Introduktion
Projektet fokuserer på betydningen af at inkludere mammografisk tæthed samt vævsmønstre i udviklingen af personaliserede screeningsprogrammer for brystkræft. Mammografisk tæt kirtelvæv, som beskriver mængden af proportionerne af bindevæv og fedtvæv i brystet, øger risikoen for at udvikle brystkræft. Desuden kan tæt kirtelvæv skjule ondartede forandringer. Forskning viser herudover, at andre faktorer, såsom mønstre i brystets væv, kan være forbundet med øget risiko for at udvikle brystkræft.
Projektets baggrund
I Danmark tilbydes gratis mammografiscreening til kvinder i alderen 50-69 år med det formål at opdage brystkræft tidligt og forbedre helbredelsesmulighederne. Dog er mammografiscreening langt mindre effektive for kvinder med tæt kirtelvæv, hvilket øger risikoen for at blive diagnosticeret med kræft mellem to screeningsrunder og resultere i dårligere prognose. Der er behov for skræddersyede screeningsprogrammer, der tager højde for den varierende risiko og screenings effektivitet.
Derfor er det væsentligt med en præcis risikostratificering af kvinder i screeningen. Ved at kombinere oplysninger om vævstæthed, vurderet med Breast Imaging Reporting and Data System (BI RADS) densitet-score, med Deep Learning-baseret teksturanalyse opnås der en mere nuanceret og præcis risikovurdering. Tilgangen kan potentielt hjælpe med at identificere kvinder med høj risiko for fremtidig brystkræft, der kan have gavn af hyppigere og mere intensive screeningsundersøgelser, mens kvinder med lavere risiko kan forlænge deres screeningsinterval.
Projektets potentiale
Projektet sigter mod at forbedre forståelsen af, hvordan disse to målinger kan være anvendelige til at identificere kvinder med forskellige risikoprofiler for fremtidig brystkræft. Resultaterne har potentiale til at bidrage til mere effektive screeningsstrategier og bedre forebyggelse af brystkræft.