Kan artificiell intelligens öka den diagnostiska säkerheten vid pankreascancer?
Datortomografier (DT), MR-undersökningar och slätröntgen ligger till grund för många avgörande medicinska beslut. Trots hög kompetens och lång utbildning hos radiologer missas ibland allvarliga sjukdomar. Inte på grund av slarv, utan därför att människans perception har begränsningar och arbetsbelastningen är hög.
Under de senaste decennierna har datorstödd diagnostik (computer-aided detection, CAD) baserad på artificiell intelligens (AI) utvecklats som ett verktyg för att förbättra den radiologiska upptäckten av cancer och bedömningen av sjukdomens utbredning. AI-system tränas på mycket stora bilddatabaser och lär sig känna igen mönster som är svåra att uppfatta för det mänskliga ögat. De kan markera misstänkta områden, jämföra aktuella bilder med tidigare undersökningar och upptäcka avvikelser som annars riskerar att förbises. I praktiken fungerar AI som ett andra par ögon som aldrig blir trötta och aldrig är stressade. Trots att resultaten av AI-tillämpningar framstår som lovande har någon bred implementering i klinisk praxis ännu inte skett.
Samtidigt måste entusiasmen balanseras med ansvar. AI är inte felfritt. Algoritmer speglar den data de tränats på och kan reproducera bias om träningsmaterialet är snedfördelat. Ett system som huvudsakligen tränats på bilder från en viss befolkningsgrupp kan prestera sämre för andra. Därför krävs noggrann validering, transparens och kontinuerlig uppföljning. AI ska således inte ersätta radiologer, utan stödja dem. Det slutliga medicinska ansvaret måste alltid ligga hos legitimerad vårdpersonal. Erfarenhet, klinisk kontext och helhetsbedömning går inte att ersätta med algoritmer. Men de kan förstärkas.
Pancreascancerdiagnostik med CT
Duktalt adenokarcinom i pankreas (PDAC) är fortsatt en av de dödligaste cancerformerna globalt sett, främst eftersom symtomen vanligen uppträder i ett sent skede, vilket leder till diagnos först när botande behandling inte längre är möjlig. Screening av asymtomatiska individer för PDAC med ett enskilt test är i dagsläget inte genomförbar på grund av sjukdomens låga prevalens och de potentiella skador som falskt positiva fynd kan medföra. Att fastställa förekomst eller frånvaro av cancer och följa förlopp med hjälp av radiologisk bilddiagnostik är svårt och kräver särskild expertis, inte minst efter neoadjuvant behandling. Tidig upptäckt och karaktärisering av tumörer skulle emellertid potentiellt kunna öka antalet patienter som är aktuella för botande behandling [1].
Detektion av PDAC och andra periampullära cancerformer på datortomografiska (DT) kräver specialiserad radiologisk expertis. Trots detta missar även erfarna radiologer tidiga tumörer på DT-bilder; i en studie från 2023 uppnådde 15 expertradiologer en genomsnittlig sensitivitet på endast 80 procent vid granskning av kontrastförstärkta DT-undersökningar för PDAC [2]. Icke-kontrastförstärkt datortomografi, som rutinmässigt utförs av kliniska skäl, erbjuder dock en möjlighet till storskalig screening. Samtidigt har identifiering av PDAC med hjälp av icke-kontrastförstärkt DT länge betraktats som omöjlig.
Aktuella studier med AI-förstärkt CT-diagnostik
I en studie från 2023 utvecklades en djupinlärningsbaserad metod, pancreatic cancer detection with artificial intelligence (PANDA), för att detektera och klassificera pankreaslesioner med hög noggrannhet med hjälp av icke-kontrastförstärkt DT. PANDA tränades på ett datamaterial bestående av 3 208 patienter från ett enda center. I en multicenterbaserad validering med 6 239 patienter från 10 center uppnådde PANDA ett område under ROC-kurvan (AUC) på 0,986–0,996 för tumördetektion, överträffade den genomsnittliga radiologprestationen med 34 procent högre sensitivitet och 6,3 procent högre specificitet vid identifiering av PDAC, samt uppnådde en sensitivitet på 92,9 procent och en specificitet på 99,9 procent för tumördetektion i en verklighetsnära validering med flera scenarier omfattande 20 530 konsekutiva patienter. Anmärkningsvärt är att PANDA, när den används tillsammans med icke-kontrastförstärkt DT, visade samma resultat som radiologiska utlåtanden baserade på kontrastförstärkt DT vid differentiering av vanliga subtyper av pankreaslesioner. PANDA skulle därmed potentiellt kunna fungera som ett nytt verktyg för storskalig screening av pankreascancer [3].
I en studie (“Pancreatic cancer diagnosis: Radiologists meet AI”, PANORAMA) publicerad januari 2026 tränades och externt validerades AI-systemet inom ramen för ett internationellt benchmarking nätverk. Studien omfattade en kohort om 2 310 patienter från fyra tertiära vårdcenter i Nederländerna och USA för träning (n = 2 224) och finjustering (n = 86), samt en avskild testkohort om 1 130 patienter från fem tertiära vårdcenter i Nederländerna, Sverige och Norge. En observatörsstudie med flera granskare och flera fall genomfördes med 68 radiologer (40 center, 12 länder; median erfarenhet 9,0 år på en delmängd av 391 patienter från testkohorten. Referensstandard fastställdes genom histopatologi och minst tre års klinisk uppföljning. Det primära effektmåttet var den genomsnittliga arean under ROC-kurvan (AUROC) för AI-systemet jämfört med radiologernas AUROC vid detektion av PDAC på DT. Av de 3 440 inkluderade patienterna (1 511 kvinnor, 1 929 män; medianålder 67 år under perioden 1 januari 2004 till 31 december 2023 fick 1 103 (32 %) diagnosen PDAC.
I den avskilda testkohorten med 1 130 patienter (406 med histologiskt verifierad PDAC) uppnådde AI en AUROC på 0,92 (95 % konfidensintervall 0,90 till 0,93). Bland de 391 patienterna uppnådde AI också en AUROC på 0,92 (95 %; 0,89 till 0,94), jämfört med gruppen av 68 deltagande radiologer, som hade en AUROC på 0,88 (95 %; 0,85 till0,91). AI visadesåledes en förbättrad förmåga att detektera PDAC på rutinmässiga DT-undersökningar jämfört med radiologer i genomsnitt [4].
Konklusion
Denna begränsade genomgång visar att artificiell intelligens har lett till kliniskt användbara framgångar för tillämpningar av djupinlärning inom medicinsk bildanalys. Samtidigt innebär införandet av så kallade ”black box”-modeller för djupinlärning att det finns begränsat utrymme för domänspecifik kunskap vid den slutliga diagnostiska bedömningen. För medicinska tillämpningar inom datorseende är inte enbart noggrannhet viktig, utan även robusthet, tolkningsbarhet och förklarbarhet, för att säkerställa klinikernas förtroende [5]. Pankreascancer kan vara ett bra exempel på hur man kan involvera kliniker i AI och samtidigt beakta den kliniska diagnostiska processen som en helhet – metoden finns.
Referenser
- Ramaekers M, Viviers CGA, Janssen BV, Hellström TAE, Ewals L, van der Wulp K et al. Computer-aided detection for pancreatic cancer diagnosis: Radiological challenges and future directions. J Clin Med 2023; 12: 4209.
- Luyer MDP, Artificial intelligence in pancreatic cancer detection: from premise to practice. Lancet Oncology 2026: 27: 8-9.
- Cao K, Xia Y, Yao J, Han X, Lambert L, Zhang T, et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning. Nat Med 2023; 29: 3033-43.
- Akves N, Schuumans M, Rutkowski D, Saha A, Vendeittelli P, Obuchowski N, et al. Artificial intelligence and radiologists in pancreatic cancer detection using standard of care CT scans (PANORAMA): an international, paired, non-inferiority, confirmatory, observational study. Lancet Oncology 2026; 27: 116-24.
- Thornblad TAE, Ewals LJS, Nederend J, Luyer MDP, De With PHN, van der Sommen F. Clinical insights to improve medical deep learning design: A comprehensive review of methods and benefits. Comput Biol Med 2025; 196(Pt C): 110780.
