CC BY
27
СИСТЕМЫ КОМПЬЮТЕРНОГО АНАЛИЗА МАММОГРАММ ПРИ СКРИНИНГЕ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ: КАК ОНИ РАБОТАЮТ И КАКОВО ИХ МЕСТО В КЛИНИЧЕСКОЙ ПРАКТИКЕ? (ОБЗОР ИНОСТРАННОЙ ЛИТЕРАТУРЫ)
oncovestnik.ru/archive/2021/2021-2/sistemy-kompyuternogo-analiza-mammogramm-pri-skrininge-raka-molochnoj-zhelezy-kak-oni-rabotayut-i-kakovo-ikh-mesto-v-klinicheskoj-praktike-obzor-inostrannoj-literatury/
04.01.2022
© Д.В. Пасынков, РШ. Хасанов, М.Г. Тухбатуллин, С.Н. Меринов, 2021 УДК 618.19-006.6-07
Д.В. Пасынков1-3, Р.Ш. Хасанов3, М.Г. Тухбатуллин3, С.Н. Меринов1
1ГБУ РМЭ «Республиканский онкологический диспансер», г. Йошкар-Ола
2ФГБОУ ВО «Марийский государственный университет», г. Йошкар-Ола
3Казанская государственная медицинская академия — филиал ФГБОУ ДПО РМАНПО МЗ РФ, г. Казань
Пасынков Дмитрий Валерьевич — кандидат медицинских наук, заведующий отделением лучевой диагностики ГБУ РМЭ «Республиканский онкологический диспансер»; доцент кафедры лучевой диагностики, онкологии ФГБОУ ВО «Марийский государственный университет»; доцент кафедры ультразвуковой диагностики Казанская государственная медицинская академия — филиал ФГБОУ ДПО РМАНПО МЗ РФ
424037, г. Йошкар-Ола, ул. Осипенко, д. 22, тел. +7-902-329-76-51, e-mail: passynkov@mail.ru; ORCID ID: 0000-0003-1888-2307, SPIN-код: 7264-3745
Реферат. Представлен обзор иностранной литературы, посвященной алгоритмам работы и результатам использования систем компьютерного анализа маммограмм (CAD) при скрининге рака молочной железы (РМЖ). Обсуждается, что CAD могут улучшать выявляемость РМЖ и уменьшать вариативность интерпретации маммограмм рентгенологами. В настоящее время CAD можно использовать только в сочетании с анализом маммограмм рентгенологом, причем сначала рентгенолог должен проанализировать маммограммы и сформировать собственное мнение, а лишь затем — оценить результаты работы CAD. Также представляется целесообразным дальнейшее совершенствование алгоритмов CAD (основанных как на традиционных технологиях, так и нейронных сетях), оценка подходов к их применению и принципов их интеграции в мультимодальную диагностику патологии МЖ в условиях реальной клинической практики.
Ключевые слова: рак молочной железы, скрининг, маммография, система компьютерного анализа, выявление, дифференциальная диагностика.
Введение
Максимально ранняя диагностика рака молочной железы (РМЖ) имеет первостепенное значение, поскольку постановка диагноза в 0-! стадии обеспечивает 5-летнюю выживаемость 97,5%, тогда как при распространенном РМЖ данный показатель составляет только 20,4%, несмотря на весь спектр проводимого противоопухолевого лечения [1].
Маммография — наиболее эффективный метод раннего выявления РМЖ, чувствительность которого в данной ситуации составляет 85-90% [2]. Однако интерпретация маммограмм представляет собой непростую задачу, о чем свидетельствует тот факт, что от 10 до 30% РМЖ пропускается во время рутинных исследований из-за ограничений визуального восприятия у рентгенологов, хотя и определяется ретроспективно. В частности, было показано, что часто игнорируемые признаки озлокачествления, такие как невыраженные изменения структуры, асимметрии, одиночные расширенные протоки и увеличивающиеся в динамике образования ретроспективно обнаруживались почти в 20% случаев [3].
Необходимость анализа большого количества изображений для выявления малого числа патологии молочных желез (МЖ), сложность рентгенографической структуры МЖ, высокая плотность паренхимы, которая может скрывать опухоль, погрешности укладки или неадекватная методика выполнения маммографии, локализация РМЖ вне области съемки, плохо различимые признаки злокачественности, а также усталость или отвлеченность рентгенолога на другие исследования способствуют ложно отрицательным результатам маммографий. Помимо усталости, рассеянности внимания и небольшого опыта рентгенолога, отсутствие результатов предыдущих исследований и отсутствие маммографических изображений в дополнительных проекциях могут привести к ошибкам интерпретации.
В литературе все ошибки в рентгенологии разделяют на три категории: а) ошибки поиска; б) ошибки обнаружения; в) ошибки интерпретации. Ошибки поиска и обнаружения (или ошибки восприятия) определяются как ошибки, возникающие в случаях, когда патология находится в поле съемки и является заметной, но не распознается рентгенологом. Ошибки интерпретации — это ошибки, возникающие в случаях, когда патология описана, но неправильно классифицирована, например, изображение с подозрительными характеристиками интерпретируется как доброкачественное. Точность интерпретации изображения, хотя и существенно зависит от уровня подготовки, опыта и загруженности рентгенолога, также зависит и от ограничений человеческого визуального восприятия [3].
Двойное прочтение маммограмм оказалось очень полезным подходом, сокращающим число ложно отрицательных заключений на 5-15%. Несмотря на доказанные диагностические преимущества, двойное прочтение маммограмм не
всегда возможно из-за логистических и финансовых проблем, затрагивающих различные медицинские учреждения [4].
В последние годы активно развивается цифровая маммография, когда ионизирующее излучение фиксируется с помощью специального электронного детектора, формирующего цифровое изображение. Цифровая маммография имеет ряд преимуществ по сравнению с пленочной: снижение лучевой нагрузки, быстрота получения изображений, меньшая продолжительность исследования, отсутствие необходимости использования токсичных расходных материалов, улучшенные возможности для хранения изображений, упрощенная передача данных другим врачам и современная компьютерная обработка изображений МЖ [5].
Кроме того, с достижениями в области цифровой обработки, распознавания изображений и искусственного интеллекта, рентгенологи имеют возможность повысить точность диагностики с помощью систем компьютерного анализа (CAD) маммограмм.
История
Исследования в области CAD начались в 1960 году, когда были опубликованы первые статьи по компьютерному анализу рентгенографических изображений. В 1998 году Управление по контролю за продуктами питания и лекарственными средствами США (FDA) впервые зарегистрировало CAD для маммографии ImageChecker®, основанную на технологии R2®, для использования при маммографическом скрининге; эта система также была первой, которая была зарегистрировано для использования совместно с цифровой маммографией. Система SecondLook® (iCAD Systems, Канада) получила одобрение FDA для использования совместно с цифровой маммографией в 2001 году. В последнее время продолжаются работы по созданию и совершенствованию подобных систем и в Российской Федерации (РФ), основанные на реализации различных математических алгоритмов и подходов. Однако основа любой CAD — реализованные в ней алгоритмы, поэтому математические их описания, а также коды их программной реализации часто строго конфиденциальны, что является значительным препятствием при осмыслении особенностей их работы и возможностей усовершенствования.
Целью CAD является не диагностика РМЖ, а скорее привлечение внимания рентгенолога к конкретным областям маммограммы, математические характеристики которых соответствуют подозрительным зонам и требуют дальнейших исследований.
При анализе изображения CAD приблизительно очерчивает подозрительные области либо помещает в их центр метки разных типов (например, * — спикулизированное образование, ▲ — скопление микрокальцинатов) [6].
Все алгоритмы, реализованные в различных CAD, можно разделить на следующие группы: 1) алгоритмы постпроцессинга изображения с целью облегчения последующего визуального или цифрового его анализа; 2) алгоритмы идентификации зоны анализа, обеспечивающие программное удаление структур, не относящихся к паренхиме МЖ (например, тени большой грудной мышцы); 3) алгоритмы идентификации подозрительных на РМЖ участков маммограммы; 4) алгоритмы дифференциальной диагностики доброкачественных и злокачественных изменений на маммограммах.
Алгоритмы и методы, реализованные в CAD
Улучшение качества изображения
Данные алгоритмы могут повышать частоту обнаружения РМЖ на раннем этапе. Отдельные структуры на маммограммах, такие как новообразования и кальцинаты, могут быть трудноразличимы и иметь низкое отличие плотности от соседних тканей МЖ, что может значительно затруднить их выявление. Следовательно, методы повышения контрастности изображения могут улучшить возможности распознавания малых диагностических признаков, и, как результат, сделают возможной раннюю и более точную диагностику РМЖ. Еще на ранних этапах разработки таких подходов было показано, что повышение контрастности может улучшить качество неудовлетворительных маммограмм, что при использовании в клинических условиях позволяет снизить дозу облучения примерно на 50% [7].
Стандартные методы улучшения изображения используется в рентгенографии на протяжении более 30 лет. Изучалась актуальность метода нерезкого маскирования для цифровой маммографии. Проведенные ROC-анализы подтвердили положительное влияние нерезкой маскировки на обнаружение кальцинатов на цифровых маммограммах. Однако возможности метода ограничены повышением шума, вызывающим артефакты на изображениях. Также было доказано, что традиционные методы улучшения изображения показали себя более эффективными в визуализации общей картины, чем частных, относительно малых деталей изображения. Таким образом, классические методы улучшения изображений часто могут быть недостаточны для улучшения отдельных участков маммограммы из-за значительных различий размера и формы интересующих областей маммограмм. Поэтому очень важна разработка алгоритмов адаптивного повышения контрастности маммограмм так, чтобы преобразование изображений было эффективным для анализа локальных изменений. На основании этого был разработан метод нелинейного увеличения контраста при различном разрешении и использовании двухэлементных всплеск-функций [8].
Была разработана также технология адаптивного повышения контрастности соседей (ANCE), которая заключается в следующем. Каждый пиксел цифрового изображения расценивается как исходный в зоне роста. Процедура роста зоны распознает набор пикселов, которые соответствуют фону и изменениям, расположенным на его фоне [9].
Однако методы улучшения изображения, хотя и могут улучшить видимость определенных диагностических признаков, но в итоге искажают внешний вид и форму изменений, что может привести к неправильному диагнозу. Кроме того, некоторые методы постпроцессинга маммограмм могут приводить к увеличению шума. В результате предпочтительно наличие исходного маммографического изображения, однако это может ограничить степень его улучшения [10]. Тем не менее, с внедрением инновационных технологий прямого цифрового построения изображения, которые используют встроенные функции, такие как повышенный контраст, динамический диапазон и пониженное соотношение «сигнал/шум», необходимость постоянно улучшать изображение постепенно исчезает
Сегментация маммограмм и анализ плотности паренхимы МЖ
В нескольких исследованиях было показано, что увеличение плотности ткани МЖ было связано с более высокой вероятностью развития РМЖ [11]. Многие исследователи изучали компьютерные методики оценки риска развития РМЖ с использованием автоматизированного анализа плотности ткани. Были предприняты попытки вычисления асимметрии гистограммы участков маммограмм размером 24^24 пиксела (3,12*3,12 мм). Средние значения коэффициента асимметрии были вычислены для каждого изображения путем измерения общего среднего значения смещения пика гистограммы изображения (коэффициента эксцесса). Маммограммы с повышением фиброзного компонента на гистограмме характеризовались смещением гистограммы в сторону повышенной плотности, что приводило к отрицательным значениям коэффициента асимметрии. Кроме того, исследование показало, что маммограммы МЖ с большим количеством жировой ткани имели тенденцию к положительным значениям коэффициента асимметрии. Фрактальная размерность изображений была также вычислена посредством интерпретации изображения как рельефной карты. Затем фрактальная размерность была вычислена с использованием размерности Минковского. Меры асимметрии и фрактальной размерности оказались равноценными при прогнозировании развития РМЖ [12].
Было разработано несколько методов идентификации края большой грудной мышцы. Первый метод — это преобразование Хафа с последующей фильтрацией. Однако теория использования прямой для изображения грудной мышцы не всегда применима и может накладывать ограничения на последующие этапы анализа изображений. Следующий метод исключил недостатки первого метода, в основе которого лежит направленная фильтрация с использованием вейвлетов Габора. Последующие исследования обобщили методы определения внешних границ МЖ [13].
Также был разработан метод распознавания границ с использованием активных контурных моделей, состоящий из последовательных процессов улучшения маммограммы, которые включают контрастное усиление и алгоритм пороговой обработки для создания последовательного алгоритма построения линии границы за счет применения модели активного контура. Алгоритм построения контура МЖ, разработанный с помощью этого метода был выполнен на основе сравнительного
анализа процента ложно положительных результатов и ложно отрицательных пикселей новой модели и контуров, изготовленных вручную рентгенологом. Среднее число ложно положительных и ложно отрицательных срабатываний составляло 0,41% и 0,58% соответственно [14].
Также производилась сегментация фиброзно-железистого компонента паренхимы на маммограммах с использованием Гауссовых смешанных моделей. Первоначально контур МЖ и грудной мышцы выявлялись с использованием методов, разработанных ранее. Затем фиброзно-железистый компонент был выделен путем построения модели плотности МЖ. Параметры модели рассчитывались с использованием алгоритм максимизации ожидания и принципа минимальной длины описания. По результатам качественной оценки сегментации, выполненной опытным радиологом, 64,3% результатов были оценены как отличные, 16,7% — как хорошие, 10,7% — как среднее, 4,7% — как плохие и только 3,6% результатов признаны неудовлетворительными [15].
Обнаружение и классификация микрокальцинатов
Микрокальцинаты на маммограммах выглядят ярче окружающих тканей из-за высокого коэффициента ослабления рентгеновского излучения. Однако кальцинаты могут быть перекрыты другими плотными тканями в процессе получения маммограммы, что может нивелировать разницу уровня яркости или контраст относительно их фона. В случае же, когда кальцинаты присутствуют на фоне жира или другой ткани с низкой плотностью, различия контрастности будут весьма значительными. Кальцинаты при злокачественном процессе, как правило, мелкие, множественные, сгруппированы, имеют неправильную форму. Напротив, кальцинаты, сопровождающие доброкачественные образования, обычно крупнее, относительно малочисленные, рассредоточены хаотично и более округлые по форме [16].
Первый алгоритм обнаружения и классификации кальцинатов на маммограммах начинался с создания области множественной толерантности для распознавания возможных кальцинатов с последующим вычленением контуров, представляющих область потенциального интереса. Другие выделяемые особенности включали построение формы на основе величины центрального момента, дескрипторов Фурье и компактности пространства. В довершение всего, для определения вектора признаков с целью дифференцировки злокачественных и доброкачественных кальцинатов использовалась нейронная сеть. Данный подход обеспечил верную идентификацию 94% и 87% доброкачественных и злокачественных микрокальцинатов, соответственно [17].
Затем был предложен двухэтапный метод на основе вейвлет-преобразований для обнаружения и сегментации микрокальцинатов. При этом обнаружение кальцинатов выполняется в интервале радиуса вейвлета. Обнаруженные локусы усиливаются в вейвлет-области, затем происходит обратное вейвлет-преобразование. Данный алгоритм позволяет увеличивать отношение сигнал-шум, при этом пороговая величина является достаточной для визуализации микрокальцинатов. Тестовая база
данных состояла из 40 маммограмм, чувствительность составила 91% при трех ложно положительных срабатываниях на одно изображение [18]. Yu et al. (2006) использовали вейвлет-фильтр для обнаружения микрокальцинатов и модель Маркова случайного поля для описания структурных особенностей близлежащих кальцинатов. Модель Маркова случайного поля и три вспомогательных величины (среднее значение в пикселах, дисперсия уровня серого и мера плотности краев), были использованы для отклонения ложных распознаваний сигнала. Метод оценивался с использованием 20 маммограмм, содержащих 25 областей с кластерами микрокальцинатов. Чувствительность составила 92% при 0,75 ложно положительных результатах на изображение [19].
Yu and Guan (2000) разработали методику обнаружения групп микрокальцинатов, состоящую из двух этапов: сначала происходит обнаружение потенциальных пикселей кластеров микрокальцинатов, а затем разграничение отдельно взятых микрокальцинатов путем устранения ложно положительных срабатываний. Первая часть предполагает выделение признаков на основе вейвлет-разложения и статистических параметров полутонов серого, после чего происходит их классификация с помощью нейронной сети. Для обнаружения отдельно расположенных объектов требуется вектор из 31 функции, увязанных со статистическими показателями значений полутонов серого и коэффициентом формы, а также последующей классификацией с помощью нейронной сети. Чувствительность данного подхода составила 90% с 0,5 ложно положительного срабатывания на изображение [20, 21].
Было показано, что размер микрокальцинатов не влияет на частоту их обнаружения c помощью CAD. В исследовании, включившем 85 маммограмм с гистологически верифицированными скоплениями микрокальцинатов (21 — злокачественное, 14 — с высоким риском и 50 — доброкачественных). CAD выявила аморфные кальцинаты в 43 из 85 случаев (чувствительность — 51%) и на 59 из 146 маммографических изображений (чувствительность — 40%). При этом чувствительность составила 57% — для злокачественных кальцинатов, 29% — для кальцинатов высокого риска и 54% — для доброкачественных кальцинатов [22]. Были разработаны различные методы для классификации микрокальцинатов как доброкачественные или злокачественные. В качестве методов классификации были использованы линейный дискриминантный анализ, нейронные сети, метод опорных векторов и байесовские сети. Точность классификации (Az) варьировала от 0,80 до 0,98 [23].
В результате, в связи с достигнутым высоким уровнем чувствительности при обнаружении кальцинатов и низким процентом ложно положительных результатов, проблему обнаружения кальцинатов на маммограммах можно считать решенной удовлетворительным образом.
Анализ асимметрий
Асимметрия плотности паренхимы МЖ — это диагностический признак РМЖ. Для точного обнаружения асимметрий было предложено несколько методов.
Был разработан метод анализа асимметрий на маммограммах с использованием направленной фильтрации с вейвлетами Габора. В этом методе фиброзно-железистый компонент сегментируется, и полученное изображение разложено с использованием кеша фильтров Габора на различные пространстенные ориентации и уровни. Преобразование Карунена — Лоэва используется для выбора основных элементов характеристик фильтра. Точность классификации при данном подходе составила 74,4%. Метод на основе фильтра Габора обеспечивает инструмент, позволяющий численно оценить разброс значений пространственного распределения фиброзно-железистой ткани (асимметрии рисунка). Также использовались морфологические параметры для количественной оценки различий в распространении фиброзно-железистой ткани в обеих МЖ, с точки зрения размера и формы, с учетом данных о расположении края грудной мышцы. Чувствительность данного метода определения асимметрии составила 82,6%, специфичность — 86,4% [24].
Однако использование подходов, основанных на идентификации асимметричных зон МЖ, ограничивается большой частотой данных зон в норме, а также частой необходимостью обследования только одной МЖ.
Обнаружение изменений структуры
Изменения структуры паренхимы МЖ являются одними из самых трудно поддающихся диагностике изменениями. Они, как правило, определяются как искажение или изменение нормальной структуры МЖ без увеличения объема. Они также может быть представлены в виде радиально расходящихся из одной точки спикул с фокальным уплотнением или искажением края паренхимы. Низкая точность описания изменений структуры приводит к сложностям в создании точных методов математической обработки маммограмм.
Тем не менее, было проведено несколько исследований по разработке эффективных соответствующих методов. Для описания изменений структуры паренхимы использовалась фрактальная размерность. Guo et а1. (2005) исследовали характеристику изменений структуры с использованием размерности Хаусдорфа и метода опорных векторов для дифференцировки областей интереса на маммограммах, сравнивая данное отклонение с паттернами нормы. Точность классификации при этом составила 72,5% [25].
Tourassi et а1. [26] оценили применение фрактальной размерности в дифференциальной диагностике между нормой и изменением структуры на маммограммах. Площадь под ROC-кривой составила 0,89. Исследование также показало, что средняя фрактальная размерность областей интереса с изменениями структуры, была достоверно ниже, чем на маммограммах с вариантами нормы.
Был предложен метод, основанный на обнаружении линейных структур с помощью средней кривизны изображения, анализ индекса концентрации, указывающего на наличие звездчатых конструкций над полуокружностями, и обнаружении изменений
структуры на основе набора локальных параметров, таких как индекса концентрации. Сообщается о чувствительности 68% с 3,4 ложно положительными срабатываниями на изображение [27].
Анализ предыдущих маммограмм для оценки динамики
Исследовались структурные отличия между областями РМЖ на маммограммах и нормальными областями вокруг них на изображениях, предшествующих тем, на которых опухоль была обнаружена. Идентифицированные вручную округлые области интереса на маммограммах были преобразованы в собственные эквиваленты оптической плотности, а затем сгруппированы в три типа по уровню плотности: низкой, средней и высокой оптической плотности. Каждому из типов соответствовал набор фотометрических и структурных характеристик. Ретроспективный анализ 58 случаев подтвержденного РМЖ позволил выявить несоответствие между областями злокачественной опухоли и нормальными тканями на сделанных ранее скрининговых изображениях в 72% случаев [27].
Zheng et al. (2003) исследовали влияние алгоритма CAD на обнаружение новообразований на текущих и предшествующих маммограммах с двумя настройками: оптимизацией алгоритма с текущими маммограммами и оптимизацией алгоритма с предыдущими маммограммами. Алгоритм CAD состоит из трех этапов: фильтрация по разности Гауссианов и пороговая обработка для предварительного выбора возможных областей поражения; адаптивное расширение и топологический анализ сомнительных зон с целью избегания ложно положительных срабатываний и выявление характеристик (включая форму, гистограмму яркостей и структуру) и классификация с использованием нейронной сети. По сообщениям авторов методики, результаты обучения нейронной сети на анализе текущих маммограмм при классификации текущей и предыдущей маммограмм соответствовали значению площади под ROC-кривой 0,8±0,01 и 0,65±0,02, соответственно. В случае, когда нейронная сеть обучались на анализе маммограмм, выполненных ранее, аналогичные значения составляли 0,8±0,02 и 0,71±0,02, соответственно. Таким образом, результаты дополнительно подчеркивают важность разработки алгоритмов CAD, способных в большей мере использовать информацию об особенностях ранних признаков, нежели визуализацию признаков уже имеющегося РМЖ. С другой стороны, результаты, полученные с использованием информации о динамике и нейронных сетей нельзя назвать оптимальными [28].
Индексированные атласы, алгоритмы интеллектуального анализа данных и поиск изображений по содержимому
Внедрение в сектор здравоохранения программ маммографического скрининга привело получению множества данных, таких как маммограммы и их описания. В связи с этим целесообразно разработать соответствующие вычислительные инструменты для получения полезной информации из огромного количества таких данных.
Некоторые исследователи изучали применение поиска изображений по содержимому (CBIR) и методы систематического анализа данных для исследования огромных объемов материалов, присутствующих в базах данных маммограмм и информации о пациентах. Была разработана поисковая система изображений по содержимому на основе структурных особенностей. Степень точности в их исследовании варьировала от 25 до 100% [29].
Исследовалось несколько проблем, связанных с использованием индексированного атласа цифровых маммограмм с подтвержденным РМЖ для последующей работы CAD. В частности, использование объективных показателей, разработанных на основе применения методик обработки изображений для обозначения диагностических особенностей на маммограммах, может обеспечивать семантическое индексирование, интеллектуальный анализ данных, контент-поиск и сравнительный анализ случаев. Индексированные атласы могут быть расширены для помощи в обучении и подготовке рентгенологов, а интегрированные в них инструменты контентного поиска, может помочь в процессе принятия решений в сложных случаях [30].
Суммируя данные об эффективности различных математических подходов при создании CAD, необходимо подчеркнуть особую сложность создания универсального метода, который позволял бы обнаруживать весь спектр изменений, ассоциированных с РМЖ. В последнее время в связи с развитием технологий глубинного обучения и нейронных сетей появились оптимистичные сведения о том, что данные подходы могут улучшать результаты автоматического выявления РМЖ, однако эти сообщения получены на небольших экспериментальных выборках, а подходы до сих пор не реализованы в серийных CAD. Что касается автоматизированной дифференциальной диагностики изменений на маммограммах, то следует помнить о том, что маммография сама по себе является довольно мало специфичным методом, что существенно ограничивает создание систем дифференциальной диагностики неспецифичных (например, BIRADS 3-4) образований с высокой площадью под ROC-кривой.
Анализ маммограмм с помощью CAD
Размер патологической зоны
CAD разрабатываются для обнаружения небольших изменений (менее 3 см) и могут пропускать изменения больших размеров. В результате CAD не может использоваться отдельно, без рентгенолога. В большинстве систем наилучшие характеристики достигаются при изменениях размером от 1 до 3 см.
В исследовании, в котором анализировались производительность CAD (система Second Look) в зависимости от размеров изменений самые низкие значения чувствительности были получены для изменений размером 4 см (частота обнаружения — 52,9%), в то время как небольшие (<10 мм) и более крупные (>30
мм) обнаруживались с промежуточной чувствительностью (частота обнаружения — 83%; 25 из 30 и 31 из 40 случаев, соответственно). Были обнаружены все изменения размером от 10 до 30 мм (100%; 45 из 45 и 46 из 46 случаев, соответственно) [31].
Плотность молочных желез
Оценивалось влияние плотности МЖ на результаты работы CAD, и были получены противоречивые данные. Одни авторы не обнаружили статистически значимых различий между частотой выявления РМЖ в плотной и неплотной паренхиме. Что касается обнаружения образований, частота ложно положительных результатов была ниже для неплотных, чем для плотных МЖ. Авторы предположили, что CAD может быть особенно полезной при плотном типе строения МЖ, поскольку интерпретация этих маммограмм является более сложной [22]. Другие исследования свидетельствуют о том, что распространенность ложно положительных находок возрастает с увеличением плотности МЖ, а также возможно влияние плотности паренхимы на производительность CAD при обнаружении РМЖ в виде снижения чувствительности CAD с увеличением плотности МЖ. Чувствительность CAD составляла 93,3% при 1,3 ложно положительных метки на маммограмму — для МЖ с жировым типом строения паренхимы, и снизилась до 64,3% (при 1,2 ложно положительных метки на маммограмму) — в очень плотных МЖ [32].
Очевидно, что приведенная дискордантность результатов обусловлена различиями использованных алгоритмов анализа и выборок.
Гистологическая структура опухоли
Brem et al. [32] предположили, что эффективность CAD в обнаружении РМЖ не зависит ни от размера, ни от морфологических характеристик опухоли. В исследовании, сравнивавшем эффективность CAD в обнаружении 208 РМЖ с различными гистологическими характеристиками, общая частота обнаружения составила 93,8%. Наименьшие показатели были получены при муцинозных раках, а также при других редких опухолях (80%, включая метастазы, метапластические раки и нейроэндокринные опухоли). Чувствительность была ниже при обнаружении тубулярной карциномы по сравнению с инвазивным протоковым раком. Доброкачественным изменением с наименьшей частотой обнаружения при использовании CAD является аденоз (37,9%), что объясняется его особенной морфологией.
Характеристика изменений
Системы CAD были изначально разработаны для обнаружения РМЖ, но дифференциальная диагностика патологии МЖ также является актуальной проблемой. Отмечалось увеличение чувствительности с 62 до 73%, с одним ложно положительным результатом на изображение при работе CAD в анализе подозрительных теней. Был разработан классификатор правдоподобия для дифференцировки теней на злокачественные и доброкачественные, и была
опробована его эффективность в независимом наборе данных. Площадь под ROC-кривой (Az) колебалась от 0,87 до 0,90 [33]. Hadjiiski et al. оценили влияние CAD на характеристику теней восемью рентгенологами, используя 253 изображения (138 злокачественных и 115 доброкачественных теней). Для оценки риска злокачественных новообразований значение Az составило 0,79 — без CAD и 0,84 — с CAD. Улучшение было статистически значимым (р=0,005). Было подсчитано, что с помощью CAD каждый рентгенолог уменьшил в среднем на 0,7% количество ненужных биопсий, и дополнительно в 5,7% случаях были правильно рекомендованы дополнительные биопсии [34].
Вызовы для дополнительного обследования
James et al. обследовали 31 057 женщин с 227 выявленными РМЖ. В общей сложности, 170 пациенток были вызваны для дообследования. Типы изменений были следующими: 66% теней, 25% скоплений микрокальцинатов, 6% изменений структуры и 3% областей асимметрии. Частота дополнительных исследований достоверно варьировала в зависимости от типа изменения (p <0,001) и была выше при изменениях структуры, обнаруженных при двойном прочтении маммограмм, и асимметриях, а также при только одном прочтении маммограмм в комбинации с CAD. Не было выявлено статистически значимых различий частоты вызовов на дообследование в случаях теней и микрокальцинатов. CAD правильно промаркировала 100% скоплений микрокальцинатов, 87% теней, 80% асимметрий и 50% изменений структуры паренхимы. РМЖ, обнаруженные при двойном прочтении маммограмм, но пропущенные при однократном прочтении в комбинации с CAD, чаще всего отмечались у женщин с плотными МЖ [35].
В проспективных исследованиях на больших выборках маммографий наблюдалось относительное увеличение частоты выявления РМЖ на 7,62-19,5%, наряду с увеличением частоты обнаружения инвазивных РМЖ <1 см, а также повышением на 8,1% частоты вызовов на дообследование при использовании CAD [36]. Gur et al. не наблюдали каких-либо значительных изменений в выявлении РМЖ в исследовании из 59 139 скрининговых маммографий, проанализированных в сочетании с CAD, по сравнению с 56 432 маммографиями, проанализированными до внедрения в практику CAD [37]. В исследовании, выполненном Ciatto et al., десять рентгенологов выполнили обычный анализ скрининговых маммограмм, а затем повторили этот процесс с помощью CAD. Двойное прочтение было смоделировано путем объединения обычных результатов четырех специалистов-рентгенологов и сравнения с результатами CAD. Принимая во внимание результаты всех специалистов (десять рентгенологов), РМЖ был выявлен в 146 и 153 из 170 случаев (85,8% против 90,0%; p=0,31), а частота вызовов на дополнительное обследование составила 106 или 152 из 1330 случаев (7,9% против 11,4%; p=0,003) при обычном прочтении или при прочтении с CAD, соответственно. Анализ CAD дал практически те же результаты, что и двойное прочтение (чувствительность — 97,0% против 96,0%, p=0,93); частота вызова на дополнительное обследование — 10,7% против 10,6%, p=0,96. Наблюдалось среднее недостоверное увеличение абсолютной
чувствительности на 4,2%. Частота вызовов для дополнительного обследования увеличилась у всех специалистов, в среднем на 3,5%, с повышением чувствительности, но с меньшим влиянием на специфичность [38].
Helvie et al. провели пилотное проспективное клиническое исследование с использованием некоммерческой CAD, в котором, в общей сложности, 2389 скрининговых случаев были проанализированы 13 рентгенологами в двух разных академических учреждениях. Из 11 случаев РМЖ, выявленных при обследовании таких пациентов, CAD выявила 10 случаев, рентгенологи — также 10 случаев. Одна из карцином, обнаруженных CAD, изначально не была замечена рентгенологом (увеличение частоты обнаружения на 10%). Наблюдалось также увеличение на 10% частоты вызовов для дополнительного обследования при анализе CAD [38]. Birdwell et al. проанализировали 8682 наборов маммограмм в комбинации с CAD и без нее. Они выполнили 165 биопсий и обнаружили 29 РМЖ. 21 РМЖ был обнаружен как CAD, так и рентгенологами, шесть — только рентгенологами, а два — только CAD. В случаях, когда рентгенолог использовал CAD, количество обнаруженных РМЖ увеличивалось на 7,4%. Повышение частоты вызовов для дополнительного обследования в результате использования CAD составило 7,6%. Небольшое увеличение показателя наблюдалось для случаев, анализировавшихся без CAD, по сравнению с аналогичным предыдущим периодом, когда рентгенологи анализировали маммограммы без CAD [39].
Интересно отметить, что в исследованиях, выполненных Helvie et al. и Birdwell et al., частота вызовов для дополнительного обследования в случаях, проанализированных рентгенологами, увеличилась еще до использования CAD, что указывает на то, что рентгенологи могут стать более бдительными, когда знают о том, что их результаты можно сравнить с результатами другого исследования.
В проспективном исследовании Gur et al. не обнаружили статистически значимых изменений частоты вызовов для дополнительного обследования и выявления РМЖ среди 56 432 маммографий, проанализированных 24 рентгенологами до внедрения CAD, и среди 59 139 случаев, проанализированных после такого внедрения. Таким образом, такие результаты кажутся отличными от тех, что наблюдались в вышеупомянутых исследованиях [37].
Рекомендации по биопсии
РМЖ выявляется только в 15-30% случаев при биопсии непальпируемых образований МЖ. Преобладание доброкачественных изменений ограничивает эффективность скрининговой маммографии. Следовательно, повышение специфичности маммографии повысит частоту диагностики раннего РМЖ.
Была выполнена оценка количества ненужных дополнительных процедур, рекомендованных рентгенологами при использовании системы CAD. Было проанализировано 185 маммографий (группа 1 — с 36 случаями РМЖ; группа 2 — с 49 случаями доброкачественных образований и группа 3 — со 100 скрининговыми случаями с 4-летним последующим наблюдением) пятью рентгенологами без CAD и
с ее применением. CAD обнаружила 32 из 36 (88,9%) РМЖ (частота ложно положительных меток: 1,04 — при тенях и 0,27 — при кальцинатах на изображение). Следующие средние значения были получены при анализе работы всех специалистов без/с CAD: чувствительность — 80,6%/80%, специфичность — 83,2%/86,4%, прогностическая ценность положительного результата — 53,1%/58,1% и прогностическая ценность отрицательного результата — 94,6%/97%. Рентгенологи описали аналогичное количество дополнительных изменений без и с использованием CAD (325 из 326). Несмотря на то, что количество процедур краткосрочного наблюдения увеличилось во всех группах при использовании CAD (40,8%/42,9% — в группе 1, 35,6%/38,1% — в группе 2 и 44,7%/46,8% — в группе 3, соответственно), количество рекомендованных биопсий уменьшилось во всех подгруппах следующим образом: группа 1 — 34,7%/27,1%; группа 2 — 47,4%/41,5%; группа 3 — 33,3%/22%. Уменьшение количества рекомендуемых биопсий в результате использования CAD в группе скрининга предполагает потенциальное преимущество CAD с увеличением точности примерно на 2% [6].
Опыт рентгенолога
Одно из крупнейших исследований влияния использования CAD на частоту выявления РМЖ обнаружило повышение чувствительности при использовании CAD как у опытных, так и у неопытных рентгенологов следующим образом: с 80 до 84% — в случае опытных рентгенологов и с 67 до 75% — для рентгенологов, не являющихся специалистами в области маммографии. Такие значения свидетельствуют о повышении чувствительности (примерно 4%), несмотря на небольшое снижение специфичности (с 83% до 80% у неспециализированных рентгенологов) [40].
Sohns et al. оценили клиническую пользу CAD при интерпретации скрининговых маммографий и маммограмм с доброкачественными и злокачественными новообразованиями, в зависимости от уровня опыта рентгенологов. CAD была использована при оценке цифровых маммограмм 303 пациенток, разделенных на три группы следующим образом: группа скрининга (n=103), группа доброкачественных изменений (n=102) и группа злокачественных изменений (n=98). Маммограммы были проанализированы тремя рентгенологами: одним ординатором, одним рентгенологом общего профиля и одним рентгенологом с опытом работы в области маммографии. Во всех группах отмечалась польза от использования CAD. Самый высокий уровень пользы наблюдался у ординатора (повышение точности на 10%), затем — у рентгенолога общего профиля (на 4%) и, наконец, — у специалиста по маммографии (на 3%). Во всех группах пациенток использование CAD обеспечивало резкое увеличение площади под ROC-кривой вследствие повышения чувствительности [41].
Длительность анализа маммограмм с CAD и без нее
В проспективном исследовании с участием пяти рентгенологов Tchou et al. определили время, необходимое для интерпретации 267 цифровых маммограмм с CAD и без нее, а также проанализировали, произойдут ли какие-либо изменения
уровня достоверности рентгенологов. В среднем время, необходимое для интерпретации маммограмм без CAD, составило 118±4,2 (стандартное отклонение) секунды. Среднее время, необходимое для просмотра изображений с метками CAD, составило 23±1,5 секунды с дополнительными 3,2 секундами — для каждого кластера микрокальцинатов и 7,3 секундами — для каждой тени. Использование CAD при оценке цифровой маммографии привело к изменению уровня уверенности заключений рентгенологов в 22% случаев с увеличением уверенности в 14% случаев и снижением уверенности в 8% случаев. Дополнительное время, необходимое для просмотра изображений с метками CAD, означает увеличение времени интерпретации по сравнению с таковым без CAD на 19%, а также увеличение частоты вызовов пациенток на дополнительное обследование на 11% [42].
Заключение
Несмотря на имеющуюся вариабельность данных, CAD могут улучшать выявляемость РМЖ, особенно ранних его форм, и уменьшать вариативность интерпретации маммограмм рентгенологами. Кроме того, CAD могут играть роль справочного инструмента, полностью невосприимчивого к человеческому фактору.
В настоящее время CAD можно использовать только в сочетании с анализом маммограмм рентгенологом, причем сначала рентгенолог должен проанализировать маммограммы и сформировать собственное мнение, а лишь затем — оценить результаты работы CAD.
Хотя проблему автоматической идентификации и характеристики микрокальцинатов на маммограммах можно считать решенной, разработка методов выявления и дифференциальной диагностики солидных образований с произвольными нестандартизованными характеристиками, в особенности на фоне паренхимы различной плотности, представляет собой активную область исследований в сфере искусственного интеллекта и лучевой диагностики.
При достаточно большом массиве данных обращает на себя внимание, что они получены с использованием широкого круга различных CAD, в которых часто реализованы неизвестные алгоритмы, что значительно затрудняет их интерпретацию. В связи с этим необходимы данные об эффективности работы различных алгоритмов и нейронных сетей определенной конфигурации при различных видах изменений, ассоциированных с РМЖ. Также необходимо иметь в виду, что отдельные алгоритмы, дающие неплохие результаты на малых отобранных выборках, не обеспечивают сохранение таких результатов при рутинном использовании в клинической практике.
В связи с этим представляется целесообразным дальнейшее совершенствование алгоритмов CAD (основанных как на традиционных технологиях, так и нейронных сетях), оценка подходов к их применению и принципов их интеграции в мультимодальную диагностику патологии МЖ в условиях реальной клинической практики.
Все изложенное иллюстрируется еще и тем фактом, что, по состоянию на 2016 год, в США 92,3% центров скрининга РМЖ, оснащенных цифровой аппаратурой, рутинно использовали CAD, и данный показатель оставался относительно стабильным с 2008 года [43].
Литература
1. Bray F., Ferlay J., Soerjomataram I., et al. Global Cancer Statistics 2018: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries // Cancer J Clin. — 2018. —Vol. 68. — P. 394-424. doi: 10.3322/caac.21492
2. Seely J.M., Alhassan T. Screening for breast cancer in 2018 — what should we be doing today? // Curr Oncol. — 2018. — Vol. 25, Suppl 1. — P. S115-S124. DOI: https://doi.org/10.3747/co.25.3770
3. Kamal R.M., Razek N.M.A., Hassan M.A., Shaalan M.A. Missed Breast Carcinoma; Why and How to Avoid? // Journal of the Egyptian Nat. Cancer Inst. — 2007. — Vol. 19, №3. — Р. 178-194.
4. Euler-Chelpin M.V., Lillholm M., Napolitano G., et al. Screening mammography: benefit of double reading by breast density. // Breast Cancer Res Treat. — 2018. — Vol. 171, №3. — P. 767-776. doi:10.1007/s10549-018-4864-1
5. de Munck L., de Bock G., Otter R. Digital vs screen-film mammography in population-based breast cancer screening: performance indicators and tumour characteristics of screen-detected and interval cancers // Br J Cancer. — 2016. — Vol. 115. — P. 517-524. https://doi.org/10.1038/bjc.2016.226
6. Lehman C.D., Wellman R.D., Buist D.S., et al. Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection // JAMA Intern Med. — 2015. — Vol. 175, №11. — Р. 1828-1837. doi:10.1001/jamainternmed.2015.5231
7. Baoying C., Wei W., Jin H., et al. Comparison of tissue equalization, and premium view post-processing methods in full field digital mammography // European Journal of Radiology. — 2010. — Vol. 76, №1. — P. 73-80. https://doi.org/10.1016/j.ejrad.2009.05.010
8. Siddiqi M.H. Noise Removal and Enhancement of Digital Mammographic Images for Visual Screening // International Journal of Recent Technology and Engineering (IJRTE).
— 2020. — Vol. 8, №6. — Р. 1772-1779.
9. Akila K., Jayashree L.S., Vasukic A. Mammographic image enhancement using indirect contrast enhancement techniques — A comparative study // Procedia Computer Science.
— 2015. — Vol. 47. — P. 255-261. doi: 10.1016/j.procs.2015.03.205
10. Chakraborty S., Bhowmik M.K., Ghosh A.K., Pal T. Automated edge detection of breast masses on mammograms // IEEE Region 10 Conference (TENCON). — 2016. — P. 1241-1245.
11. Kerlikowske K., Miglioretti D.L., Vachon C.M. Discussions of Dense Breasts, Breast Cancer Risk, and Screening Choices in 2019 // JAMA. — 2019. — Vol. 322, №1. — P. 69-70. doi:10.1001/jama.2019.6247
12. Diffey J., Hufton A., Astley S. A New Step-Wedge for the Volumetric Measurement of Mammographic Density / In: Astley S.M., Brady M., Rose C., Zwiggelaar R. (eds) Digital Mammography. IWDM 2006. Lecture Notes in Computer Science, vol. 4046. — Springer, Berlin, Heidelberg, 2006. https://doi.org/10.1007/11783237_1
13. Shi P., Zhong J., Rampun A., Wang H. A hierarchical pipeline for breast boundary segmentation and calcification detection in mammograms // Comput Biol Med. — 2018.
— №1. — P. 96:178-188. doi: 10.1016/j.compbiomed.2018.03.011.
14. He W., Juette A., Denton E.R., et al. A Review on Automatic Mammographic Density and Parenchymal Segmentation // Int J Breast Cancer. — 2015. — Vol. 2015. — P. 276217. doi:10.1155/2015/276217
15. Oliver A., Lladô X., Pérez E. A statistical approach for breast density segmentation // J Digit Imaging. — 2010. — Vol. 23, №5. — P. 527-537. doi:10.1007/s10278-009-9217-5
16. Metaxa L., Healy N.A., O'Keeffe S.A. Breast microcalcifications: the UK RCR 5-point breast imaging system or BI-RADS; which is the better predictor of malignancy? // Br J Radiol. — 2019. — Vol. 92, №1103. — P. 20190177. doi:10.1259/bjr.20190177
17. Strickland R.N., Hahn H.I. Wavelet transforms for detecting microcalcifications in mammograms // IEEE Trans Med Imaging. — 1996. — Vol. 15, №2. — P. 218-229. doi: 10.1109/42.491423. PMID: 18215904.
18. Gowri V., Valluvan K.R., Chamundeeswari V.V. Automated Detection and Classification of Microcalcification Clusters with Enhanced Preprocessing and Fractal Analysis // Asian Pac J Cancer Prev. — 2018. — Vol. 19, №11. — P. 3093-3098. doi:10.31557/APJCP.2018.19.11.3093
19. Yu S., Guan L. A CAD system for the automatic detection of clustered microcalcifications in digitized mammogram films // IEEE Trans. Med. Imaging. — 2000.
— Vol. 19. — P. 115-126.
20. Yu S.N., Li K.Y., Huang Y.K. Detection of microcalcifications in digital mammograms using wavelet filter and Markov random field model // Comput Med Imaging Graph. — 2006. — Vol. 30, №3. — P. 163-73. doi: 10.1016/j.compmedimag.2006.03.002.
21. Suhail Z., Denton E.R.E., Zwiggelaar R. Classification of micro-calcification in mammograms using scalable linear Fisher discriminant analysis // Med Biol Eng Comput.
— 2018. — Vol. 56, №8. — P. 1475-1485. doi:10.1007/s11517-017-1774-z
22. Murakami R., Kumita S., Tani H. Detection of Breast Cancer with a Computer-Aided Detection Applied to Full-Field Digital Mammography // J Digit Imaging. — 2013. — Vol. 26. — P. 768-773. https://doi.org/10.1007/s10278-012-9564-5
23. Fanizzi A., Basile T.M.A., Losurdo L. A machine learning approach on multiscale texture analysis for breast microcalcification diagnosis // BMC Bioinformatics. — 2020. — Vol. 21, Suppl. 2. — P. 91. doi:10.1186/s12859-020-3358-4
24. Guan Y., Wang X., Li H., et al. Detecting Asymmetric Patterns and Localizing Cancers on Mammograms // Patterns. — 2020. — Vol. 1, №7. — P. 1-12. https://doi.org/10.1016/j.patter.2020.100106.
25. Guo Q., Shao J., Ruiz V. Investigation of support vector machine for the detection of architectural distortion in mammographic images / In: Prosser, S. and Yan, Y. (eds.) // Sensors & Their Applications XIII. Journal of Physics Conference Series, 15. — Bristol: Iop Publishing Ltd, 2005. — P. 88-94.
26. Tourassi G.D., Delong D.M., Floyd C.E., Jr. A study on the computerized fractal analysis of architectural distortion in screening mammograms // Phys Med Biol. — 2006. — Vol. 51, №5. — P. 1299-312. doi: 10.1088/0031-9155/51/5/018.
27. Rangayyan R.M., Banik S., Desautels J.E. Computer-aided detection of architectural distortion in prior mammograms of interval cancer // J Digit Imaging. — 2010. — Vol. 23, №5. — P. 611-631. doi:10.1007/s10278-009-9257-x
28. Liu J., Chen J., Liu X. Mass segmentation using a combined method for cancer detection // BMC Syst Biol. — 2011. — Vol. 5. — P. S6. https://doi.org/10.1186/1752-0509-5-S3-S6
29. Yoon J.H., Kim E.K. Deep Learning-Based Artificial Intelligence for Mammography // Korean J Radiol. — 2021. — Vol. 22, №8. — P. 1225-1239. https://doi.org/10.3348/kjr.2020.1210
30. Lau H., Mok K., So D., Tse C., Rangayyan R.M. An indexed atlas for content-based retrieval and analysis of mammograms // Conf Proc IEEE Eng Med Biol Soc. — 2004. — Vol. 2004. — P. 3167-3170. doi: 10.1109/IEMBS.2004.1403893.
31. Guliato D., Bóaventura R.S., Maia M.A., et al. INDIAM-an e-learning system for the interpretation of mammograms // J Digit Imaging. — 2009. — Vol. 22, №4. — P. 405-420. doi:10.1007/s10278-008-9111-6
32. Leon S., Brateman L., Honeyman-Buck J., Marshall J. Comparison of two commercial CAD systems for digital mammography // J Digit Imaging. — 2009. — Vol. 22, №4. — P. 421-423. doi:10.1007/s10278-008-9144-x
33. Brem R.F., Baum J., Lechner M. Improvement in sensitivity of screening mammography with computer-aided detection: a multiinstitutional trial // AJR Am J Roentgenol. — 2003. — Vol. 181. — P. 687-693.
34. Santos M.K., Ferreira Júnior J.R., Wada D.T., et al. Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine // Radiol Bras. — 2019. — Vol. 52, №6. — P. 387-396.
doi:10.1590/0100-3984.2019.0049.
35. Hadjiiski L., Sahiner B., Chan H.P. Advances in computer-aided diagnosis for breast cancer // Curr Opin Obstet Gynecol. — 2006. — Vol. 18, №1. — P. 64-70. doi: 10.1097/01.gco.0000192965.29449.da.
36. James J.J., Gilbert F.J., Wallis M.G. Mammographic features of breast cancers at single reading with computer-aided detection and at double reading in a large multicenter prospective trial of computer-aided detection: CADETII // Radiology. — 2011. — Vol. 256.
— P. 379-386.
37. Sanchez Gómez S., Torres Tabanera M., Vega Bolivar A., et al. Impact of a CAD system in a screen-film mammography screening program: a prospective study // Eur J Radiol. — 2011. — Vol. 80, №3. — P. 317-321. doi: 10.1016/j.ejrad.2010.08.031.
38. Gur D., Stalder J.S., Hardesty L.A., et al. Computer-aided detection performance in mammographic examination of masses: assessment // Radiology — 2004. — Vol. 233, №2. — P. 418-423. doi: 10.1148/radiol.2332040277.
39. Helvie M.A., Hadjiiski L., Makariou E. Sensitivity of noncommercial computer-aided detection system for mammographic breast cancer detection: pilot clinical trial // Radiology. — 2004. — Vol. 231, №1. — P. 208-214. doi:10.1148/radiol.2311030429
40. Birdwell R.L., Bandodkar P., Ikeda D.M. Computer-aided detection with screening mammography in a university hospital setting // Radiology. — 2005. — Vol. 236, №2. — P. 451-457. doi: 10.1148/radiol.2362040864.
41. Onega T., Aiello Bowles E.J., Miglioretti D.L. Radiologists' perceptions of computer aided detection versus double reading for mammography interpretation // Acad Radiol. — 2010. — Vol. 17, №10. — P. 1217-1226. doi:10.1016/j.acra.2010.05.007
42. Sohns C., Angic B., Sossalla S., et al. Computer-assisted diagnosis in full-field digital mammography — results in dependence of readers experiences // Breast J. — 2010. — Vol. 16, №5. — P. 490-497. doi: 10.1111/j.1524-4741.2010.00963.x.
43. Tchou P.M., Haygood T.M., Atkinson E.N., et al. Interpretation time of computer-aided detection at screening mammography // Radiology. — 2010. — Vol. 257, №1. — P. 40-46. doi: 10.1148/radiol.10092170.
44. Keen J.D., Keen J.M., Keen J.E. Utilization of Computer-Aided Detection for Digital Screening Mammography in the United States, 2008 to 2016 // J Am Coll Radiol. — 2018.
— Vol. 15, №1. — P. 44-48. doi: 10.1016/j.jacr.2017.08.033.
