Научная статья

Искусственный интеллект для выявления рака молочной железы и оценка медицинских технологий: обзор с картированием данных

Artificial intelligence for breast cancer detection and its health technology assessment: A scoping review

Computers in Biology and Medicine
10.1016/j.compbiomed.2024.109391
Полный текст Открыть в журнале PubMed
FWCI: 1.08FWCI — Field-Weighted Citation Impact (индекс цитируемости с поправкой на область науки). 1.0 = среднее, > 1 = выше среднего · Процитировано: 45 · Ссылки: 244 · Лицензия: CC-BY
Цитирование по годам: 2026: 28 · 2025: 27

Аннотация

Введение: Последние достижения в здравоохранении свидетельствуют о потенциале искусственного интеллекта (ИИ), в частности машинного обучения (МО), для улучшения медицинской помощи пациентам с раком молочной железы (РМЖ), повышения эффективности работы радиологов и улучшения исходов лечения. Методы медицинской визуализации внесли значительный вклад в выявление и диагностику РМЖ, а их сочетание с алгоритмами ИИ позволяет повысить точность диагностики, снизить частоту ложноположительных результатов и разрабатывать персонализированные стратегии лечения. Несмотря на растущий интерес к применению ИИ для раннего выявления РМЖ и повышения эффективности медицинской помощи, широкое внедрение этих технологий в клиническую практику пока не состоялось. Оценка влияния технологий на основе ИИ на здоровье и экономические результаты также продолжается.

Цель: Изучить применение ИИ, прежде всего МО, в различных клинических задачах и при принятии решений в области визуализации молочной железы, а также оценить имеющиеся данные об оценке технологий на основе ИИ для оказания медицинской помощи при РМЖ в рамках оценки медицинских технологий (ОМТ).

Методы: Систематический поиск литературы в базах данных PubMed и Scopus проводили в соответствии с контрольным перечнем PRISMA-P (Preferred Reporting Items for Systematic review and Meta-Analysis Protocols), чтобы выявить исследования применения ИИ, в частности МО, для выявления и диагностики РМЖ. В поиск включали исследования, опубликованные с января 2015 года по октябрь 2023 года. Для оценки качества разработки и проверки алгоритмов ИИ, а также полноты описания исследований использовали контрольный перечень MI-CLAIM (Minimum Information about Clinical Artificial Intelligence Modeling — минимальный набор сведений о клиническом моделировании с использованием ИИ). Модель HTA Core Model® применяли для анализа полноты, обоснованности и надёжности результатов и доказательств, представленных в исследованиях систем ИИ, чтобы обеспечить строгую оценку их клинической полезности и экономической эффективности.

Результаты: Из 1652 первоначально выявленных публикаций критериям включения соответствовали 104. В большинстве исследований оценивали клиническую эффективность систем на основе ИИ (78,84%; n = 82); одно исследование было посвящено безопасности в клинических условиях, а в 13,46% (n = 14) изучали пользу для пациентов. Проведение 31,73% исследований (n = 33) в клинической практике было одобрено этическими комитетами, а в 25% (n = 26) оценивали системы ИИ, получившие разрешение на клиническое применение. Ни в одном исследовании не рассматривали организационные последствия внедрения систем ИИ в клиническую практику. Только два из 104 исследований были посвящены анализу экономической эффективности; их результаты анализировали отдельно. Средние оценки качества первых 102 исследований систем на основе ИИ по критериям контрольного перечня MI-CLAIM составили 84,12% для дизайна исследования, 83,92% для данных и оптимизации, 83,98% для характеристик модели, 74,51% для проверки модели и 14,7% для воспроизводимости. Крупные репрезентативные наборы данных реального скрининга молочной железы использовали в 20,59% исследований (n = 21); устойчивость и обобщаемость оцениваемых систем ИИ продемонстрировали лишь в 10,78% исследований (n = 11).

Выводы: Для преодоления разрыва между передовыми разработками и полноценной интеграцией систем ИИ в клинические рабочие процессы необходимо решить сохраняющиеся проблемы, связанные с качеством и доступностью данных, этическими и правовыми аспектами, устойчивостью и надёжностью систем, масштабированием и соответствием существующим рабочим процессам радиологов. Эти препятствия затрудняют формирование всесторонних, обоснованных и надёжных доказательств клинической полезности, значимости и экономической эффективности систем в реальных условиях, а значит, осложняют оценку технологий на основе ИИ с применением признанных методик ОМТ. На эффективность систем ИИ могут существенно влиять особенности операционной деятельности и организационной структуры, контекст применения, а также практика скрининга молочной железы и интерпретации исследований с использованием средств поддержки на основе ИИ в радиологии. Кроме того, системы ИИ и радиологи существенно влияют друг на друга при принятии решений. Поэтому необходима адаптированная система оценки, учитывающая эти факторы и прежде всего системные изменения, связанные с внедрением ИИ, а не только технические характеристики и выполнение отдельных задач.

Переведем эту статью за 1 час

Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.

Попробовать бесплатно →

Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.