CC BY
60
опухоли женской репродуктивном системы
Том 19 / Vol. 19 tumors of female reproductive system Оригинальные статьи \ Original reports
DOI: 10.17650/1994-4098-2023-19-2-54-60 (cc)
Результаты научно-исследовательской работы Российского общества онкомаммологов «Использование искусственного интеллекта для раннего выявления рака молочной железы»
BY 4.0
В.И. Павлова1, Ю.А. Белая2, А.Ю. Воронцов3, А.А. Прищепов1, С.М. Князев2, А.А. Михайлов3, А.В. Ковалева2, Э.Г. Аревшатян3, Р.М. Палтуев4, А.В. Чёрная4, Н.А. Захарова5
ФГБОУ ВО «Тюменский государственный медицинский университет» Минздрава России; Россия, 625023 Тюмень, ул. Одесская, 54; 2БУХМАО — Югра «Окружная клиническая больница»; Россия, 628011 Ханты-Мансийск, ул. Калинина, 40; 3ГБУЗ НО «Нижегородский областной клинический онкологический диспансер»; Россия, 603093 Нижний Новгород, ул. Деловая, 11/1;
4ФГБУ «Национальный медицинский исследовательский центр онкологии им. Н. Н. Петрова» Минздрава России;
Россия, 197758Санкт-Петербург, пос. Песочный, ул. Ленинградская, 68;
5Luton and Dunstable University Hospital; Lewsey Road, Luton, LU4 0DZ, United Kingdom
CT
о
о £ £ re
о S
s
iz
Контакты: Валерия Игоревна Павлова [email protected]; Юлия Алексеевна Белая [email protected]
Рак молочной железы (РМЖ) является основной онкологической патологией среди женщин и одной из ведущих причин смертности от онкологических заболеваний в России и большинстве стран мира. В странах с маммографическим скринингом отмечается снижение смертности от РМЖ. Внедрение в практику рентгенолога платформ оценки маммографических изображений, основанных на работе искусственного интеллекта, позволяет не только увеличить охват женского населения, снизить затраты на проведение скрининга, но и повысить чувствительность и специфичность маммографии как метода скрининга РМЖ.
В статье приведены результаты исследования по оценке маммографических снимков у женщин, прошедших профилактическое исследование с использованием программы искусственного интеллекта.
В рамках настоящего проекта у 8030 пациенток были проанализированы маммографические снимки с помощью сервиса для просмотра медицинских изображений «Цельс». В исследовании проведена оценка по возрастным группам 40-49 лет, 50-59 лет, 60 лет и старше. Средний возраст пациенток с подозрением на РМЖ составил 54,8 года. РМЖ выявлен у 13 (1,2 %) женщин, при этом наибольшая доля РМЖ была выявлена в группе с маммографической плотностью D.
Ключевые слова: рак молочной железы, маммография, искусственный интеллект
Для цитирования: Павлова В.И., Белая Ю.А., Воронцов А.Ю. и др. Результаты научно-исследовательской работы Российского общества онкомаммологов «использование искусственного интеллекта для раннего выявления рака молочной железы». Опухоли женской репродуктивной системы 2023;19(2):54-60. DOI: 10.17650/1994-4098-202319-2-54-60
Results of research work Russian society of oncomammologists "The use of artificial intelligence for early detection of breast cancer"
V.I. Pavlova1, Yu.A. Belaya2, A.Yu. Vorontsov3, A.A. Prishchepov1, S.M. Knyazev2, A.A. Mikhaylov3, A.V. Kovaleva2, E.G. Arevshatyan3, R.M. Paltuev4, A.V. Chernaya4, N.A.Zakharova5
]Tyumen State Medical University, Ministry of Health of the Russia; 54 Odesskaya St., Tyumen 625023, Russia;
2 Khanty-Mansiysk Regional Clinical Hospital; 40 Kalinina St., Khanty-Mansiysk 628011, Russia;
3Nizhny Novgorod Regional Clinical Oncological Dispensary; 11/1 Delovaya St., Nizhny Novgorod 603093, Russia;
4N.N. Petrov National Medical Research Oncology Center, Ministry of Health of Russia; 68 Leningradskaya St., Pesochnyy Settlement,
Saint Petersburg 197758, Russia;
5Luton and Dunstable University Hospital; Lewsey Road, Luton, LU4 0DZ, United Kingdom
Contacts: Valeriya Igorevna Pavlova [email protected]; Yuliya Alekseevna Belaya [email protected]
Breast cancer is the most common cancer in women and one of the leading causes of death from cancer in Russia and most countries of the world. In countries with mammographic screening, there is a decrease in mortality from breast cancer. Introduction of mammographic image evaluation platforms into radiologist practice based on the work of artificial intelligence it allows not only to increase the coverage of the female population, but also to reduce the cost of screening, but it also increases the sensitivity and specificity of mammography as a method of breast cancer screening. The article presents the results of a study on the evaluation of mammographic images in women who have passed a preventive study using an artificial intelligence program.
Within the framework of this project, mammographic images were analyzed using the service for viewing medical images "Celsus" in 8030 patients. The study assessed the age groups of 40-49 years, 50-59 years, 60 years and older. The average age of patients with suspected breast cancer was 54.8 years. Breast cancer was detected in 13 women (1.2 %), while the highest percentage of breast cancer was detected in the group with mammographic density D.
Keywords: breast cancer, mammography, artificial intelligence
For citation: Pavlova V.I., Belaya Yu.A., Vorontsov A.Yu. et al. Results of research work Russian society of oncomammolo-gists "The use of artificial intelligence for early detection of breast cancer". Opukholi zhenskoy reproduktivnoy systemy = Tumors of female reproductive system 2023;19(2):54-60. (In Russ.). DOI: 10.17650/1994-4098-2023-19-2-54-60
Введение
Рак молочной железы (РМЖ) является основной онкологической патологией среди женщин и одной из ведущих причин смертности от онкологических заболеваний в России и большинстве стран мира [1, 2]. В странах с маммографическим скринингом отмечается снижение смертности от РМЖ [3]. В России РМЖ среди всех злокачественных новообразований у женского населения занимает 1-е место, и его частота составляет 22,1 %.
Маммография — единственный метод скрининга, доказавший свою эффективность и являющийся стандартом в диагностике РМЖ для женщин старше 40 лет, выполняется в краниокаудальной и медиолатеральной проекциях [1, 4]. Благодаря этому методу за несколько десятилетий снижение смертности от РМЖ составило до 35 % [5—7]. Кроме того, ранняя диагностика и адекватное лечение РМЖ с учетом биологических особенностей опухоли позволяют сохранить высокий уровень качества жизни пациенток [8]. В настоящее время в Российской Федерации рекомендованный возраст начала маммографического скрининга также составляет 40 лет [9].
Ранняя диагностика РМЖ основана на анализе маммографических изображений с целью выявления патологических изменений. Скрининг РМЖ включает в себя интерпретацию маммографических изображений для выявления подозрительных изменений, при обнаружении которых может потребоваться дообследование [10]. Анализ маммограмм — одна из самых сложных задач во всей лучевой диагностике.
В описании скрининговых маммограмм имеют значение следующие факторы: тип структуры молочной железы, плотный маммографический фон, возраст пациенток, позиционирование, степень компрессии, количество просмотренных снимков в опыте рентгено-
лога, нагрузка на врача-рентгенолога — все эти факторы могут способствовать пропуску РМЖ [11—13]. У 8—10 % женщин, которые проходят скрининг, встречаются ложноположительные результаты. До 20—25 % очаговой патологии на маммограммах не описаны в заключении рентгенолога [14—16]. Избежать ошибки в ряде случаев помогает «двойное чтение» маммограмм, когда 2 независимых рентгенолога оценивают изображение. В России «двойное чтение» не входит в стандарт выполнения маммографии, также высокая нагрузка врачей-рентгенологов не позволяет в рутинной практике широко использовать «двойное чтение» маммографических изображений [4].
В мире уже введено несколько алгоритмов, которые применяют с целью помощи врачу-рентгенологу в описании маммографических снимков, учитывая активный спрос к применению систем искусственного интеллекта (ИИ) в области медицинской визуализации [17]. Данные, опубликованные S.M. McKinney и соавт. в журнале Nature в 2020 г., показали, что эффективность диагностики РМЖ по маммограммам с применением ИИ была не хуже в сравнении с точностью диагностики РМЖ при двойном просмотре рентгенологами [3]. По результатам этого исследования сделан вывод о том, что ИИ выявляет РМЖ на маммографических снимках, за счет чего отмечается снижение числа ложноположи-тельных результатов при первом чтении маммограмм врачом-рентгенологом: на 1,2 % в Великобритании и на 5,7 % в США, а числа ложноотрицательных результатов — на 2,7 % в Великобритании и на 9,4 % в США. Более чем в 80 % случаев зафиксировано снижение необходимости «двойного чтения», что снижает рабочую нагрузку на врачей-рентгенологов [13]. Внедрение в практику ИИ повышает специфичность и чувствительность маммографических обследований, а также эффективность работы врача-рентгенолога.
о
о £ £
<о
Том 19 / Vol. 19
Оригинальные статьи | Original reports
2 ' 2
Приводим результаты исследования анализа маммографических снимков с использованием программы ИИ «Цельс». Сервис детектирует и выделяет на снимках злокачественные и доброкачественные новообразования, кальцинаты, лимфатические узлы, фиброзно-кистозную мастопатию и присваивает снимку категорию BI-RADS (Breast Imaging Reporting and Data System, система описания и обработки данных лучевых исследований молочной железы). Также система автоматически формирует описание снимков [18].
Цель работы — повысить качество программы скрининга и раннего выявления РМЖ с помощью ИИ для улучшения качества онкологической помощи российским женщинам. Задачи проекта: 1) показать роль ИИ для выявления заболеваний молочной железы; 2) сравнить эффективность маммографии с использованием ИИ у женщин в возрасте 40—49 лет против групп 50—59 лет, 60 и более лет; 3) информировать специалистов о возможности внедрения ИИ в план обследования женщин в возрасте 40 лет и старше.
Материалы и методы
В исследование были включены женщины старше 40 лет, которым по программе скрининга была выполнена маммография в 2 проекциях.
В рамках настоящего проекта у 8030 пациенток были проанализированы маммографические снимки с помощью сервиса для анализа медицинских изобра-
жений «Цельс». В исследовании участвовало 3 медицинских центра, число снимков в каждом центре составило: ГАУЗ ТО МКМЦ «Медицинский город» (Тюмень) — 4957; БУ ХМАО — Югра «Окружная клиническая больница» (Ханты-Мансийск) — 1657; ГБУЗ НО «Нижегородский областной клинический онкологический диспансер» (Нижний Новгород) — 1492.
Пациентки были распределены по группам согласно возрасту на момент исследования, подробные данные приведены в табл. 1 и на рис. 1.
Статистическая обработка результатов, полученных при выполнении исследования, проводилась в программной среде пакетов прикладных программ Statistica 10 и SAS. Отдельные виды анализа были выполнены совместно с независимым биостатистиком (Центр статистических исследований STAT Research).
Для описания числовых показателей применяли среднее значение и стандартное отклонение в формате «M ± S». На всех графиках для количественных переменных среднее арифметическое обозначено точкой, медиана — горизонтальным отрезком, внутри-квартильный размах представлен прямоугольником, минимальные и максимальные значения — вертикальными отрезками.
Сравнение 2 групп по количественным шкалам осуществляли с помощью непараметрического критерия Манна—Уитни. Сравнение 3 и более групп по числовым
Таблица 1. Распределение пациенток по возрасту Table 1. Patient distribution by age
Показатель Parameter
Возраст, лет Age, years
Возрастная группа Age group
40-49 лет 40-49 years 50-59 лет 50-59 years 60 лет и старше 60 years and older p (df = 2)
(n = 2216) (n = 2463) (n = 3351)
44,52 ± 2,89 54,84 ± 2,87 66,64 ± 5,47 <0,0001
CT
о
о S S re
о 90
£ 80
£
re 70
S 60
те
л
—
ас р 50
ce © CO
s 40
^
о 30
40-49 лет/ 40-49years
50-59 лет/ 50-59years Возрастные группы/ jegroups
60 лет и старше / 60 years and oldei
Рис. 1. Распределение пациенток по возрасту Fig. 1. Patient distribution by age
шкалам проводили на основе непараметрического критерия Краскела—Уоллиса. Статистическую достоверность различий групп для бинарных и номинальных шкал определяли с использованием критерия х2 Пирсона. Уровень статистической значимости был зафиксирован на уровне 0,05.
Результаты
Рак молочной железы был верифицирован у 13 (0,2 %) пациенток из участвующих в исследовании. Данные результаты соответствовали морфологической верификации диагноза.
При использовании ИИ анализ заключений распределялся по следующей оценочной шкале:
♦ 0 — подозрение на РМЖ; патология выявлена у 1119 (13,9 %) пациенток;
♦ 1 — патология не определена — у 4141 (51,6 %) пациенток;
♦ 2 — определены новообразования без подозрения на онкологию — у 2847 (35,5 %) пациенток.
В табл. 2 приведен анализ распределения случаев в зависимости от выявления патологии молочной железы.
На основании данных табл. 2 можно сделать следующие выводы: категория «РМЖ» при анализе мам-
мограмм врачом-рентгенологом без использования ИИ наблюдается в 0,2 % случаев, также было затрачено время на просмотр всех 8030 случаев.
При анализе маммограмм с использованием ИИ в 51,1 % случаев патология не была выявлена, что подтвердилось оценкой врача-рентгенолога и данными канцер-регистра всех 3 медицинских центров. Таким образом, работа показывает, что при использовании ИИ не было отмечено ложноотрицательных результатов в выявлении РМЖ и примерно в половине случаев нет необходимости привлекать врача-рентгенолога. А в 1119 (13,9 %) случаях ИИ определил признаки онкологического заболевания, что в разы сократило работу врача-рентгенолога для дополнительного анализа маммографических изображений и более эффективного, с точки зрения трудозатрат, выявления РМЖ.
Таким образом, РМЖ с использованием платформы ИИ выявлен у 1,2 % пациенток против 0,2 % без применения ИИ (табл. 3).
Анализ маммограмм с помощью ИИ показывает, что наиболее часто подозрение на РМЖ ИИ выявлял в группе пациенток в возрасте 40—49 лет (17,5 %) (рис. 2).
При сравнении групп пациенток с выявленным РМЖ в группе с использованием ИИ РМЖ выявлялся достоверно чаще ввиду того, что анализ маммограмм
Таблица 2. Упорядоченный частотный анализ бинарных показателей для категорий «рак молочной железы» и «результат» (число случаев и доли), n = 8030 Table 2. Order-frequency analysis of binary variables for the categories "breast cancer" and "result" (number of cases and proportions), n = 8030
Число случаев, n Доля случаев, %
Parameter Number of cases, n Proportion of cases, %
Оценка маммограмм врачом-рентгенологом
Рак молочной железы Breast cancer 13 0,2
О н [ка маммограмм с применением искусственного инт Evaluation of mammograms using artificial intelligence еллекта
Патология не определена — 1 No pathology—1 4141 51,6
Определены новообразования без подозрения на онкологию — 2 2847 Non-cancerous tumor—2 35,5
Подозрение на онкологию, патология — 0 HU Suspected cancer, pathology—0 13,9
CT
о
о £ £ re
Таблица 3. Доля выявленных с применением искусственного интеллекта случаев рака молочной железы Table 3. Proportion of breast cancer cases detected using artificial intelligence
Показатель Parameter Всего Total Число случаев, n Proportion of cases, %
Рак молочной железы Breast cancer
1119
13
1,2
о с о
1 - патология не определена / 1 - no pathology
2 - определены новообразования без подозрения на онкологию / - non-cancerous tumor 0 - подозрение на онкологию, патология / 0 - suspected cancer, pathology
90 75 60 45 30 15 0
1,5 1,0 0,5
0,77 ■
0,13
lla LL
40-49 лет / 50-59 лет / 60 лет и старше /
40-49years 50-59years 60years andolder
Возрастные группы/ Age groups
Рис. 2. Распределение патологии (%) в возрастных группах с использованием искусственного интеллекта
Fig. 2. Distribution of pathology (%) in age groups using artificial intelligence
проводился на меньшей выбранной ИИ группе пациенток с подозрением на РМЖ. Наибольшие статистические различия выявлены в возрастной группе 60 лет и старше. Подробные данные представлены в табл. 4 и на рис. 3—5.
При сравнительном анализе эффективности методик на фоне различной рентгеновской плотности тканей молочной железы в общей группе из 8030 пациенток было выявлено 6077 (75,7 %) пациенток с А-типом плотности тканей молочной железы по классификации Американского колледжа радиологов (ACR), 1115 (13,9 %) с B-типом, 786 (9,8 %) с С-типом и 71 (0,9 %) пациентка с D-типом плотности тканей молочной железы. Согласно ACR рентгеновская плотность тканей молочной железы классифицируется следующим образом: A — полностью жировая, B — жировая с рассеянной фиб-рогландулярной тканью, C — неоднородно плотная, D — чрезвычайно плотная. В соответствии с международными рекомендациями ACR молочная железа оценивалась как плотная при C- и D-вариантах маммографической картины [19].
Первая группа / Вторая группа / First group Second group
Выявлена онкология / Cancer detected
Рис. 3. Сравнение анализа результатов маммографии с использованием искусственного интеллекта и без него в возрастной группе 40—49лет Fig. 3. Comparison of mammography findings obtained with and without artificial intelligence in patients aged 40—49years
1,5 1,0 0,5 0
1,12 M
0,16
Первая группа/
Firstgroup
Вторая группа/ Second group
Выявлена онкология / Cancer detected
Рис. 4. Сравнение анализа результатов маммографии с использованием искусственного интеллекта и без него в возрастной группе 50—59лет Fig. 4. Comparison of mammography findings obtained with and without artificial intelligence in patients aged 50—59years
2,0 1,5 1,0 0,5 0
1,64
0,16
Первая группа / Вторая группа /
Firstgroup Secondgroup
Выявлена онкология / Cancer detected
Рис. 5. Сравнение анализа результатов маммографии с использованием искусственного интеллекта и без него в возрастной группе 60 лет и старше Fig. 5. Comparison of mammography findings obtained with and without artificial intelligence in patients aged 60years and older
CT
о
Таблица 4. Сравнение групп пациенток с выявленным раком молочной железы в группе с использованием искусственного интеллекта и без него Table 4. Comparison of patient groups with breast cancer detected with and without artificial intelligence
о £ Возрастная группа Первая группа — без ИИ Вторая группа — с ИИ • С поправкой Йетса
£ Age group First group (no AI) Second group (with AI) | | With Yates's correction
re S 40-49 лет 40-49 years (n = 2216) 3/2216 (0,13 %) 3/387 (0,77 %) 0,0155 0,0647
ce s ^ 50-59 лет 50-59 years (n = 2463) 4/2463 (0,16 %) 4/357 (1,12 %) 0,0015 0,0081
о с о S 60 лет и старше 60 years and older (n = 3351) 6/3351 (0,18 %) 6/365 (1,64 %) <0,0001 <0,0001
S re S Примечание. ИИ — искусственный интеллект. Note. AI — artificial intelligence.
0
120 100 80 60 40 20 0
Плотность тканей молочной железы / Breast tissue density A B C D
■
____
60 лет и старше / 60 years and older
40-49 лет/ 50-59 лет/
40-49years 50-59years
Возрастные группы/ Age groups
Рис. 6. Оценка плотности тканей молочной железы в зависимости от возраста пациенток
Fig. 6. Assessment of breast tissue density depending on patients' age
Плотность тканей молочной железы / Breast tissue density A ■ B ■ C D
2,1
1,8 1,4 1,1
0,7 0,4 0
Рис. 7. Частота выявления рака молочной железы в зависимости от плотности тканей молочной железы
Fig. 7. Frequency of breast cancer detection depending on breast tissue density
0,1
1,4
0,4
°,2 ■
При оценке маммографической плотности наибольшую плотность тканей молочной железы ИИ отмечал в группе женщин 40—49 лет, наименьшую — в группе 60+ лет (рис. 6).
В целом плотность тканей молочной железы коррелирует с оценкой выявления патологии (РМЖ) с помощью ИИ. Мы отметили, что наиболее часто ИИ выявлял патологию в группе пациенток с наибольшей плотностью тканей молочной железы (рис. 7).
Выводы
1. Полученные результаты позволяют определить в настоящее время роль ИИ при скрининге РМЖ как
помощь врачам-рентгенологам для исключения ошибок (не было выявлено ложноотрицательных заключений при оценке маммограмм ИИ) и снижения времени при анализе маммограмм за счет уменьшения количества снимков, требующих пересмотра врачом.
2. Результаты научно-исследовательской работы убедительно демонстрируют эффективность скрининга у женщин старше 40 лет.
3. Полученные результаты позволяют рекомендовать внедрение ИИ в российскую практическую медицину для увеличения охвата участвующего в скрининге женского населения, а также повышения экономической эффективности скрининговой маммографии.
ЛИТЕРАТУРА/REFERENCES
1. Захарова Н.А., Семиглазов В.Ф., Duffy S.W. Скрининг рака молочной железы: проблемы и решения. М.: ГЭОТАР-МЕДИА, 2011. C. 65, 66.
Zakharova N.A., Semiglazov V.F., Duffy S.W. Breast cancer screening: problems and solutions. Moscow: GEOTAR-MEDIA, 2011. Рр. 65, 66. (In Russ.)
2. Злокачественные новообразования в России в 2021 г. (заболеваемость и смертность). Под ред. А.Д. Каприна, В.В. Старин-ского, А.О. Шахзадовой. М.: Московский научно-исследовательский онкологический институт им. П.А. Герцена — филиал ФГБУ «Национальный медицинский исследовательский центр радиологии» Минздрава России, 2022. 252 с.
Situation with cancer care in Russia in 2021 (incidence and mortality). Ed. by A.D. Kaprin, V.V. Starinskiy, A.O. Shakhzadova. Moscow: P.A. Herzen Moscow Oncology Research Institute — a branch of the National Medical Research Center of Radiology, Ministry of Health of Russia, 2020. 239 p. (In Russ.)
3. McKinney S.M., Sieniek M., Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature 2020;577: 7788. DOI: 10.1038/s41586-019-1799-6
4. Солодский В.А., Каприн А.Д., Нуднов Н.В. и др. Возможности искусственного интеллекта в оценке риска рака молочной железы на маммографических изображениях (клинические примеры). Вестник Российского научного центра рентгенора-диологии 2023;(1):25—32.
Solodskiy V.A., Kaprin A.D., Nudnov N.V. et al. Utility of artificial intelligence for assessing the risk of breast cancer on mammo-graphic images (clinical examples). Vestnik Rossiyskogo nauchnogo tsentra rentgenoradiologii = Bulletin of the Russian Research Center of Radiology 2023;(1):25-32. (In Russ.).
5. Семиглазов В.Ф., Семиглазов В.В. Скрининг рака молочной железы. Практическая онкология 2011;(2):60—5. Semiglazov V.F., Semiglazov V.V. Breast cancer screening. Praktiches-kaya onkologiya = Practical Oncology 2011;(2):60—5. (In Russ.).
6. Хайленко В.А., Комова Д.В. Онкомаммология. М.: МЕДпресс-информ, 2015. C. 20-21. Khaylenko V.A., Komova D.V. Oncomammology. Mocow: MEDpress-inform, 2015. P. 20-21. (In Russ.).
7. Чиссов В.И., Солодкин В.А., Пак Д.Д. и др. Скрининг рака молочной железы: история и перспективы. Онкология. Журнал им. П.А. Герцена 2013;(2):46, 47.
Chissov V.I., Solodkin V.A., Pak D.D. et al. Breast cancer screening: history and prospects. Onkologiya. Zhurnal imeni PA. Gertsena = P.A. Herzen Journal of Oncology 2013;(2):46, 47. (In Russ.).
8. Семиглазова Т.Ю., Дашян Г.А., Семиглазов В.В. Качество жизни — принципиальный критерий эффективности таргет-ной терапии метастатического НЕR2-положительного рака молочной железы. Современная онкология 2015;(1):19—24. Semiglazova T.Yu., Dashyan G.A., Semiglazov V.V. Quality of life as a fundamental criterion for the efficacy of targeted therapy for
CT
о
о £ £ re
metastatic HER2-positive breast cancer. Sovremennaya onkologiya = Current Oncology 2015;(1):19—24. (In Russ.)
9. Кочергина Н.В., Иванкина О.В., Замогильная Я.А. и др. Первые результаты дистанционного маммографического скрининга рака молочной железы. Российский онкологический журнал 2014;(3):15—8.
Kochergina N.V., Ivankina O.V., Zamogilnaya Ya.A. et al. The first results of remote mammographic screening of breast cancer. Ros-siyskiy onkologicheskiy zhurnal = Russian Journal of Oncology 2014;(3):15—8. (In Russ.)
10. Houssami N., Lee C.I., Buist D.S.M. Artificial intelligence for breast cancer screening: Opportunity or hype? Breast 2017;(36):31—3. DOI: 10.1016/j.breast.2017.09.003
11. Ekpo E.U., Alakhras M., Brennan P. Errors in mammography cannot be solved through technology alone. Asian Pac J Cancer Prev 2018;19(2):291—301. DOI: 10.22034/APJCP.2018.19.2.29
12. Lamb L.R., Mohallem Fonseca M., Verma R., Seely J.M. Missed breast cancer: effects of subconscious bias and lesion characteristics. Radiographics 2020;40(4):941—60. DOI: 10.1148/rg.2020190090
13. Seely J.M., Alhassan T. Screening for breast cancer in 2018 — what should we be doing today? Curr Oncol 2018;25(1):115—24.
DOI: 10.3747/co.25.3770
14. DeFrank J.T., Rimer B.K., Bowling J.M. et al. Influence of false-positive mammography results on subsequent screening: do physician recommendations buffer negative effects. J Med Screen 2012;19(1):35—41. DOI: 10.1258/jms.2012.01112
15. Houssami N., Hunter K. The epidemiology, radiology and biological characteristics of interval breast cancers in population mam-
mography screening. NPJ Breast Cancer 2017;3(12). DOI: 10.1038/s41523- 017-0014-x
16. Shi W, Nagler R.H., Fowler E.F. et al. Predictors of women's awareness of the benefits and harms of mammography screening and associations with confusion, ambivalence, and information seeking. Health Commun 2019:1—12.
DOI: 10.1080/10410236.2 019.1687129
17. Морозов С.П., Говорухина В.Г., Диденко В.В. и др. Перспективы использования технологий искусственного интеллекта (ИИ) в скрининге рака молочной железы. Вопросы онкологии 2020;66(6):603-8.
Morozov S.P., Govorukhina V.G., Didenko V.V. et al. Prospects of artificial intelligence (AI) technologies in breast cancer screening. Vprosy onkologii = Problems in Oncology 2020;66(6):603-8. (In Russ.)
18. «Цельс». Маммография. Искусственный интеллект
для выявления онкологии на ранней стадии. Доступно по: https://celsus.ai/products-mammography/. "Celsus". Mammography. Artificial intelligence to detect cancer at an early stage. Available at: https://celsus.ai/products-mammog-raphy/. (In Russ.)
19. Чёрная А.В., Ульянова Р.Х., Багненко С.С. и др. Контрастная спектральная двухэнергетическая маммография — инструмент точной диагностики онкопатологии на фоне плотной ткани молочной железы. Медицинская визуализация 2023;27(1):25—34. Chernaya A.V., Ulyanova R.Kh., Bagnenko S.S. et al. Dual-energy contrast-enhanced spectral mammography: an instrument of accurate cancer diagnosis with dense breast tissue. Meditsinskaya vizualizatsiya = Medical Visualization 2023;27(1):25—34. (In Russ.)
Вклад авторов
Р.М. Палтуев, В.И. Павлова, Ю.А. Белая, А.Ю. Воронцов: разработка дизайна исследования, сбор данных для анализа, анализ полученных данных, написание статьи;
А.А. Прищепов, С.М. Князев, А.А. Михайлов, А.В. Ковалева, Э.Г. Аревшатян: сбор и анализ данных; А.В. Чёрная, Н.А. Захарова: сбор и анализ данных, обзор публикаций по теме статьи, написание статьи. Authors' contributions
R.M. Paltuev, V.I. Pavlova, Yu.A. Belaya, A.Yu. Vorontsov: research design development, data collection for analysis, analysis of the data obtained, writing the article;
A.A. Prishchepov, S.M. Knyazev, A.A. Mikhaylov, A.V. Kovaleva, E.G. Arevshatyan: data collection and analysis;
A.V. Chernaya, N.A. Zakharova: data collection and analysis, review of publications on the topic of the article, writing the article.
ORCID авторов / ORCID of authors
B.И. Павлова / V.I. Pavlova: https://orcid.org/0000-0002-0899-0809
А.А. Прищепов / A.A. Prishchepov: https://orcid.org/0000-0002-5639-7321 Р.М. Палтуев / R.M. Paltuev: https://orcid.org/0000-0002-0871-9453 А.В. Чёрная / A.V. Chernaya: https://orcid.org/0000-0002-7975-3165
^ Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов. Conflict of interest. The authors declare no conflict of interest.
о
£ re
Финансирование. Работа выполнена без спонсорской поддержки. Funding. The work was performed without external funding.
о S
s
re Статья поступила: 21.06.2023. Принята к публикации: 18.07.2023. S Article submitted: 21.06.2023. Accepted for publication: 18.07.2023.
