CC BY
0
Раздел - обзоры, лекции
Искусственный интеллект в скрининге рака молочной железы (литературный обзор)
1 2
!Солодкий В.А., 2Каприн А.Д., ' Нуднов Н.В., 2Харченко Н.В., !Ходорович О.С.,
1 2
2Запиров Г.М., Щерстнёва Т.В., ' Дибирова Ш.М., !Канахина Л.Б.
!ФГБУ «Российский научный центр рентгенорадиологии» Министерства Здравоохранения Российской Федерации, г. Москва 117997, ул. Профсоюзная, 86
2федеральное государственное автономное образовательное учреждение высшего образования «Российский университет дружбы народов», Москва 117198, ул. Миклухо-Маклая, 6
Информация об авторах
Солодкий Владимир Алексеевич - д.м.н., академик РАН, профессор, заслуженный врач РФ, директор ФГБУ "Российский научный центр рентгенорадиологии" Минздрава России, ОЯСГО: https://orcid.org/0000-0002-1641-6452
Каприн Андрей Дмитриевич - д.м.н., академик РАН, профессор, генеральный директор ФГБУ «НМИЦ радиологии» Минздрава России, ОЯСГО: https://orcid.org/0000-0001-8784-8415
Нуднов Николай Васильевич - д.м.н., профессор, заместитель директора по научной работе, заведующий НИО комплексного лечения заболеваний и радиотерапии ФГБУ "Российский научный центр рентгенорадиологии" Минздрава России, профессор кафедры 1 рентгенологии и радиологии ФГБОУ ДПО РМАНПО МЗ РФ, профессор кафедры онкологии и рентгенорадиологии ФГАОУ ВО РУДН, ORCГО: https://orcid.org/0000-0001-5994-0468 Харченко Наталья Владимировна - д.м.н., профессор кафедры онкологии и рентгенорадиологии им. В.П. Харченко ФГАОУ ВО РУДН, ОЯСГО: https://orcid.org/0000-0002-5352-492Х
Ходорович Ольга Сергеевна - д.м.н., зав. отделением хирургических методов лечения и противоопухолевой лекарственной терапии опухолей молочной железы с койками хирургии и дневным стационаром хирургических методов лечения "Российский научный центр рентгенорадиологии" Минздрава России, ORCID: https://orcid.org/0000-0002-6014-4597 Запиров Гаджимурад Магомедович - к.м.н., доцент кафедры онкологии и рентгенорадиологии им. В.П. Харченко ФГАОУ ВО РУДН, ORCID: https://orcid.org/0000-0002-3171-8731
Шерстнева Татьяна Викторовна - к.м.н., зав. отделением "Российский научный центр рентгенорадиологии" Минздрава России, ORCID: https://orcid.org/0000-0002-3261-0984 Дибирова Шахрузат Магомедовна - врач-рентгенолог отделения комплексной (включая лучевую) методы диагностики молочной железы отделением "Российский научный центр рентгенорадиологии" Минздрава России, аспирант кафедры онкологии и рентгенорадиологии им. В.П. Харченко ФГАОУ ВО РУДН, ORCID: https://orcid.org/0000-0001-9657-7776
Канахина Лия Бекетаевна - младший научный сотрудник отделения комплексной (включая лучевую) методы диагностики молочной железы "Российский научный центр рентгенорадиологии" Минздрава России, ORCID: https://orcid.org/0000-0003-0260-1478 Контактное лицо
Дибирова Шахрузат Магомедовна, e-mail: shakhru95@yandex.ru Резюме
Цель исследования: обобщить актуальные данные об использовании технологии искусственного интеллекта (ТИИ) в скрининге рака молочной железы (РМЖ). Материалы и методы. Проведен поиск релевантных статей по ключевым словам «рак молочной железы», «искусственный интеллект», «скрининг», «маммография» по открытым
базам данных PubMed, Google Scholar, Elibrary, ResearchGate, опубликованных с 2012 по 2022 гг. Среди них отобраны публикации с высокими индексами цитирования. Результаты. Изучение эффективности работы технологии компьютерного зрения позволяют рассматривать ее в качестве средства поддержки принятия медицинских решений при анализе скрининговых маммографических исследований для определения стратегии индивидуального скрининга и последующего наблюдения.
Выводы. Методы, основанные на машинном обучении, не заменят гистологическую верификацию в ближайшем будущем. Внедрение этих методов в клиническую практику станет одной из важных и перспективных задач для достижения снижения смертности от рака молочной железы.
Ключевые слова: рак молочной железы, скрининг, искусственный интеллект, машинное обучение, маммография, компьютерное зрение
Artificial intelligence in breast cancer screening (literature review)
*Solodkiy V.A., 2Kaprin A.D., 1,2Nudnov N.V., 2Kharchenko N.V., 1Hodorovich O.S., 2Zapirov G.M., *Sherstneva T.V., 1,2Dibirova Sh.M., *Kanakhina LB.
1Federal State Budgetary Institution "Russian Scientific Center of Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation (RSCRR), Moscow 117997, Profsoyuznaya, 86 Federal State Autonomous Educational Institution of Higher Education "Peoples' Friendship University of Russia", Moscow 117198, Miklukho-Maklaya str., 6 Authors
Solodky V.A. - Dr. Med. Sc., Academician of the Russian Academy of Sciences, Professor, Director of the "Russian Scientific Center of Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation, ORCID: https://orcid.org/0000-0002-1641-6452
Kaprin A.D. - Dr. Med. Sc., Academician of the Russian Academy of Sciences, Professor, General Director of the FSBI "NMIC of Radiology" of the Ministry of Healthcare of the Russian Federation, ORCID: https://orcid.org/0000-0001 -8784-8415
Nudnov N.V. - Dr. Med. Sc., Professor, Deputy Director for Science of the FSBI "Russian Scientific Center of Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation, ORCID: https://orcid.org/0000-0001-5994-0468
Kharchenko N.V. - Dr. Med. Sc., Professor of the Department of Oncology and Radiology named after V.P. Kharchenko RUDN, ORCID: https://orcid.org/0000-0002-5352-492X Khodorovich O.S. - Dr. Med. Sc., Chief of Department, FSBI "Russian Scientific Center of Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation, ORCID: https://orcid.org/0000-0002-6014-4597
Zapirov G.M. - PhD, Associate Professor of the Department of Oncology and Radiology named
after V.P. Kharchenko RUDN, ORCID: https://orcid.org/0000-0002-3171-8731
Sherstneva T.V. - PhD, Chief of the Department, FSBI "Russian Scientific Center of
Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation, ORCID:
https://orcid.org/0000-0002-3261-0984
Dibirova Sh.M. - Radiologist of the Department of Complex (including radiation) methods of breast Diagnostics of the FSBI "Russian Scientific Center of Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation, Postgraduate student of the Department of Oncology and Radiology named after V.P. Kharchenko RUDN, ORCID: https://orcid.org/0000-0001-9657-7776 Kanakhina L.B. - Junior researcher at the Department of Complex (including radiation) methods of breast diagnostics of the FSBI "Russian Scientific Center of Roentgenoradiology" of the Ministry of Healthcare of the Russian Federation, ORCID: https://orcid.org/0000-0003-0260-1478
Summary
Aim: to summarize the current data on the use of artificial intelligence technology (AI) for breast cancer (BC) screening.
Materials and methods. Relevant articles published from 2012 to 2022 y. were searched for the key words: "breast cancer", "artificial intelligence", "screening", "mammography". The search was performed in the open databases of PubMed, Google Scholar, Elibrary, ResearchGate. Publications with high citation indices were selected.
Results. The study of the effectiveness of computer vision technology allows us to consider it as a medical decision support tool in the analysis of screening mammography examinations to determine an individual screening and follow-up strategy.
Conclusions. Machine learning-based methods will not replace histologic verification in the near future. The introduction of these methods into clinical practice will be an important and promising goal to achieve reductions in breast cancer mortality.
Keywords: breast cancer, screening, artificial intelligence, machine learning, mammography, computer vision.
Список сокращений
РМЖ - рак молочной железы
ИИ - искусственный интеллект
ЦМ - цифровая маммография
ЦТ - цифровой томосинтез
УЗИ - ультразвуковое исследование
МРТ - магнитно-резонансная томография
ГО - глубокое обучение
МО - машинное обучение
СНС- сверточные нейронные сети
CADe - система автоматического обнаружения CADx - система автоматической диагностики Введение
Рак молочной железы занимает лидирующее место среди различных видов рака во всем мире и по-прежнему является одной из ведущих причин заболеваемости и смертности среди женщин. Уровень смертности можно было бы заметно снизить, если бы РМЖ диагностировался и лечился на ранних стадиях. В России на 2021 г. РМЖ чаще устанавливается на I-II стадиях и лишь 0,2% случаев регистрируются на стадии in situ [1]. Таким образом, ранняя диагностика РМЖ остается важнейшей стратегией борьбы с раком. Выявление РМЖ на ранней стадии способствует улучшению результатов у пролеченных пациентов, поскольку небольшое неметастатическое (раннее) заболевание можно эффективно лечить [2]. Кроме того, раннее выявление и лечение РМЖ также улучшают качество жизни женщин благодаря применению менее инвазивных хирургических процедур [3]. Многие страны внедряют скрининг РМЖ среди населения, который проводится в основном с помощью цифровой маммографии (ЦМ).
Ежегодно проводится 100 миллионов скрининговых маммографий [4]. Согласно данным американских исследований, радиологи интерпретируют в среднем 1315327 маммографических изображений в год [5]. Однако ЦМ обладает умеренной чувствительностью, оценки которой варьируются от 67,3% до 93,3% [6]. Цифровой томосинтез молочной железы (ЦТ), использование которого выдает псевдо-3D-изображения, позволяет лучше различать структуры тканей и улучшает визуализацию рака. У женщин с маммографически плотной грудью ЦТ молочной железы повышал чувствительность, но не специфичность в диагностике [6]. Хотя испытания привели к многообещающим результатам с точки зрения выявления рака с помощью ЦТ при скрининге, одним из основных недостатков является увеличение времени интерпретации по сравнению с ЦМ [7]. Несмотря
на строгую регламентацию, детали процесса скрининга, цифровая маммография (ЦМ) и/или ЦТ молочной железы определяются учреждением. УЗИ молочной железы также играет немаловажную роль в дифференциации кист и плотных образований, обнаруженных при маммографии или физикальном осмотре [8]. МРТ молочной железы, которая сначала считалась полезной в качестве определения распространенности заболевания и оценки целостности имплантов, в настоящее время является стандартным дополнительным инструментом скрининга, доступным как для женщин высокого, так и среднего риска [8]. В частности, диагностика раннего РМЖ основывается на комбинированном использовании маммографии или томосинтеза/МРТ, ультразвука с различными биоптическими подходами для достижения золотого стандарта для подтверждения злокачественности. В связи с продолжающимся быстрым развитием технологий, ожидаемым в следующем десятилетии, вполне вероятно, что скрининг РМЖ будет отличаться от наших нынешних стандартов.
Стандартные методы визуализации молочной железы включают ЦМ, УЗИ и/или ЦТ/МРТ. Результаты исследования EVA (оценка методов визуализации для вторичной профилактики семейного рака молочной железы) показали, что диагностические показатели (т.е. постановка диагноза РМЖ) различались среди одномодальных методов визуализации, таких как ЦМ, УЗИ и МРТ. В проспективном многоцентровом наблюдательном когортном исследовании было рассмотрено 1679 ежегодных результатов скрининга, включающих УЗИ, ЦМ и МРТ, полученных от 687 женщин с семейным риском РМЖ. Различия для результатов УЗИ (6 из 1000) и ЦМ (5,4 из 1000) были незначительными, но при использовании МРТ была обнаружена существенная разница в частоте выявления (14,9 из 1000). Таким образом, использование МРТ продемонстрировало лучшую чувствительность и специфичность (P <0,0001) по сравнению с УЗИ или ЦМ. Примечательно, что при совместном использовании ЦМ и УЗИ чувствительность повышалась до 14,8% (48%), хотя это и не было статистически значимым (P <0,012) по сравнению с использованием этих методов по отдельности.
Исследование EVA продемонстрировало потенциальную частоту ошибок при скрининге с помощью ЦМ и УЗИ. Текущие исследования направлены на улучшение характеристик обнаружения и диагностики этих двух методов путем интеграции вычислительных алгоритмов [9].
На сегодняшний день работа врачей-рентгенологов направлена на выявление поражений с разными характеристиками, которые можно разделить на две большие категории: скопления кальцинатов и новообразования/участки асимметрии. Кальцинаты, представляющие интерес для выявления РМЖ, имеют небольшие размеры (всего 0,2 мм) и относительно контрастны. Форма кальцинатов и распределение скопления кальцинатов являются важными биомаркерами злокачественности. Новообразования бывают разных типов: уплотнения (с различными описаниями формы и границ, архитектурные искажения, аномальная конфигурация фиброгландулярной ткани) и асимметрия (плотные тканевые узоры в одной груди, не соответствующие контралатеральной груди). Однако ограничения маммографического скрининга включают в себя гипердиагностику и ложноположительные результаты, которые, в свою очередь, связанны с негативным психологическим воздействием и ненужными биопсиями [10]. Интерпретация маммограмм варьируется в зависимости от опыта врача, является субъективной и подвержена ошибкам из-за неоднородного представления РМЖ и маскирующего эффекта плотной ткани молочной железы [11]. Данные факторы обусловливают пропущенный РМЖ, то есть, злокачественные новообразования молочной железы, которые обнаруживаются при ретроспективном исследовании ранее полученной маммограммы, которая была расценена как показывающая негативные, доброкачественные или, вероятно, доброкачественные результаты. До 35% как интервальных, так и выявленных на скрининге раковых заболеваний могут быть классифицированы как пропущенные [12]. Таким образом, в сочетании с осознанием наиболее распространенных вводящих в заблуждение проявлений РМЖ важно понимать
когнитивные процессы (удовлетворение от поиска, слепота по невниманию, ретроспектива, преждевременное закрытие и удовлетворение отчетности) и бессознательные предубеждения, которые могут влиять на интерпретацию изображений, тем самым помогая уменьшить количество пропущенных случаев РМЖ. Фактор удовлетворения от поиска составляет 22% постоянных ошибок и определяется как снижение бдительности в отношении и/или снижение осведомленности о дополнительных патологиях после выявления первой аномалии [13,14].
Это смещение особенно важно при визуализации молочной железы, поскольку мультифокальное заболевание (два или более рака в одном квадранте) и мультицентрическое заболевание (два или более рака в разных квадрантах) относительно распространены. Частота мультифокального или мультицентрического заболевания, о котором сообщается в литературе, колеблется от 6% до 60%. Чувствительность маммографии для выявления мультифокального и мультицентрического заболевания колеблется от 15% до 45% [15]. По сравнению с одним только клиническим обследованием маммография приводит к увеличению числа обнаруженных синхронных раковых заболеваний в контралатеральной молочной железе на 1-3% [16]. Таким образом, как только первичная злокачественность обнаружена, важно продолжить оценку дополнительных очагов заболевания (ретракция сосков, утолщение кожи, подмышечная лимфаденопатия).
Для исключения ошибок или гипердиагностики в Европе каждый случай рассматривается двумя рентгенологами (обычно независимо), процесс, называемый двойным чтением. В России двойное чтение не входит в стандарт оказания медицинской услуги и чаще второе чтение является мнением коллеги или более опытного врача. Каждый читатель интерпретирует изображения и решает, нужно ли дообследовать пациентку. Если два читателя не согласны в своей оценке, в зависимости от настройки программы, либо они встречаются, чтобы прийти к консенсусу, либо третий рентгенолог выступает в качестве
арбитра (эксперта), чье мнение является решающим. Хотя двойное чтение требует больше ресурсов, чем однократное, оно улучшает частоту выявления рака при скрининге, хотя оно также увеличивает частоту повторных вызовов, что приводит к сопоставимой положительной прогностической ценности [17]. В качестве крайних примеров, частота повторных обращений в Нидерландах и Швеции составляет около 2,5% [18], в то время как в США частота повторных вызовов составляет около 11,5 % [19] (сейчас на 30% ниже при ЦТ).
Хотя время считывания для двумерной (2D) маммографии <30-60 секунд, огромные объемы маммограмм и двойное считывание каждой маммограммы создают проблемы с персоналом и ресурсами. В связи с этим, во многих учреждениях в странах СНГ двойное чтение не применяется.
На сегодняшний день, благодаря развитию компьютерных технологий и оцифровке маммографических изображений, появилась возможность использования искусственного интеллекта (ИИ) в скрининге РМЖ. ИИ способствует улучшению выявляемости, а также дает возможность проводить двойное чтение в учреждениях, где данная практика не применяется.
Впервые данные о ИИ были опубликованы в 1950-х годах, а применение ИИ началось в 1990-х годах [7]. Однако до недавнего времени эффективность этих алгоритмов для выявления и классификации поражений (обычно называемых компьютерной диагностикой) была ниже человеческих возможностей. В последние годы возросшая компьютерная мощность наряду с математическими достижениями позволила использовать сложные многослойные (глубокие) нейронные сети, что привело к заметному повышению производительности машинной интерпретации высоко стандартизированных задач визуализации.
Компьютерные алгоритмы (CAD)
CAD были внедрены для анализа скрининговых цифровых маммограммам для облегчения работы рентгенологов. Были исследованы и разработаны две категории компьютерных алгоритмов: автоматизированное обнаружение (CADe) и автоматизированная диагностика (CADx).
CADe нацелен на обнаружение подозрительных нарушений архитектоники ткани молочной железы, либо образований мягких тканей и / или скоплений кальцинатов. Все алгоритмы CADe состоят из трех частей. Они нормализуют изображение к "эталонному" распределению интенсивности (обычно произвольному распределению интенсивности, для которого были подготовлены следующие шаги) и/или обрабатывают изображение для улучшения выявляемости подозрительных сигналов; идентифицируют области изображения с потенциальными подозрительными образованиями и уменьшают количество идентифицированных областей путем оценки вероятности фактического присутствия поражения в каждой области и применения порога к этой вероятности [20].
Алгоритмы CADx оценивают является ли данное, уже выявленное образование доброкачественным или злокачественным, и, следовательно, используют аналогичный подход в качестве заключительного этапа процесса CADe, хотя и без использования порога.
Для выявления и оценки подозрительных поражений системы CADe/CADx используют запрограммированные данные. Алгоритмы запрограммированы на поиск специфических признаков, которые люди определили как типичные для подозрительных образований. Это основная отличительная черта между обычными алгоритмами CADe / CADx и современными алгоритмами на основе искусственного интеллекта. Для повышения производительности алгоритмов CADe, были разработаны алгоритмы для анализа информации, содержащейся в двух разных (CC & MLO) проекциях молочной железы. Разработанный алгоритм для обнаружения и оценки образований на двух снимках одной и той же молочной железы был включен в ранее разработанную программу CADe
[21]. Предложенный алгоритм для обнаружения асимметрии в соответствующих видах двух молочных желез также позволил существенно улучшить производительность CADe [22,23].
CADe был введен для использования во время скрининга, чтобы уменьшить частоту поражений, которые не замечаются интерпретирующим рентгенологом, в качестве второго считывателя [24]. После внедрения этих алгоритмов были предсказаны большие перспективы улучшения результатов с обнадеживающими первоначальными результатами [25,26]. Однако исследования, которые показали улучшение производительности с использованием CADe, в основном были либо сосредоточены на конкретных типах поражений, либо оценивали небольшие наборы данных. После многих лет клинического использования крупномасштабный ретроспективный анализ влияния внедрения CADe на эффективность скрининга показал, что ожидаемые преимущества CADe не оправдались [27]. В целом, было установлено, что использование CADe снижает специфичность и положительную прогностическую ценность (вероятность наличия заболевания при положительном тесте), но не приводит к значительному увеличению чувствительности. Фактически, в подгрупповом анализе рентгенологов, которые имели доступ к CADe только для части своих интерпретаций (из-за работы более чем в одном месте), чувствительность была ниже при использовании CADe [27]. Это указывает на возможность того, что во многих случаях алгоритм CADe используется не в качестве второго считывателя, а скорее в качестве первого считывателя, при этом рентгенолог только просматривает отметки, чтобы определить дальнейшую тактику. Основным недостатком обычного CAD является частота ложноположительных результатов. Хорошие показатели чувствительности CADe достигаются только при установке внутреннего порога CADe для маркировки подозрительных областей со скоростью выше одного обнаружения на изображение. Учитывая фактическую распространенность рака в скрининговой популяции <1% [28] или даже частоту повторных вызовов при скрининге ~2,4 -11,5 % [27], очевидно,
что подавляющее большинство этих меток являются ложноположительными не только с точки зрения злокачественности, но также и в качестве практических результатов. Что касается сокращения числа фактически пропущенных случаев рака, то для выявления одного дополнительного рака необходимо учитывать более 1000 ложноположительных результатов
[29]. Не следует ожидать, что обычная производительность CAD при ЦТ будет лучше, учитывая, что, например, коммерческий продукт CADe для ЦТ имеет чувствительность к поражению 89% с частотой ложноположительных результатов 2,7± 1,8 на просмотр
[30]. Несколько других зарегистрированных характеристик CAD для изображений РТ также находятся в диапазоне 1 или более ложноположительных результатов на просмотр [31].
Таким образом, обычная CAD, как для ЦМ, так и для ЦТ, не достигла уровня производительности, который мог бы улучшить фактическую эффективность скрининга в реальном мире, несмотря на ранние надежды и обещания и годы клинического применения [27,32].
Искусственный интеллект
Искусственный интеллект включает поддомены машинного обучения (МО) и глубокого обучения (ГО). Обсуждая процессы ИИ, нужно понимать, что данные полученные нейросетью взяты из радиомики. Радиомика - это процесс извлечения количественных свойств, именованных признаков из изображения (или из определенной области интереса (ROI), идентифицированной на изображении) (Рис. 1). Данная операция выделения признаков обычно реализуется с помощью алгоритмов распознавания объектов и в результате выдается набор чисел, каждое из которых представляет количественное описание конкретного геометрического или физического свойства рассматриваемой части изображения. В онкологических приложениях примерами признаков являются размер, форма, интенсивность и текстура, которые в совокупности обеспечивают комплексную характеристику патологии, называемую радиомической сигнатурой опухоли [33]. С
эпистемологическом точки зрения радиомика основана на гипотезе о том, что выделенные признаки отражают механизмы, происходящие на генетическом и молекулярном уровнях [33,34]. Радиомический анализ можно разделить на отдельные процессы. Первый шаг включает получение и реконструкцию изображений с загрузкой рентгенологических изображений, как правило, в формате DICOM. После настройки изображения второй этап включает сегментацию и выделение признаков. Наконец, данные упорядочиваются и собираются в базе данных перед анализом. Показан пример определения ROI узлового остроконечного поражения на маммографии (Рис. 1).
1 Получение и реконструкция изображений
2 Выделение зоны и определение ее особенности
Рис.1. Этапы радиомики.
После завершения сегментации выбранные области преобразуются в три измерения, чтобы получить объемные изображения. Затем специальное программное обеспечение извлекает количественные характеристики из полученных данных для создания отчета, который инкорпорируется в базу данных и может быть интегрирован с другими данными (клинической информацией, геномными профилями, сывороточными маркерами и/или гистологическими данными) [35].
Вторым этапом в реализации ИИ является машинное обучение (МО). МО нацелено на то, чтобы научить компьютеры самостоятельно обучаться на большом количестве данных вместо жестко постулированных правил. МО может быть контролируемым и не контролируемым. Контролируемое обучение (supervised learning) подразумевает
использование помеченных наборов данных, содержащих входные данные (при скрининге РМЖ - это данные радиомики) и ожидаемые выходные результаты. При контролируемом обучении подаются как входные данные, так и ожидаемые выходные результаты. Если результат, генерируемый нейронной сетью, неверен, она скорректирует свои вычисления. Это итерационный процесс, оканчивающийся тогда, когда сеть перестает совершать ошибки. Например, при маммографии рак четко очерчен на изображении (в виде меток), что позволяет алгоритму "изучать" признаки злокачественности по помеченным аннотациям.
Неконтролируемое обучение (обучение без учителя, unsupervised learning) - это машинное обучение с использованием наборов данных без определенной структуры. При данном виде обучения нейросеть самостоятельно проводит логическую классификацию данных [7].
Классические методы МО, такие как метод опорных векторов, метод решающих деревьев, случайный лес и методы уменьшения размерности, такие как анализ главных компонент, имеют относительно низкие вычислительные требования, поскольку эти модели включают относительно меньше параметров по сравнению с алгоритмами ГО [36].
Глубокое обучение - это метод машинного обучения. Глубокое обучение позволяет обучать модель предсказывать результат по набору входных данных. Для обучения сети можно использовать как контролируемое, так и неконтролируемое обучение [37].
В литературе опубликованы различные архитектуры ГО, но большинство этих сетей основаны на некоторых базовых и похожих блоках нейронной сети, называемых "слоями" [25]. Нейронная сеть состоит из последовательных слоев, включающих входной слой (например, необработанные пиксели маммограммы), скрытый слой и выходной слой (например, прогноз модели: метка "доброкачественный"/"злокачественный" (Рис. 2).
Рис. 2. Структура нейронной сети. Группы нейронов, выполняющих сходные функции, объединяются в слои. Нейронная сеть состоит из последовательных слоев, включающих входной слой, скрытые слои и выходной слой.
Считается, что более ранние слои в модели ГО действуют аналогично простым ячейкам человеческого мозга, которые изучают низкоуровневые объекты, такие как края в определенных ориентациях на изображении. Более высокие уровни абстракции являются результатом многократного наложения слоев. Информация распространяется через архитектуру ГО, и извлекаются более сложные функции. Эти функции, наконец, передаются через последний уровень сетевой архитектуры для прогнозирования или классификации. Пример ГО на основе анализа маммографического изображения представлен на рисунке 3.
А
1п(нД апй Ргс-РгоссззЬд
1па1Л Ыотннвмов рде| ОиэпЙнИоп
В
СопчоЮНопэ! 1_зуегз МахРоо) «¡Лиге Марь РЛу Соппвсйй 1_ауег
С1в5йШег (е.д. гглсИ не 1еаггмгд с1в5а11ег)
Рис. 3. Визуализация молочной железы для скрининга с использованием ИИ. (А) Ввод изображения. (Б) Скрытые слои. (С) Классификация объекта или пикселя.
Сначала выполняется маммографический снимок молочной железы в стандартных проекциях. Далее изображения нормализуются для устранения различий в диапазоне интенсивности и яркости. Пиксели (или воксели) квантованы в дискретную шкалу уровня серого. Скрытые слои выполняют математические вычисления со входными данными. Скрытые слои содержат несколько узлов, которые выполняют операции, управляемые фильтрами или ядрами. Узлы имеют связанные веса и отклонения, а также функцию активации, которая выдает карту объектов. Слой MaxPool впоследствии удаляет незначительные параметры. Данная операция повторяется на нескольких уровнях, что приводит к наиболее релевантным признакам в выходном слое, который используется для классификации.
Результаты применения искусственного интеллекта в скрининге рака молочной
железы
Для оценки эффективности коммерческой системы ИИ для DM были собраны девять наборов данных с сайтов как в США, так и в Европе [38]. Эти обогащенные наборы данных состояли из изображений ЦМ и оценок вероятности злокачественности для каждого случая, данных скрининга молочной железы во время ретроспективных исследований ROC observer, в которых ЦМ сравнивался с некоторыми другими методами визуализации. В результате сбора с нескольких сайтов окончательный набор данных включал в общей сложности 2 652 исследования, из которых 653 были злокачественными, охватывающими изображения, полученные с помощью систем от четырех разных поставщиков, интерпретированных 101 радиологом, что дало в общей сложности 28 296 независимых интерпретаций радиологами с обоих континентов. Показатели работы системы ИИ на уровне пациентов статистически не уступали средним показателям работы 101 рентгенолога (Рис. 4). Сравнивая работу системы ИИ с работой каждого отдельного рентгенолога, исследователи обнаружили, что первый работал лучше, чем 61% рентгенологов.
Рис. 4. Автономная производительность ROC коммерческой системы AI по сравнению с усредненным рентгенологом, интерпретирующим более 2 600 маммограмм во время ретроспективных исследований.
Kim с соавторами использовали набор данных для более чем 4 000 случаев рака и почти 25 000 нормальных случаев, все без аннотаций на уровне пикселей, для обучения, проверки и тестирования глубокого обучения сверточной нейронной сети (СНС), который мог классифицировать изображения на злокачественные или нет, и генерировать тепловые карты, выделяющие область, которая максимально способствовала окончательной классификации [39] (Рис. 5). Используемый набор данных включал скрининг и диагностические изображения от трех поставщиков систем ЦМ (хотя один из них был представлен на порядок меньшим числом случаев).
/ С -» ■тч ■' 4> 1 о
ж
1 -Л \ „yWl 1 0
Рис. 5. Цифровая маммография 44-летней женщины с инвазивной протоковой карциномой в правой молочной железе (слева), с наложенной тепловой картой, выделяющей область, которая наиболее сильно повлияла на окончательное решение о классификации [40] (справа). Применение биомаркера визуализации на основе данных в маммографии для скрининга РМЖ: предварительное исследование [41]. Во всем тестовом наборе алгоритм позволил получить ЛИС 0,906.
По данным зарубежных авторов точность алгоритма для выявления РМЖ оценивалась с использованием площади под кривой и особенности алгоритма по сравнению со специфичностью и с чувствительностью рентгенологов, установленной на уровне 85,9% (Соединенные Штаты Америки) и 83,9% (Швеция). Чувствительность и специфичность метода составили 0,9 и 0,85 соответственно, в то время как для врача-рентгенолога данные показатели составляли 0,9 и 0,7, соответственно [42].
В недавнем исследовании было показано, что использование алгоритмов ИИ как
самостоятельного метода диагностики не позволяет превзойти показатели опытных
39
рентгенологов, однако совокупность алгоритмов ИИ в сочетании с оценкой рентгенолога для оценки скрининговых рентгеновских маммограмм повышает общую точность интерпретации [43]. Опубликованные в журнале Nature результаты международного исследования, проведенного научным коллективом под руководством McKinney в США и Великобритании, продемонстрировали преимущества модели, созданной при помощи ИИ над врачом-рентгенологом как в производительности, так и в общей точности анализа скрининговых маммографических кейсов [44]. В текущем исследовании турецких коллег оценивалась производительность алгоритма ИИ в условиях имитируемого скрининга и его эффективность в выявлении пропущенных и интервальных видов рака. Уровень выявления рака у ИИ был выше, чем у радиологов, однако оказалось, что он ниже, чем у гипотетического радиолога и команды ИИ. ИИ смог обнаружить дополнительные 44,4% случаев рака и 66,7% пропущенных случаев рака, которые ранее не были обнаружены радиологами. В данном исследовании система ИИ была основана на сверточных нейронных сетях (СНС), которая является наиболее часто используемым типом нейронной сети в радиологических исследованиях. Было выявлено, что алгоритм ИИ является успешным диагностическим инструментом для выявления РМЖ с AUC 0,853 [45].
Ribli с соавторами продемонстрировали интеллектуальную автоматизированную систему, основанную на одной из наиболее успешных систем обнаружения объектов Faster R-CNN. Система обнаруживает и классифицирует злокачественные или доброкачественные образования на маммограмме без какого-либо вмешательства человека. Предлагаемый метод устанавливает современную производительность классификации в общедоступной базе данных INbreast с AUC 0,95 [46]. Заключение
АСД была введена для использования во время скрининга, чтобы уменьшить частоту поражений, которые могут быть пропущены интерпретирующим радиологом, исключая
влияние когнитивных процессов в качестве второго читателя. Технологии компьютерного зрения в области маммографии в будущем могут быть включены в средства поддержки принятия медицинских решений для определения стратегии индивидуального скрининга и последующего наблюдения. Достоинствами данного метода является то, что компьютерный анализ изображений может привести к значительному сокращению времени, затрачиваемого рентгенологом на визуальный поиск подозрительных находок. Однако не стоит забывать, что алгоритмы ИИ находятся на ранней стадии разработки, и для подтверждения их диагностической и прогностической ценности необходима валидация на большом объеме данных. Хотя методы, основанные на машинном обучении, не заменят гистологическую верификацию в ближайшем будущем, их внедрение в клиническую практику станет одной из важных и перспективных задач для достижения цели снижения смертности от рака молочной железы. В перспективе использование технологий ИИ позволит перейти от простого клинического решения системы автоматического выявления к подлинно независимому чтению.
Список литературы
1. Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. Состояние онкологической помощи населению России в 2021 году. М.: МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИЦ радиологии» Минздрава России. 2022. 239 с.
2. Tagliafico A.S., Piana M., Schenone D., et al. Overview of radiomics in breast cancer diagnosis and prognostication. Breast. 2019. V. 49. P. 74-80. DOI: 10.1016/j.breast.2019.10.018.
3. Van den Ende C., Oordt-Speets A.M., Vroling H., et al. Benefits and harms of breast cancer screening with mammography in women aged 40-49 years: a systematic review. Int J Cancer. 2017. V. 141. No. 7. P. 1295-1306. DOI: 10.1002/ijc.30794.
4. Fuchsjager M. Is the future of breast imaging with AI? Eur Radiol. 2019. V. 29. No. 9. P. 4822-4824. DOI: 10.1007/s00330-019-06286-6.
5. Theberge I., Chang S.L., Vandal N., et al. Radiologist interpretive volume and breast cancer screening accuracy in a Canadian organized screening program. JNCI J Nat Cancer Inst. 2014. V. 106. No. 3. P. 1-10. DOI: 10.1093/jnci/djt461.
6. Phi X.-A., Tagliafico A., Houssami N., et al. Digital breast tomosynthesis for breast cancer screening and diagnosis in women with dense breasts - a systematic review and meta-analysis. BMC Canc. 2018. V. 18. No. 1. P. 1-9. DOI: 10.1186/s12885-018-4263-3.
7. Sechopoulos I., Teuwen J., Mann R. Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art. Semin Cancer Biol. 2021. V. 72. No. 6. P.214-225. DOI: 10.1016/j.semcancer.2020.06.002.
8. Mann R.M., Hooley R., Richard G.B., et al. Novel Approaches to Screening for Breast Cancer. Radiology. 2020. V. 297. No. 2. P. 266-285. DOI: 10.1148/radiol.2020200172.
9. Tran W.T., Sadeghi-NainiA., Lu FI., et al. Computational Radiology in Breast Cancer Screening and Diagnosis Using Artificial Intelligence. Can Assoc Radiol J. 2021. V. 72. No. 1. P. 98-108. DOI: 10.1177/0846537120949974.
10. Yassin N.I.R., Omran S., El E.M.F. Houby., Allam H. Machine learning techniques for breast cancer computer aided diagnosis using different image modalities: a systematic review. Comput Meth Progr Biomed. 2018. V. 156. P. 25-45. DOI: 10.1016/j.cmpb.2017.12.012.
11. Ghoncheh M., Pournamdar Z., Salehiniya H. Incidence and mortality and epidemiology of breast cancer in the world. Asian Pac J Cancer Prev. 2016. V. 17. P. 43-46. DOI: 10.7314/apjcp.2016.17.s3.43.
12. Hoff S.R., Abrahamsen A.L., Samset JH., et al. Breast cancer: missed interval and screening-detected cancer at full-field digital mammography and screen-film mammography - results from a retrospective review. Radiology. 2012. V. 264. No. 2. P. 378-386. DOI: 10.1148/radiol.12112074.
13. Lamb L.R., Fonseca M.M., VermaR., Seely J.M. Missed Breast Cancer: Effects of Subconscious Bias and Lesion Characteristics. Radiographics. 2020. V. 40. No. 4. P. 941-960. DOI: 10.1148/rg.2020190090.
14. Croskerry P. Achieving quality in clinical decision making: cognitive strategies and detection of bias. Acad Emerg Med. 2002. V. 9. No. 11. P. 1184-1204. DOI: 10.1111/j.1553-2712.2002.tb01574.x.
15. Mumtaz H., Hall-Craggs M.A., Davidson T., et al. Staging of symptomatic primary breast cancer with MR imaging. AJR Am J Roentgenol. 1997. V. 169. No. 2. P. 417-424. DOI: 10.2214/ajr.169.2.9242745.
16. Lehman C.D., Gatsonis C., Kuhl C.K., et al. MRI evaluation of the contralateral breast in women with recently diagnosed breast cancer. N Engl J Med. 2007. V. 356. No. 13. P. 12951303. DOI: 10.1056/NEJMoa065447.
17. Healy N.A., O'Brien A., Knox M., et al. Consensus Review of Discordant Imaging Findings after the Introduction of Digital Screening Mammography: Irish National Breast Cancer Screening Program Experience. Radiology. 2020. V. 295. No. 1. P. 35-41. DOI: 10.1148/radiol.2020181454.
18. Fracheboud J., van Luijt P.A., Sankatsing V.D.V., et al. National Evaluation Team for Breast Cancer Screening in the Netherlands (NETB). Nation-wide Breast Cancer Screening in the Netherlands, Results 1990 -2012. Erasmus MC and Radboudumc, Rotterdam. Int J Cancer. 2014. 102 p.
19. Hendrick R.E., Helvie M.A. Mammography screening: a new estimate of number needed to screen to prevent one breast cancer death. AJR Am J Roentgenol. 2012. V. 198. No. 3. P. 723728. DOI: 10.2214/AJR.11.7146.
20. Ganesan K., Acharya U.R., Chua C.K., et al. Computer-aided breast cancer detection using mammograms: a review. IEEE Rev Biomed Eng. 2013. V. 6. P. 77-98. DOI: 10.1109/RBME.2012.2232289.
21. van Engeland S., Karssemeijer N. Combining two mammographic projections in a computer aided mass detection method. Med Phys. 2007. V. 34. No. 3. P. 898-905. DOI: 10.1118/1.2436974.
22. Tahmoush D., Samet H. An improved asymmetry measure to detect breast cancer. Proc. SPIE. 2007, V. 6514. 65141Q. DOI:10.1117/12.708327.
23. Wang X., Li L., Xu W., et al. Improving performance of computer-aided detection of masses by incorporating bilateral mammographic density asymmetry: an assessment Acad. Radiol. 2012. V. 19. No. 3. P. 303-310. DOI: 10.1016/j.acra.2011.10.026.
24. Castellino R.A. Computer aided detection (CAD): an overview. Cancer Imaging. 2005. V. 5. No. 1. P. 17-19. DOI: 10.1102/1470-7330.2005.0018.
25. Bernardi D., MacaskillP., Pellegrini M., et al. Breast cancer screening with tomosynthesis (3D mammography) with acquired or synthetic 2D mammography compared with 2D mammography alone (STORM-2): a population-based prospective study. Lancet Oncol. 2016. V. 17. No. 8. P. 1105-1113. DOI: 10.1016/S1470-2045(16)30101-2.
26. Destounis S.V., DiNitto P., Logan-Young W., et al. Can computer-aided detection with double reading of screening mammograms help decrease the false-negative rate. Initial experience. Radiology. 2004. V. 232. No. 2. P. 578-584. DOI: 10.1148/radiol.2322030034.
27. Lehman C.D., Wellman R.D., Buist D.S.M., et al. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med. 2015. V. 175. No. 11. P. 1828-1837. DOI: 10.1001/jamainternmed.2015.5231.
28. Fracheboud J., de Gelder R., Otto S.J., et al. National Evaluation Team for Breast Cancer Screening in the Netherlands (NETB). Nation-wide Breast Cancer Screening in the
Netherlands, Results 1990-2007. Erasmus MC and Radboudumc, Rotterdam. Int J Cancer. 2009. 112 p.
29. Ikeda D.M., Birdwell R.L., O'Shaughnessy K.F., et al. Computer-aided detection output on 172 subtle findings on normal mammograms previously obtained in women with breast cancer detected at follow-up screening mammography. Radiology. 2004. V. 230. No. 3. P. 811-819. DOI: 10.1148/radiol.2303030254.
30. Bernardi D., Macaskill P., Pellegrini M., et al. Breast cancer screening with tomosynthesis (3D mammography) with acquired or synthetic 2D mammography compared with 2D mammography alone (STORM-2): a population-based prospective study. Lancet Oncol. 2016. V. 17. No. 8. P. 1105-1113. DOI: 10.1016/S1470-2045(16)30101-2.
31. Samala R.K., Chan H.-P., Hadjiiski L.M., et al. Analysis of computer-aided detection techniques and signal characteristics for clustered microcalcifications on digital mammography and digital breast tomosynthesis. Phys Med Biol. 2016. V. 61. No. 19. P. 7092-7112. DOI: 10.1088/0031-9155/61/19/7092.
32. Katzen J., Dodelzon K. A review of computer aided detection in mammography. Clin Imaging. 2018. V. 52. P. 305-309. DOI: 10.1016/j.clinimag.2018.08.014.
33. Crivelli P., Ledda RE., Parascandolo N., et. al. A new challenge for radiologists: radiomics in breast cancer. BioMed Res Int. 2018. V. 2018. Article ID 6120703. DOI: 10.1155/2018/6120703.
34. Valdora F., Houssami N., Rossi F., et. al. Rapid review: radiomics and breast cancer. Breast Canc Res Treat. 2018. V. 169. No. 2. P. 217-229. DOI: 10.1007/s10549-018-4675-4.
35. Fedorov A., Beichel R., Kalpathy-Cramer J., et. al. 3D slicer as an image computing platform for the quantitative imaging network. Magn Reson Imag. 2012. V. 30. No. 9. P. 1323-1341. DOI: 10.1016/j.mri.2012.05.001.
36. Le EPV., Wang Y., Huang Y., et. al. Artificial intelligence in breast imaging. Clin Radiol. 2019. V. 74. No. 5. P. 357-366. DOI: 10.1016/j.crad.2019.02.006.
37. Глубокое обучение (Deep Learning). 2018. Адрес доступа https://neurohive.io/ru/osnovy-data-science/glubokoe-obuchenie-deep-learning-kratkij-tutorial/ (дата доступа 03. 12. 22).
38. Rodriguez-Ruiz A., Läng 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. V. 111. No. 9. P. 916-922. DOI: 10.1093/jnci/djy222.
39. Kim E.-K., Kim H.-E., Han K., et al. Applying data-driven imaging biomarker in mammography for breast cancer screening: preliminary study. Sci Rep. 2018. V. 8. No. 1. Article ID 2762. DOI: 10.1038/s41598-018-21215-1.
40. Cameron A.J., Cameron A.M. Current Surgical Therapy. 2020. V. 13.
41. Elmore J.G., Armstrong K., Lehman C.D., et al. Screening for breast cancer. JAMA. 2005. V. 293. No. 10. P. 1245-1256. DOI: 10.1001/jama.293.10.1245.
42. Qu J., Zhao X., Chen P., et al. Deep learning on digital mammography for expert-level diagnosis accuracy in breast cancer detection. Multimedia Systems. 2022. V. 28. No. 2. P. 1-2. DOI:10.1007/s00530-021-00823-4.
43. Schaffter T., Buist D.S.M., Lee C.I., et al. Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Netw Open. 2020. V. 3. No. 3. P. 1-15. DOI: 10.1001/jamanetworkopen.2020.0265.
44. McKinney S.M., Sieniek M., Godbole V., et al. International evaluation of an AI system for breast cancer screening. Nature. 2020. V. 577. No. 7788. P. 89-94. DOI: 10.1038/s41586-019-1799-6.
45. Kizildag Y.I., Koyluoglu Y.O., Seker M.E., et al. Diagnostic Performance of AI for Cancers Registered in A Mammography Screening Program: A Retrospective Analysis. Technol Cancer Res Treat. 2022. V. 21. Article ID 15330338221075172. DOI: 10.1177/15330338221075172.
46. Ribli D., Horvath A., Unger Z. et al. Detecting and classifying lesions in mammograms with Deep Learning. Sci Rep. 2018. V. 8. No. 1. Article ID 4165. DOI: 10.1038/s41598-018-22437-z.
