Искусственный интеллект в диагностике рака молочной железы

Рак молочной железы — наиболее распространённое злокачественное новообразование у женщин¹. Снизить смертность от заболевания позволяет регулярный скрининг с помощью методов визуализации, включая маммографию².

При этом существует проблема гипердиагностики: опухоли в молочной железе могут быть ошибочно признаны злокачественными. Они не несут угрозы для жизни и не были бы обнаружены без скрининга³.

Искусственный интеллект (ИИ) помогает рентгенологам решать актуальные проблемы маммографии. С помощью передовых технологий врачи интерпретируют изображения и оценивают риск рака молочной железы, повышая точность диагноза и прогнозов.

Анализ изображений при скрининге рака груди с помощью ИИ

Чтобы искусственный интеллект научился распознавать патологию на изображении молочной железы, специалисты предварительно аннотируют снимки. При этом они вручную выделяют патологические зоны и указывают диагноз. В дальнейшем на эти метки будет ориентироваться алгоритм.

Какие диагностические задачи в маммографии решает искусственный интеллект⁴?

• Обнаружение и классификация уплотнений. Алгоритмы помогают уточнить форму, размеры и края подозрительных очагов в молочной железе. Нейросеть проводит сегментацию, разделяя участки изображения здоровой и патологической тканей.

• Выявление микрокальцинатов. Микрокальцинаты представляют собой небольшие отложения солей кальция в ткани молочной железы. На КТ-снимках они выглядят, как белые пятна. Своевременное обнаружение микрокальцинатов имеет важное значение в маммографии, так как они могут указать на злокачественный процесс. ИИ обнаруживает образования, малозаметные человеческому глазу: от 0,1 до 1 мм. Алгоритмы анализируют число и зоны скопления микрокальцинатов, повышая точность работы рентгенолога.

• Оценка плотности молочной железы. Повышенная плотность ткани молочной железы является фактором риска рака. ИИ оценивает маммографическую плотность и указывает процент изменённой ткани. При этом анализ проводится в разных проекциях.

• Прогнозирование риска рака. Искусственный интеллект использует результаты маммографии, клинические данные и факторы риска пациента, чтобы оценить вероятность злокачественной опухоли. Благодаря этому врачи могут скорректировать тактику лечения.

Программы на основе машинного обучения непрерывно обрабатывают большие объёмы данных. При этом каждая новая маммограмма — это очередной шаг для ИИ в сторону более точных решений.

5 преимуществ искусственного интеллекта в маммографии

ИИ обеспечивает более уверенную диагностику

Учёные из Ирана разработали искусственный интеллект, помогающий рентгенологу правильно оценить риск рака молочной железы. Нейронная сеть анализирует результаты маммографического исследования и клинические переменные, например, возраст, семейный анамнез заболевания⁵.

ИИ оценил данные 655 женщин, из которых у 196 наблюдался рак, а у 459 — доброкачественное новообразование. Для верификации диагноза использовалась биопсия⁵.

Нейросеть сумела с высокой точностью различить доброкачественные и злокачественные случаи. Для оценки использовался показатель AUC, который оценивает точность классификации истинно положительных (пациенты с раком молочной железы) и ложно положительных результатов (здоровые пациенты, которым был диагностирован рак)⁵.

AUC показывает вероятность, что случайно выбранному здоровому пациенту реже диагностируют рак, чем случайному выбранному больному пациенту. Чем выше AUC, тем лучше алгоритм различает норму и патологию. В результате показатель оказался равен 0,955⁵.

Используя ИИ в качестве дополнительного инструмента, рентгенолог может правильно оценить риск патологии и быть более уверенным в диагнозе⁵.

ИИ повышает производительность врачей

Организация скрининга в маммологии сталкивается с рядом трудностей. Большую часть времени рентгенолог затрачивает на диагностику здоровых пациентов. В то же время женщины с начальными признаками патологии, зачастую не слишком явными, могут получить ложноотрицательный диагноз⁶.

Учёные из Швеции сделали искусственный интеллект помощником в клинической сортировке, опубликовав результаты в медицинском журнале Lancet Digital Health. Исследователи объединили в выборке 7364 женщин от 40 до 70 лет. У 547 женщин подтверждён рак, а 6817 здоровых женщин вошли в контрольную группу⁶.

Разработанный ИИ сортирует маммограммы в ходе нескольких этапов⁶:

1. В ходе первичного анализа алгоритм генерирует вероятность рака груди. Оценка представляет собой число от 0 до 1, где 1 — самый высокий уровень подозрения.

2. ИИ признаёт нормальными снимки с низкой вероятностью патологии и «удаляет» из процесса обработки, помещая в группу без рентгенолога.

3. Маммограммы с высоким риском подвергаются двойному чтению с привлечением двух врачей-рентгенологов.

4. В случае выявления подозрительного образования специалисты обсуждают, какую категорию присвоить снимку: норма или необходимость в расширенном обследовании.

5. Для верификации диагноза пациентка проходит МРТ-исследование.

Алгоритм позволил более чем наполовину сократить время на диагностику, исключая на первых этапах нормальные маммограммы. Для 60%, 70% и 80% снимков с низкой вероятностью патологии, которые попали в группу без рентгенолога, доля пропущенных патологий составила 0%, 0% и 3% соответственно⁶.

При этом ИИ позволил не привлекать дорогостоящую МРТ в качестве метода «первой линии», а использовать её только для исключения ложноотрицательных случаев⁶.

ИИ повышает точность скрининга

Научная краудсординговая программа Digital Mammography DREAM Challenge поставила перед участниками актуальную задачу: предложить алгоритм, который позволит повысить точность скрининга рака груди⁷.

Организаторами конкурса выступили такие технологические организации, как Sage Bionetworks и IBM Research, исследовательский институт Kaiser Permanente Washington Health Research Institute, а также медицинский колледж Icahn School of Medicine at Mount Sinai⁸.

Digital Mammography DREAM Challenge проходил в несколько этапов:

• В соревновательном этапе приняли участие более 1150 учёных и разработчиков. Kaiser Permanente Washington предоставил доступ к базе данных из 640 000 обезличенных цифровых маммограмм от 86 000 женщин. На их основе участники обучили свои алгоритмы и представили для оценки⁷.

• В финальном этапе для независимой проверки алгоритмов использовался набор данных женщин, прошедших скрининг в Стокгольмском регионе Швеции. Изображения содержали информацию о наличии или отсутствии рака, но при этом не уточнялась локализация опухоли⁹.

Победителем стала команда французской компании Therapixel, которую возглавил старший научный сотрудник Ярослав Никулин. Ей удалось разработать алгоритм с точностью 80,3% и 80,4% для двух этапов соответственно⁷.

ИИ обеспечивает более раннее выявление рака молочной железы

Женщины, у которых обнаружено новообразование в молочной железе, могут столкнуться с необходимостью хирургической операции. Решение может приниматься в условиях неопределенности, так как есть риск, что опухоль окажется злокачественной.

Учёные из Северного Кокрановского центра и Норвежского института общественного здравоохранения решили выяснить распространённость гипердиагностики для рака груди в Дании. Результаты, опубликованные в Annals of Internal Medicine, показывают: 1 из 3 инвазивных опухолей не является клинически значимой (гипердиагностика составила 48,3%)¹⁰.

Искусственный интеллект помогает раньше выявить образования с высоким риском злокачественности и избежать ненужных и болезненных операций. Сотрудники Гарвардской медицинской школы и Массачусетского технологического института разработали алгоритм, который прогнозирует вероятность ракового перерождения¹¹.

Для анализа ИИ использует различную диагностическую информацию¹¹:

• клинические данные: рост, вес, возраст, личный и семейный анамнез;

• маммографические отчёты: масса новообразования, асимметрия, наличие кальфи

• результаты биопсии;

• отчёты хирургической патологии.

Все данные верифицировались врачом-радиологом. ИИ для каждого случая поражения молочной железы присваивал высокий или низкий риск ракового перерождения¹¹.

Учёные выяснили, что пациенты с низким риском могли находиться под наблюдением, а остальным была показана операция. В этом случае 97,4% новообразований были бы верно диагностированы, как злокачественные, в ходе хирургического вмешательства. Для доброкачественных опухолей 30,6% операции можно было избежать¹¹.

ИИ снижает выгорание врачей

Исследование в Journal of Breast Imaging рассматривает проблему выгорания среди рентгенологов. Общество визуализации молочной железы (SBI) предложило 370 врачам пройти опрос, чтобы оценить их эмоциональное состояние на рабочем месте¹².

Самый высокий уровень выгорания был зарегистрирован у рентгенологов молочной железы в возрасте от 36 до 45 лет. Выгорание отмечалось у 83,2% респондентов по крайней мере в одном из трёх измерений¹².

Сервис Маммография на базе ИИ — это эффективное решение задач медицинской визуализации молочной железы. Интеллектуальные инструменты цифрового продукта от СберМедИИ создают комфортную рабочую среду для медицинского специалиста:

• облегчают визуальный поиск патологий, выделяя подозрительные участки на маммограмме;

• проводят автоматическую оценку новообразований по шкале BI-RADS;

• оказывают помощь в прогнозировании, определяя вероятность злокачественной опухоли;

• дают рекомендации по дальнейшему обследованию;

• сокращают время на анализ исследования до 1 минуты и меньше;

• осуществляют информационную поддержку врача, помогая принимать точные решения независимо от опыта.

Автоматизация рутинных процессов с сервисом Маммография помогает снизить нагрузку на рентгенологов молочной железы. Врач испытывает меньше стресса и принимает осознанные решения благодаря помощи в постановке диагноза.

Источники

1. Верманн Б. Рак молочной железы: основы, скрининг, диагностика и лечение. Мед Монашр Фарм. 2017 Февраль;40(2):55-64. английский, немецкий. PMID: 29952495.

2. Гордон ПБ. Скрининг рака молочной железы. Кан Фам Врач. 2019 июль; 65 (7): 457-459. PMID: 31300424; PMCID: PMC6738458.

3. Джатой И, Пинский П.Ф. Исследования по скринингу рака молочной железы: конечные точки и гипердиагностика. J Natl Cancer Inst. 2021 4 сентября; 113(9):1131-1135. дои: 10.1093/jnci/djaa140. PMID: 32898241; PMCID: PMC8633447.

4. Лэй Ю.-М., Инь М., Юй М.-Х., и др. Искусственный интеллект в медицинской визуализации груди. Front Oncol. 2021 22 июля;11:600557. doi: 10.3389/fonc.2021.600557. PMID: 34367938; PMCID: PMC8339920.

5. Сепанди М., Тагдир М., Резайанзаде А., Рахимиказеруни С. Оценка риска рака молочной железы с помощью искусственной нейронной сети. Asian Pac J Cancer Prev. 2018 25 апреля; 19 (4): 1017-1019. doi: 10.22034/APJCP.2018.19.4.1017. PMID: 29693975; PMCID: PMC6031801.

6. Дембрауэр К., Волин Э., Лю Ю. и др. Влияние сортировки маммограмм для скрининга рака молочной железы на основе искусственного интеллекта на обнаружение рака и нагрузку рентгенолога: ретроспективное симуляционное исследование. Lancet Digital Health. 2020 сен;2(9):e468-e474. doi: 10.1016/S2589-7500(20)30185-0. PMID: 33328114.

7. Результаты DREAM Challenge: может ли машинное обучение повысить точность скрининга рака молочной железы?: IBM [Электронный ресурс]. URL: https://www.ibm.com/blogs/research/2017/06/dream-challenge-results/ (дата обращения: 02.03.2022).

8. The Digital Mammography DREAM Challenge: Synapse [Электронный ресурс]. URL: https://www.synapse.org/#!Synapse:syn4224222/wiki/401743 (дата обращения: 02.03.2022).

9. Шаффтер Т., Буист Д.С.М., Ли К.И. и др. Оценка комбинированной оценки искусственного интеллекта и рентгенолога для интерпретации скрининговых маммограмм. JAMA etw Open. 020;3(3):e200265. doi:10.1001/jamanetworkopen.2020.0265

10. Йоргенсен К.Ю., Гётше П.С., Калагер М., Заль П.-Х. Скрининг рака молочной железы в Дании: когортное исследование размера опухоли и гипердиагностики. Энн Интерн Мед. 2017 7 марта; 166 (5): 313-323. doi: 10.7326/M16-0270. Epub 2017, 10 января. PMID: 28114661.

11. Бахл М., Барзилай Р., Йедидия А.Б. и др. Поражения молочной железы с высоким риском: модель машинного обучения для прогнозирования патологического обновления и уменьшения ненужного хирургического удаления. Radiology. 2018 март; 286(3):810-818. doi: 10.1148/radiol.2017170549. Epub 2017, 17 октября. PMID: 29039725.

12. Четлен А.Л., Чан Т.Л., Баллард Д.Х. и др. Решение проблемы эмоционального выгорания у рентгенологов. Acad Radiol. 2019 апр; 26 (4): 526-533. doi: 10.1016/j.acra.2018.07.001. Epub 2018, 31 июля. PMID: 30711406; PMCID: PMC6530597.