Автономный искусственный интеллект для сортировки результатов профилактических лучевых исследований на примере маммографии

Цель исследования. Лучевая диагностика занимает центральное место в выявлении злокачественных новообразований. В последнее время реализация скрининговых программ сталкивается с рядом препятствий, включая кадровый дефицит и ограниченное финансирование. Внедрение систем на базе искусственного интеллекта (ИИ), способных к абсолютно точной сортировке исследований по двум категориям – «норма» и «не норма», представляется перспективным решением указанных проблем. Однако, прежде чем их широко применять, критически важно удостовериться в их способности гарантировать безопасность и высокое качество процесса скрининга. Цель исследования – оценить возможность применения автономной сортировки результатов маммографических исследований в реальных клинических условиях.

Методы. Исследование выполнено в 2 этапа. На первом ретроспективно проанализировано 25 892 маммографических исследования, обработанных ИИ-сервисом. Проведен ROC-анализ этих результатов с целью оценки возможности его настройки ИИ-сервиса на чувствительность 100%. На проспективном этапе анализировались результаты 82 372 маммографий. Все исследования были обработаны ИИ-сервисами, настроенными на чувствительность 100%. В задачи ИИ-сервисов входила сортировка результатов маммографии на категории «норма» и «не норма». Далее было выполнено сопоставление решений ИИ-сервисов и врачей-рентгенологов о категорировании.

Результаты. По результатам ретроспективного исследования при настройке ИИ-сервиса на 100% чувствительность специфичность составила 39%. В ходе проспективного исследования удельный вес дефектов (ложных отнесений результатов исследований к категории «норма») составил 0,08 %, удельный вес клинически значимых дефектов ИИ-сервисов – 0,02%, что существенно ниже, чем у врача-рентгенолога.

Заключение. Применение автономной сортировки результатов маммографических исследований в клинической практике возможно с целью оптимизации диагностического процесса при проведении профилактических мероприятий, а также при условии мониторинга качества работы технологий искусственного интеллекта.

1. Злокачественные новообразования в России в 2022 году (заболеваемость и смертность) / под ред. А. Д. Каприна [и др.]. М.: МНИОИ им. П. А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2023. 275 с.

2. Методические рекомендации по выполнению программы популяционного скрининга злокачественных новообразований молочной железы среди женского населения / А. М. Беляев [и др.]. URL: http://onkokms.ru/images/doc/vracham/popsk.pdf?ysclid=m165 5l7nps854446616 (дата обращения: 11.06.2024).

3. Ломаков С. Ю. Объемы маммографических исследований в современных условиях проведения профилактических мероприятий // Профилактическая медицина. 2020. Т. 24, № 4. С. 41–44.

4. Особенности развития службы лучевой диагностики в Российской Федерации за 2014–2019 года / Н. А. Голубев, Е. В. Огрызко, Е. М. Тюрина, Е. А. Шелепова, П. В. Шелехов // Современные проблемы здравоохранения и медицинской статистики. 2021. № 2. С. 356–376. https://doi.org/10.24412/2312-2935-2021-2-356-376

5. Шелехов П. В. Кадровая ситуация в лучевой диагностике // Современные проблемы здравоохранения и медицинской статистики. 2019. № 1. С. 265–275.

6. A survey by the European Society of Breast Imaging on radiologists’ preferences regarding quality assurance measures of image interpretation in screening and diagnostic mammography / E. Michalopoulou, P. Clauser, F. J. Gilbert, R. M. Pijnappel, R. M. Mann, P. A. T. Baltzer, Y. Chen, E. M. Fallenberg // Eur. Radiol. 2023. Vol. 33, N 11. P. 8103–8111. https://doi.org/10.1007/s00330-023-09973-7

7. Двойной просмотр результатов маммографии с применением технологий искусственного интеллекта: новая модель организации массовых профилактических исследований / Ю. А. Васильев, И. А. Тыров, А. В. Владзимирский, К. М. Арзамасов, И. М. Шулькин, Д. Д. Кожихина, Л. Д. Пестренин // Digital Diagnostics. 2023. Т. 4, № 2. С. 93−104. https://doi.org/10.17816/DD321423

8. Первые 10000 маммографических исследований, выполненных в рамках услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» / Ю. А. Васильев, А. В. Владзимирский, К. М. Арзамасов, И. М. Шулькин, Л. Е. Аксенова, Л. Д. Пестренин, С. С. Семенов, Д. В. Бондарчук, И. В. Смирнов // Менеджер здравоохранения. 2023. № 8. С. 54–67. https://doi.org/10.21045/1811-0185-2023-8-54-67

9. Базовые рекомендации к работе сервисов искусственного интеллекта для лучевой диагностики: методические рекомендации № 54. М.: Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, 2022. 68 с.

10. For the STARD Group. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies / P. M. Bossuyt, J. B. Reitsma, D. E. Bruns, C. A. Gatsonis, P. P. Glasziou, L. Irwig, J. G. Lijmer, D. Moher, D. Rennie, H. C. de Vet, H. Y. Kressel, N. Rifai, R. M. Golub, D. G. Altman, L. Hooft, D. A., Korevaar J. F. Cohen // Radiology. 2015. N 277(3). Р. 826-832. https://doi.org/10.1148/radiol.2015151516

11. Эффективность применения технологий искусственного интеллекта для двойных описаний результатов профилактических исследований легких / А. В. Владзимирский, Н. Д. Кудрявцев, Д. Д. Кожихина, И. М. Шулькин, С. П. Морозов, Н. В. Ледихова, В. Г. Кляшторный, И. В. Гончарова, А. В. Новиков, О. М. Внукова // Профилактическая медицина. 2022. Т. 25, № 7. С. 7–15. https://doi.org/10.17116/profmed2022250717

12. Breast cancer detected with screening US: reasons for nondetection at mammography / M. S. Bae, W. K. Moon, J. M. Chang, H. R. Koo, W. H. Kim, N. Cho, A. Yi, B. L. Yun, S. H. Lee, M. Y. Kim, E. B. Ryu, M. Seo // Radiology. 2014. Vol. 270, N 2. P. 369–377.

13. Hovda T., Larsen M., Romundstad L., Sahlberg K. K., Hofvind S. Breast cancer missed at screening; hindsight or mistakes? // Eur. J. Radiol. 2023. N 165. P. 110913. https://doi.org/10.1016/j.ejrad.2023.110913

14. Ekpo E. U., Alakhras M., Brennan P. Errors in Mammography Cannot be Solved Through Technology Alone // Asian. Pac. J. Cancer. Prev. 2018. Vol. 19, N 2. P. 291–301. https://doi.org/10.22034/APJCP.2018.19.2.291

15. Evans K. K., Birdwell R. L., Wolfe J. M. If you don't find it often, you often don't find it: why some cancers are missed in breast cancer screening // PLoS One. 2013. Vol. 8, N 5. P. e64366.

16. Screen-detected and interval breast cancer after concordant and discordant interpretations in a population based screening program using independent double reading / M. A. Martiniussen, S. Sagstad, M. Larsen, A. S. F. Larsen, T. Hovda, C. I. Lee, S. Hofvind // Eur. Radiol. 2022. Vol. 32, N 9. P. 5974–5985. https://doi.org/10.1007/s00330-022-08711-9

17. Analysis of mammographic diagnostic errors in breast clinic / V. Palazzetti, F. Guidi, L. Ottaviani, G. Valeri, S. Baldassarre, G. M. Giuseppetti // Radiol. Med. 2016. Vol. 121, N 11. P. 828–833. https://doi.org/10.1007/s11547-016-0655-0