functie ( $\lambda = 0,1$ ) die de voorkeur gaf aan segmentatie.
Kwantificatie Pipeline: Na de segmentatie werden binaire maskers gegenereerd met een waarschijnlijkheidsdrempel van 0,5. De BAC-belasting werd gekwantificeerd als fysiek oppervlak (mm²) door het aantal voorgrondpixels te vermenigvuldigen met de DICOM-gecodeerde pixelafstandwaarden. De belasting per onderzoek werd berekend door het gemiddelde oppervlak over alle vier de aanzichten (craniocaudaal en mediolaat oblieque) voor een patiënt te berekenen.
Risicomodellering: De studie evalueerde de voorspellende waarde van AI-afgeleide BAC-belasting voor incidentie van MACE over een horizon van 5 en 10 jaar. Vier Cox Proportional Hazards modellen werden ontwikkeld: (i) BAC-belasting alleen, (ii) de ACC/AHA PREVENT score alleen, (iii) een gecombineerd BAC + PREVENT model, en (iv) een gecombineerd model van standaard klinische risicofactoren + BAC. Prestaties werden geëvalueerd op een interne testset en een geografisch afgebakende testcohort (Brooklyn) om de generaliseerbaarheid te beoordelen.

Belangrijkste Bijdragen

Geautomatiseerde Kwantificering: De studie presenteert een deep learning-pipeline die in staat is om BAC-belasting in vierkante millimeter te detecteren en te kwantificeren in routinematige screeningmammogrammen met hoge nauwkeurigheid.
Grootschalige Validatie: Het model werd gevalideerd op een enorme cohort van meer dan 200.000 vrouwen, waarbij een specifieke geografisch afgebakende testset (Brooklyn) de robuustheid over verschillende demografische populaties aantoont.
Risicostratificatie: Het onderzoek stelt een gegradeerd verband vast tussen de AI-afgeleide BAC-belasting en de incidentie van MACE, waarbij verder wordt gegaan dan de binaire aanwezigheid/afwezigheid naar continue belastingstratificatie.
Vergelijkende Analyse: Het artikel vergelijkt rigoureus de voorspellende kracht van AI-afgeleide BAC met de gevestigde PREVENT-score en standaard klinische risicofactoren, wat een realistische beoordeling geeft van de incrementele waarde van BAC.

Resultaten

Modelprestaties: Op de geografisch afgebakende testset bereikte het BAC-detectiemodel een AUROC van 0,97. Voor segmentatie was de Dice-score 0,6678. De correlatie tussen de AI-afgeleide en handmatig geannoteerde BAC-belasting was sterk (Pearson $r = 0,961$ ), hoewel het model een lichte systematische overschatting vertoonde (gemiddelde bias +10,3 mm²).
Prevalentie en Verdeling: AI-gedetecteerde BAC was aanwezig in 23,1% van het cohort. De BAC-belasting nam toe met de leeftijd en was rechts-scheef verdeeld, met een mediane belasting van 19,51 mm² onder BAC-positieve patiënten.
Associatie met MACE: BAC-belasting was significant geassocieerd met toekomstige MACE. De 5-jarige MACE-incidentie steeg van 1,5% bij vrouwen zonder BAC naar 6,9% bij vrouwen met een hoge BAC-belasting. Vergelijkbaar steeg de 10-jarige incidentie van 2,6% naar 10,4% over deze groepen.
Voorspellende Prestaties:
- BAC Alleen: Toonde matige discriminatie, met 5-jarige en 10-jarige AUROC's van respectievelijk 0,661 en 0,650.
- PREVENT Score Alleen: Presteerde aanzienlijk beter, met 5-jarige en 10-jarige AUROC's van 0,781 en 0,771.
- Gecombineerde Modellen: Het toevoegen van de BAC-belasting aan de PREVENT-score resulteerde in minimale verbetering in discriminatie (bijv. de 5-jarige AUROC steeg met slechts 0,0001).

Betekenis en Claims
De auteurs concluderen dat deep learning-gebaseerde kwantificering van BAC uit routinematige mammografie haalbaar, accuraat en geassocieerd is met toekomstig cardiovasculair risico. Ze houden echter een bescheiden standpunt aan met betrekking tot de klinische bruikbaarheid als standalone voorspeller. Het artikel beweert dat hoewel de BAC-belasting alleen de discriminatie niet significant verbetert wanneer deze aan de PREVENT-score wordt toegevoegd, het dient als een waardevolle schaalbare opportunistische beeldvormingsbiomarker.

De betekenis ligt in het potentieel om cardiovasculair risico "zichtbaar en acteerbaar" te maken voor vrouwen die anders door traditionele instrumenten als laag risico zouden worden geclassificeerd. Door de bestaande infrastructuur van mammografie te benutten, kan deze aanpak vrouwen met een verhoogd risico identificeren zonder extra kosten, straling of patiëntbelasting, wat potentieel kan leiden tot vroegere risicobeoordeling, lipidenonderzoek en preventieve zorg. De auteurs positioneren BAC niet als een vervanging voor klinische risicomodellen, maar als een complementaire, gestandaardiseerde beeldvormingsmarker die klinische besluitvormingsondersteuning en preventieve interventies kan triggeren.