Искусственный интеллект в маммографии: диагностика рака молочной железы с помощью ИИ
О компании
Наши решения
Ресурсный центр

Свяжитесь с нами, чтобы узнать больше и начать сотрудничать с нами





    * Обязательное поле

    ООО «СберМедИИ» использует Cookies (файлы с данными о прошлых посещениях веб-сайта) для персонализации сервисов и удобства пользователей. Чтобы продолжить пользоваться сайтом необходимо дать согласие на использование файлов cookies и принять Условия использования cookies. Вы можете отказаться от обработки cookies, однако сайт будет недоступен для использования. Условия использования cookie

    Согласиться

    Искусственный интеллект в диагностике рака молочной железы

    19 апреля 2022

    |

    Время чтения 8 минут

    Содержание

    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.

    Похожие статьи