Интегрированный с искусственным интеллектом маммографический скрининг: альтернатива двойному считыванию

Маммографический скрининг необходим для раннего выявления рака груди, значительно улучшая результаты лечения и показатели выживаемости. Традиционно двойное считывание — когда два рентгенолога независимо просматривают маммограммы — считается золотым стандартом для повышения точности диагностики. Однако с ростом рабочей нагрузки и нехваткой рентгенологов искусственный интеллект (ИИ) привлекает внимание как инструмент для облегчения нагрузки без ущерба для качества. В недавнем исследовании, опубликованном в журнале Radiology: Artificial Intelligence, обсуждается исследование, в котором изучается возможность интеграции ИИ в маммографический скрининг и его потенциал для замены или дополнения текущего процесса двойного считывания.

Роль ИИ в рабочих процессах скрининга

Исследование было сосредоточено на трех сценариях скрининга с использованием ИИ, имитирующих замену одного или обоих рентгенологов при двойном считывании. В сценарии 1 (ИИ заменяет первого считывателя), сценарии 2 (ИИ заменяет второго считывателя) и сценарии 3 (ИИ как инструмент сортировки) производительность ИИ сравнивалась с традиционным двойным считыванием. Основной целью было сохранить или, в идеале, повысить точность обнаружения рака при значительном сокращении объема считываний экрана.

Результаты сценария 1 показали, что замена первого считывателя на ИИ сохранила уровень обнаружения рака (CDR) без существенного влияния на общую точность, хотя арбитражные ставки увеличились. Сценарий 2, где ИИ заменил второго считывателя, немного снизил чувствительность, но положительные прогностические значения (PPV) улучшились, что предполагает меньшее количество ненужных повторных вызовов. Сценарий 3, подход сортировки, обеспечил наилучший баланс с небольшим увеличением чувствительности, более высоким PPV и меньшим количеством арбитражей.

Компромиссы между снижением рабочей нагрузки и точностью

Важнейшим аспектом исследования было определение степени, в которой интеграция ИИ может сократить нагрузку на рентгенологов. Во всех трех сценариях наблюдалось сокращение примерно на 50% количества считываний с экрана. Это существенное улучшение, учитывая растущий спрос на услуги маммографии и ограничения, связанные с нехваткой квалифицированных рентгенологов.

Сценарий 3, система сортировки на основе ИИ, оказался наиболее перспективным в плане баланса между сокращением рабочей нагрузки и точностью диагностики. В этом сценарии ИИ автономно классифицировал маммограммы по категориям низкого, среднего и высокого риска. Случаи среднего риска, которые составляли половину от общего числа маммограмм, считывались рентгенологами, в то время как ИИ обрабатывал оставшиеся случаи низкого и высокого риска самостоятельно. Такой подход не только сократил количество считываний, но и оптимизировал фокус рентгенологов на более сложных случаях, повышая эффективность без ущерба для точности.

Влияние ИИ на показатели выявления рака

Показатели обнаружения рака (CDR) имеют решающее значение для успеха программы скрининга. Исследование показало, что интеграция ИИ не привела к значительному снижению CDR, при этом сценарий 3 показал самый высокий уровень обнаружения среди моделей, интегрированных с ИИ. В то время как сценарий 2, в котором ИИ заменил второй считыватель, показал небольшое падение чувствительности, это было компенсировано снижением ложных срабатываний, на что указывает более высокий PPV. Ложные срабатывания могут привести к ненужным отзывам, вызывая беспокойство у пациентов и увеличивая расходы на здравоохранение.

В контексте подтипов рака ИИ продемонстрировал сопоставимую с рентгенологами эффективность в обнаружении инвазивной протоковой карциномы, наиболее распространенной формы рака молочной железы. Система ИИ-триажа также хорошо показала себя в выявлении более мелких опухолей, которые зачастую сложнее обнаружить, но которые имеют решающее значение для раннего вмешательства.

Однако ИИ с трудом обнаруживал интервальные виды рака — те, которые развиваются между регулярными скринингами. Интервальные виды рака часто более агрессивны и их трудно обнаружить с помощью рутинного скрининга. Во всех трех сценариях с использованием ИИ обнаружение интервального рака было ниже, чем у людей-считывателей, что подчеркивает область, где требуется дальнейшее совершенствование алгоритмов ИИ.

Заключение

Интеграция ИИ в рабочие процессы маммографического скрининга предлагает осуществимое решение проблем, с которыми сталкиваются системы здравоохранения, включая нехватку рентгенологов и увеличение рабочей нагрузки. Хотя замена одного считывателя на ИИ, особенно в сценарии 1, показала себя многообещающей, подход сортировки (сценарий 3) оказался наиболее эффективным в балансировании между сокращением рабочей нагрузки и точностью диагностики.

Интеграция ИИ, особенно в качестве инструмента сортировки, может привести к значительному повышению эффективности без ущерба для качества лечения. Однако для решения таких проблем, как обнаружение интервальных видов рака, и для изучения долгосрочного влияния ИИ на результаты лечения пациентов необходимы постоянные исследования и перспективные испытания. По мере развития технологий и усложнения систем ИИ они, вероятно, будут играть все более важную роль в скрининге рака молочной железы, предлагая способ обеспечить широкомасштабный высококачественный скрининг даже в условиях ограниченности ресурсов.

Источник: Radiology: Artificial Intelligence