Диагностические характеристики искусственного интеллекта в программах скрининга рака молочной железы: систематический обзор
Performance of artificial intelligence in breast cancer screening programmes: a systematic review
Аннотация
Цель: В связи с растущим интересом к применению искусственного интеллекта (ИИ) в популяционном скрининге рака молочной железы доказательная база быстро расширяется. Цель этого систематического обзора — обобщить опубликованные данные об использовании ИИ при скрининге рака молочной железы.
Дизайн: Проведён систематический обзор первичных исследований, в которых оценивали применение ИИ при скрининговой маммографии. Извлекали показатели диагностической точности (чувствительность, специфичность, частота повторных вызовов и выявления рака), а также показатели организации рабочего процесса.
Источники данных: Поиск проводили в специализированном регистре Кокрейновской группы по раку молочной железы, Кокрейновском центральном регистре контролируемых исследований, PubMed, Embase (Elsevier), Scopus, ClinicalTrials.gov и Международной платформе реестров клинических исследований ВОЗ за период с января 2012 года по июнь 2025 года. Также проверили списки литературы включённых исследований и релевантных обзоров. Ограничений по языку публикации не вводили.
Критерии включения: Включали первичные исследования, в которых оценивали ИИ при скрининговой маммографии (цифровой маммографии или цифровом томосинтезе молочных желез) у женщин без симптомов. Сравнивали автономную оценку снимков ИИ или рабочий процесс с участием радиолога и ИИ с оценкой только радиологами. Допускались рандомизированные исследования, проспективные исследования с парным чтением снимков, исследования внедрения в реальную практику и на основе регистров, ретроспективные когортные исследования, а также исследования с множеством читателей и случаев, проведённые в рамках популяционного или оппортунистического скрининга. Основные исходы включали показатели диагностической точности (например, чувствительность, специфичность, площадь под кривой (AUC)) и/или показатели программы скрининга (частота выявления рака, частота повторных вызовов или патологических заключений, положительная прогностическая ценность, разрешение разногласий и рабочая нагрузка). Не включали протоколы, пилотные исследования и исследования осуществимости, описания случаев, редакционные статьи и работы без релевантных показателей точности диагностики или результатов скрининга.
Извлечение и обобщение данных: Два независимых рецензента извлекали данные и оценивали риск систематической ошибки. Качество исследований оценивали с помощью инструмента оценки качества диагностических исследований QUADAS-2 и специального инструмента критической оценки исследований ИИ. Результаты обобщали описательно, отдельно для разных дизайнов исследований и способов интеграции ИИ.
Результаты: Критериям включения соответствовало 31 исследование: рандомизированные контролируемые исследования, проспективные исследования с парным чтением снимков, внедрение на основе регистров и ретроспективное моделирование. В них было проанализировано более двух миллионов скрининговых обследований в Европе, Азии, Северной Америке и Австралии. При использовании ИИ в качестве второго читателя или в рамках двойного чтения чувствительность в целом сохранялась или несколько повышалась (максимум на 9 процентных пунктов), а специфичность оставалась прежней или улучшалась. Наибольший операционный эффект обеспечивали сортировка снимков и направление на дополнительную оценку: объём чтения сокращался на 40–90% при сохранении не худшей выявляемости рака, если пороговые значения выбирали консервативно. Автономная система ИИ обеспечивала значения AUC, сопоставимые с показателями радиологов, и сходную частоту выявления рака в реальных, не обогащённых выборках, хотя в нескольких наборах данных наблюдение за интервальным раком было неполным. В проспективных рандомизированных исследованиях, включая исследование скрининга молочной железы с применением искусственного интеллекта (MASAI), при поддержке ИИ частота выявления рака была выше (6,4 против 5,0 на 1000 обследований; p=0,0021), а частота ложноположительных результатов и повторных вызовов не менялась или снижалась. В исследованиях внедрения и моделирования интеграция ИИ существенно уменьшала рабочую нагрузку радиологов: при сортировке снимков и подходах с диапазоном пороговых значений число исследований, требующих чтения, сокращалось примерно на 40–90%. Общая достоверность доказательств ограничена неоднородностью дизайнов исследований, использованием обогащённых выборок для расчёта некоторых показателей точности и неполным наблюдением за интервальным раком в нескольких крупных исследованиях.
Выводы: Современные системы ИИ демонстрируют диагностические характеристики, в целом сопоставимые с показателями радиологов, и могут существенно уменьшить объём чтения, особенно при использовании в качестве второго читателя или инструмента сортировки. Появляющиеся проспективные данные подтверждают возможность безопасной интеграции ИИ в этих ролях, однако до рассмотрения автономной оценки снимков необходимы прозрачная отчётность, стандартизированная оценка и долгосрочные популяционные исследования. ИИ может повысить эффективность рабочего процесса и, возможно, улучшить выявление рака, однако для подтверждения безопасности, особенно в отношении интервального рака, необходимы убедительные данные.
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.