I ricercatori della NYU Langone Health e del Perlmutter Cancer Center hanno sviluppato NYU-DRP, un modello di deep learning progettato per stimare il rischio di sviluppare un tumore al seno entro cinque anni analizzando mammografie 3D acquisite nel corso di più anni. Il sistema utilizza esami longitudinali di tomosintesi mammaria digitale, o DBT, cioè la sequenza di mammografie tridimensionali accumulata durante screening annuali ripetuti, con l’obiettivo di sfruttare non soltanto l’aspetto del tessuto mammario in un singolo momento, ma anche le variazioni che emergono nel tempo. Lo studio di validazione, intitolato “Predicting 5-Year Breast Cancer Risk From Longitudinal Digital Breast Tomosynthesis: A Single-Center Retrospective Study”, è stato pubblicato online sull’American Journal of Roentgenology il 12 agosto 2026, dopo essere stato accettato il 3 agosto.
NYU-DRP combina le informazioni estratte dalle mammografie DBT longitudinali con l’età della paziente e la densità mammaria per stimare il rischio di tumore tra due e cinque anni. Lo studio retrospettivo ha analizzato 313.335 esami DBT appartenenti a 161.077 donne, con età media di 58,5 anni, sottoposte a imaging tra gennaio 2016 e agosto 2020 presso un’unica istituzione sanitaria. La comunicazione della NYU Langone fa riferimento a 313.531 mammografie 3D annuali di 161.165 donne senza tumore al seno esaminate negli ospedali NYU Langone nello stesso periodo, una lieve differenza numerica rispetto ai dati riportati nel lavoro scientifico. Tutti gli esami sono stati effettuati utilizzando sistemi di imaging mammario prodotti da Hologic e meno del 3% delle donne incluse nello studio, conclusosi nel 2025, ha successivamente sviluppato un tumore al seno.
Le prestazioni del modello sono state confrontate con quelle di un sistema basato su una sola mammografia DBT, con Mirai applicato a mammografie digitali 2D FFDM acquisite nello stesso giorno e con il modello clinico Tyrer-Cuzick, che stima il rischio sulla base di informazioni personali e familiari come età, mutazioni genetiche e densità mammaria supportata da dati bioptici, senza utilizzare direttamente immagini mammografiche o tecniche di intelligenza artificiale. La valutazione ha utilizzato metriche comprendenti area sotto la curva ROC, indice di concordanza dipendente dal tempo e integrated Brier score. Su un test set indipendente di 34.570 esami, NYU-DRP ha raggiunto per la previsione a cinque anni un’AUC di 0,721, con intervallo di confidenza al 95% compreso tra 0,698 e 0,744, superando il modello DBT basato su un singolo punto temporale, fermo a 0,707, e Mirai, che ha ottenuto 0,687. Le differenze rispetto a entrambi i modelli sono risultate statisticamente significative con p inferiore a 0,001.
In termini più intuitivi, questi valori corrispondono alla capacità di NYU-DRP di classificare correttamente una donna a rischio più elevato rispetto a una a rischio inferiore in circa il 72% dei confronti, contro circa il 70% del modello basato sulla singola mammografia 3D e il 68% di Mirai. In una coorte caso-controllo abbinata composta da 432 donne, il modello longitudinale ha inoltre raggiunto un’AUC a cinque anni di 0,676, con intervallo di confidenza tra 0,626 e 0,726, rispetto a 0,563 del modello Tyrer-Cuzick, ancora una volta con una differenza statisticamente significativa. La comunicazione della NYU sintetizza questo confronto come una capacità di discriminazione pari a circa il 67% per NYU-DRP contro il 56% di Tyrer-Cuzick.
Un altro risultato riguarda il rapporto tra densità mammaria e rischio previsto. I dati mostrano che la densità da sola non coincide necessariamente con il livello di rischio stimato dal modello. Tra gli esami di donne con seno estremamente denso, NYU-DRP ha classificato il 39,7% dei casi, pari a 746 esami su 1.877, come appartenenti a un rischio medio; in questo gruppo l’incidenza osservata di tumore nei cinque anni successivi è stata dello 0,8%, corrispondente a 6 casi su 746. Al contrario, tra le donne con mammelle prevalentemente adipose, generalmente associate a una minore densità, il modello ha classificato il 14,8% degli esami, cioè 386 su 2.605, come ad alto rischio, con un’incidenza osservata del 2,6%, pari a 10 casi su 386. La comunicazione istituzionale riporta valori leggermente diversi, rispettivamente del 37,6% con incidenza dello 0,7% e del 15,5% con incidenza del 2,5%, ma il risultato generale rimane che le informazioni longitudinali contenute nelle immagini sembrano aggiungere elementi non rappresentati dalla sola densità mammaria.
Il principio alla base di NYU-DRP è proprio l’utilizzo della variazione temporale del tessuto mammario. Secondo i ricercatori, le mammografie 3D ripetute conservano informazioni sui cambiamenti strutturali che possono essere associate al rischio futuro e che non vengono completamente catturate né da una singola scansione né dai tradizionali fattori clinici. Questo approccio differisce quindi dai modelli che elaborano un’unica mammografia, perché costruisce la previsione sulla storia radiologica della paziente e tenta di riconoscere pattern evolutivi che possono emergere soltanto mettendo in relazione più screening eseguiti in anni differenti.
Lo studio resta comunque retrospettivo e monocentrico, quindi il sistema non è ancora presentato come strumento pronto per l’impiego clinico generalizzato. I ricercatori intendono ora verificare NYU-DRP su popolazioni provenienti da altri centri accademici e su immagini ottenute con sistemi di mammografia 3D di produttori differenti, per determinare se le prestazioni si mantengano fuori dall’ambiente nel quale il modello è stato sviluppato e validato. È inoltre previsto l’utilizzo prospettico del programma longitudinale DBT per seguire nel tempo la salute mammaria delle donne e osservare direttamente l’impatto del sistema e l’effettiva comparsa di tumori nei gruppi classificati a diverso livello di rischio.
Se le successive validazioni confermeranno questi risultati, il modello potrebbe essere utilizzato come supporto alla personalizzazione dei programmi di screening, identificando le donne che potrebbero beneficiare di controlli aggiuntivi e distinguendole da quelle per le quali ulteriori esami potrebbero non essere necessari. L’obiettivo indicato dai ricercatori è quindi trasformare le normali mammografie 3D già prodotte durante lo screening periodico in una fonte di informazioni anche per la valutazione dinamica del rischio futuro, senza limitarsi alla ricerca di lesioni già presenti al momento dell’esame. Il finanziamento dello studio è arrivato dalla National Science Foundation attraverso il grant 1922658, dal National Institutes of Health con il grant R01EB036530, dal Milstein Pilot Project Fund, dallo Shifrin-Myers Breast Cancer Discovery Fund e dalla Manhasset Women’s Coalition Against Breast Cancer. Oltre a Yanqi Xu, Yiqiu “Artie” Shen e Laura Heacock, hanno partecipato Jungkyu Park, Felicia Pasadyn, Qi Lei, Alana Lewin, Krzysztof Geras, Linda Moy e Freya Schnabel, con Shen indicato come corresponding author.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)