Background.

По оценкам за 2020 год, рак молочной железы (далее – РМЖ) был диагностирован у 2,3 млн человек по всему миру. Согласно статистике Всемирной организации здравоохранения (ВОЗ), к концу 2020 года в мире насчитывалось 7,8 млн женщин, у которых за последние пять лет был диагностирован РМЖ. В 2020 году от этого заболевания по всему миру скончались 685 тыс. женщин – оно стало самым распространенным, опередив рак легких [4, 12].

В России РМЖ также является наиболее часто встречающимся онкологическим заболеванием среди женского населения и составляет 21,2% от всех злокачественных новообразований. В 2019 году в России было выявлено более 74 тыс. новых случаев РМЖ, за последние десять лет заболеваемость выросла на 21,6%. При этом первичный диагноз в трети всех случаев ставится на поздних стадиях заболевания (в 20,6% случаев – на 3-й и в 7,8% случаев – на 4-й стадии) [5]. Согласно данным ГБУЗ НО «Нижегородский областной клинический онкологический диспансер» (далее – ГБУЗ НО «НОКОД») за 2021 год, на территории Нижегородской области диагноз «рак молочной железы» поставлен 18 488 женщинам, из них 8604 случая диагностированы в Нижнем Новгороде. Показатель заболеваемости РМЖ за последние 10 лет вырос на 10,6%. Определенное влияние на несвоевременную диагностику РМЖ оказали ограничительные мероприятия в 2020–2021 годах в связи с эпидемией COVID-19. Выявляемость РМЖ снизилась на 17%, поэтому потребность в эффективном скрининге возросла. Для своевременной диагностики РМЖ во многих странах на государственном уровне реализуются проекты по повышению осведомленности населения о ранних признаках РМЖ и по расширению охвата скрининговых программ – клинического обследования молочной железы и маммографии [6, 10, 11].

Скрининг РМЖ включает в себя интерпретацию маммографических изображений для выявления подозрительных изменений, при обнаружении которых может потребоваться дообследование (УЗИ, МРТ молочных желез). Опыт рентгенолога, специализация, количество проанализированных маммограмм за год – все это отражается на частоте возникновения расхождений в интерпретации скрининговых исследований.

Улучшению качества результатов скрининга способствуют мероприятия по привлечению большего количества экспертов – реализация практики двойного прочтения маммограмм, однако главной из причин низкой эффективности скрининга остается нехватка кадровых ресурсов [2, 15]. В последнее время в медицинской практике все чаще находят применение технологии искусственного интеллекта для решения проблем низкой эффективности диагностики онкологических заболеваний [8–10, 13, 14].

В медицине искусственный интеллект имеет широкий спектр возможностей для применения:

• поддержка принятия клинических решений;
• медицинская визуализация;
• скрининг заболеваний и раннее прогнозирование заболеваний;
• анализ медицинских записей, заключений и т.д. [8, 13].

С появлением искусственного интеллекта открылись значительные возможности для анализа цифровых медицинских изображений, обработки результатов скрининга, упростился процесс прогнозирования заболеваний и постановки диагноза. В 2018 году в работе по оценке применения искусственного интеллекта при визуализации молочной железы авт. Аль-Антари и соавт. изучили полную интегрированную систему САПР, которая может использоваться для обнаружения, сегментации и классификации образований при маммографии. Точность системы составила более 92% во всех аспектах [1].

В другой работе авт. Алехандро Родригес-Руис и соавт. собрали 2654 обследования и мнения 101 радиолога [3], используя обученную систему искусственного интеллекта для оценки вероятности рака от 1 до 10. Они обнаружили, что использование искусственным интеллектом оценки 2 в качестве порога может снизить рабочую нагрузку на 17%, что доказало, что автоматический предварительный отбор искусственным интеллектом может значительно снизить нагрузку на рентгенологов [9, 14]. С целью совершенствования мероприятий по раннему выявлению РМЖ, в том числе при диспансеризации определенных групп взрослого населения, в Нижегородской области на базе ГБУЗ НО «НОКОД» был создан референсный маммографический центр1. Основная задача референсного центра – пересмотр 10% маммограмм категорий BI-RADS 1-2 (Breast Imaging Reporting and Data System), присланных медицинскими организациями области, и 100% маммограмм категорий BI-RADS 3-5, а также получение третьего мнения в федеральных референсных центрах [16]. Следует отметить, что выборка 10% условной «нормы» проводилась врачами-рентгенологами эмпирически и не могла носить достоверный характер. Решением проблемы стало применение технологии искусственного интеллекта для пересмотра всех нормограмм [3,7].

Цель работы

Цель данного исследования – оценка возможности применения искусственного интеллекта для повышения качества скрининга РМЖ и улучшения выявляемости очаговых образований молочной железы путем формирования целевой выборки скрининговых маммограмм для пересмотра в референсных центрах.

Материалы и методы

С целью оценки потенциала искусственного интеллекта в поиске очаговых образований молочных желез и повышения эффективности скрининга в 2021 году в Нижегородской области был реализован пилотный проект по изучению возможностей искусственного интеллекта для анализа маммографических снимков.

В основе проекта лежал пересмотр маммограмм категории BI-RADS 1-2 с помощью искусственного интеллекта с последующим клиническим анализом результатов. ГБУЗ НО ГКБ № 40, ГКБ № 33, Поликлиникой № 1 Приокского района был представлен архив деперсонализированных маммограмм. Все пациентки с диагнозом РМЖ имели гистологическую верификацию процесса.

Анализ маммограмм проводился с использованием программного обеспечения для автоматического анализа цифровых медицинских изображений маммографических и флюорографических исследований с последующей интерпретацией результатов2 (далее – программное обеспечение).

Программное обеспечение позволяет детектировать предполагаемые патологии, производить их графическую локализацию, а также классифицировать пораженную область. Искусственный интеллект указывает численное значение вероятности наличия патологии. Участки локализации размечаются с помощью контуров, цветовые схемы которых соответствуют вероятным классам патологических признаков, приведенных в подписи к обработанному снимку. Программное обеспечение классифицирует все исследования на три группы:

1. BI-RADS 1 – наличие доброкачественного кальцината или лимфоузла любого размера с плотностью ткани A или B. Отсутствие объектов с плотностью ткани A или B.
2. BI-RADS 2 – наличие фиброзно-кистозной мастопатии или объемного новообразования с плотностью ткани A или B. Отсутствие объектов с плотностью ткани C или D.
3. BI-RADS 0 – наличие злокачественного новообразования или злокачественного кальцината.

Для ретроспективного анализа было отобрано 2900 маммографических исследований, интерпретированных врачами-рентгенологами из «неонкологических» медицинских организаций.

Основные критерии отбора маммограмм: по методу получения: должны быть выполнены на цифровых маммографах; по результатам интерпретации: должны подпадать под категории BI-RADS 1-2; по давности исследования: период с 01.01.2019 до 31.12.2019.

Критерии исключения: исследования, выполненные с нарушением модальности (анализ соответствия проводился программным обеспечением, исследования категории BI-RADS 0, 3 и выше, давность исследования ранее 01.01.2019 и позднее 01.12.2019.

Все маммограммы, подпадающие под критерии отбора, по защищенному каналу пересылались в ГБУЗ НО «НОКОД». Проводилась их деперсонализация и загрузка в программное обеспечение. Далее все случаи были проверены на присутствие обследованных женщин в канцер-регистре на момент проведения ретроспективного исследования, то есть спустя 2–2,5 года от момента маммографии (декабрь 2021 года).

Результаты и обсуждение

В результате анализа проверенных программным обеспечением маммограмм были сформированы две группы.

К первой группе были отнесены 2511 пересмотренных маммограмм, подтвержденных как BI-RADS 1-2 (рис. 1, 2). Ни одна из женщин не обратилась в онкологическое учреждение с диагнозом РМЖ.

Таким образом доля ложноотрицательных случаев составила 0% (0/2511). Ко второй группе при проведении оценки маммограмм искусственным интеллектом программного обеспечения было отнесено 389 подозрительных маммограмм, из которых 310 затем были классифицированы рентгенологами референсного центра как отрицательные в отношении очаговых образований молочной железы, что совпало с отсутствием данных в канцер-регистре.

Однако 79 маммограмм из 389 были признаны референсным центром как не подлежащие оценке, вследствие нарушения техники при проведении маммографии и на маммограммах изменения расценены как артефакты.

Доля ложноположительных результатов составила 9,7% (283/2900).

У 25 женщин маммограммы были реклассифицированы референсным онкоцентром как BI-RADS 3 (рис .3). Согласно классификации, категория BI-RADS 3 означает, что обнаружена доброкачественная патология. Вероятность этого — 98%. При этом имеется 2% риск злокачественных изменений. К таким патологиям относят: вероятную фиброаденому, осложненную кисту – с признаками воспалительных процессов стенки, их неровностью, взвесью, скопление кист мелкого размера – до 5 мм. Категория 3 требует контрольной маммографии через 6 месяцев.

Два случая РМЖ, выявленных программным обеспечением из ранее признанных как «норма» рентгенологами «неонкологических» медицинских организаций, подтверждены в онкологическом референсном центре рентгенологически. Согласно классификации, в первом случае выставлена категория BI-RADS 4с – изменения подозрительны на злокачественный процесс, необходимо выполнение биопсии с последующим гистологическим исследованием, вероятность злокачественности 50–95%; при втором случае выставлен BI-RADS 5 – специалист отмечает все признаки злокачественного образования (показано выполнение биопсии), клинически на стадиях IA и IIA (рис. 4). При морфологическом исследовании подтверждена в обеих случаях инвазивная карцинома молочной железы неспецифического типа G2, суррогатный подтип: люминальный В, Her-2 негативный вариант.

Таким образом, доля истинно положительных результатов составила 0,9% (27/2900) (рис. 5).

Conclusion.

Подтверждена эффективность применения программного обеспечения для формирования качественной целевой выборки маммографических исследований при пересмотре в рамках рефренсных программ и поиска очаговых образований молочных желез.

Данное исследование показало, что система искусственного интеллекта потенциально может использоваться в качестве второго мнения при отборе маммограмм для пересмотра специалистами референсного центра.

Современные цифровые технологии имеют большой потенциал в скрининге онкологических заболеваний и могут стать эффективным вспомогательным инструментом для врачей-рентгенологов. Истинно положительные результаты, выявленные с помощью искусственного интеллекта, указывают на случаи с вероятностью развития злокачественных новообразований, которые не были верифицированы при первичной оценке врачами-рентгенологами. Таким образом, можно говорить о значимости использования искусственного интеллекта для повышения безопасности медицинской помощи и качества проведения скрининговых программ. В настоящее время дальнейшие пилотные исследования по использованию искусственного интеллекта для анализа медицинских изображений продолжаются с применением данного программного обеспечения в медицинских организациях сети АО «РЖД Медицина».

Выводы

Факторами повышения эффективности маммографического скрининга РМЖ могут быть: обучение рентген-лаборантов для гарантии качества снимков; использование искусственного интеллекта как второго мнения (СППВР, Medical Decision Support System).

Программное обеспечение с использованием искусственного интеллекта может применяться для селекции выборки маммограмм BI-RADS 1-2 c целью их пересмотра в рамках референсных программ для повышения выявляемости очаговой патологии молочных желез, в том числе РМЖ на ранней стадии.

_______________________________________________________________________

1 Приказ министерства здравоохранения Нижегородской области от 29.12.2017 № 2301 «Об организации референсного маммографического центра в Нижегородской области». URL: https://docs.cntd.ru/document/465580789?ysclid=l8vobhg5jo192265827/

2 Регистрационное удостоверение на медицинское изделие от 27 мая 2021 года № РЗН 2021/14449. Приказом Росздравнадзора от 27 мая 2021 года № 4743 допущено к обращению на территории Российской Федерации.

1. Al-Antari M.A., Al-Masni M.A., Choi M.T. [et al.] A Fully Integrated Computer-Aided Diagnosis System for Digital X-Ray Mammograms via Deep Learning Detection, Segmentation, and Classification // Int J Med Inform. 2018 Sep; 117:44–54. doi: 10.1016.
2. Rodr guez-Ruiz A., Krupinski E., MordangJ-J. [et al.] Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System // Radiology. 2019 Feb; 290(2): 305–314. doi: 10.1148.
3. Rodriguez-Ruiz A., L ng K., Gubern-Merida A. [et al.] Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists // J Natl Cancer Inst. 2019 Sep 1; 111(9): 916–922. doi: 10.1093/jnci/djy222.
4. Ibrahim A., Gamble P., Jaroensri R. [et al.] Artificial intelligence in digital breast pathology: Techniques and applications // Breast. 2020 Feb; 49: 267–273. doi: 10.1016.
5. Digital medicine // Zdrav.Expert: Medtech portal: [website]. – URL: https://zdrav.expert/index.php/:Zdrav.Expert (date of publication: 15.07.2022) (in Russian).
6. Elmore J., Armstrong K., Lehman C. [et al.] Screening for Breast Cancer // JAMA. 2005 Mar 9; 293(10): 1245-56. doi: 10.1001.
7. Elhakim M.T., Graumann O., Br nsro Larsen L. [et al.] [Artificial intelligence for cancer detection in breast cancer screening] // Ugeskr Laeger. 2020 Aug 17; 182(34): V06200423.
8. Obermeyer Z., Emanuel E.J. Predicting the Future – Big Data, Machine Learning, and Clinical Medicine // N Engl J Med. 2016 Sep 29; 375(13): 1216-9. doi: 10.1056.
9. Rodriguez-Ruiz A., Lang K., Gubern-Merida A., Teuwen J., Broeders M., Gennaro G. [et al.] Can We Reduce the Workload of Mammographic Screening by Automatic Identification of Normal Exams With Artificial Intelligence? A Feasibility Study // Eur Radiol. 2019 Sep; 29(9): 4825–4832. doi: 10.1007/s00330-019-06186-9.
10. Scott Mayer McKinney, Marcin Sieniek [et al.] International evaluation of an AI system for breast cancer screening // Nature. 2020 Jan; 577(7788): 89–94. doi: 10.1038/s41586-019-1799-6.
11. Stephen W. Duffy, Daniel Vulkan [et al.] Effect of mammographic screening from age 40 years on breast cancer mortality (UK Age trial): final results of a randomised, controlled trial // Lancet Oncol. 2020 Sep;21(9): 1165–1172. doi: 10.1016/S1470-2045(20)30398-3.
12. World Health Organization. Estimated number of cases in 2020, worldwide, both sexes, all agesBreast Source: Globocan 2020.
13. Viceconti M., Hunter P., Hose R. Big Data, Big Knowledge: Big Data for Personalized Healthcare // IEEE J Biomed Health Inform. 2015 Jul; 19(4): 1209–15. doi: 10.1109/JBHI.2015.2406883.
14. Yu-Meng Lei, Miao Yin, Mei-Hui Yu, Jing Yu. Artificial Intelligence in Medical Imaging of the Breast // Front Oncol. 2021 Jul 22; 11: 600557. doi: 10.3389/fonc.2021.600557.
15. Morozov S.P. Prospects of using artificial intelligence technologies in breast cancer screening / S.P. Morozov, V.G. Govorukhina, V.V. Didenko, O.S. Puchkova, N.A. Pavlov, A.G. Ovsyannikov, A.E. Andreichenko, N.V. Ledikhova, A.V. Vladzimirsky // Questions of oncology. 2020; Vol.66 (6): 603–608 (in Russian).
16. Order of the Ministry of Health of the Nizhny Novgorod Region dated 29.12.2017 No. 2301 “On the organization of a reference mammography center in the Nizhny Novgorod region”. – URL: https://docs.cntd.ru/document/465580789?ysclid=l8vobhg5jo192265827/ (in Russian).