Введение: Рак молочной железы (РМЖ) представляет собой одно из самых распространенных онкологических заболеваний среди женщин во всем мире. По данным Всемирной организации здравоохранения (ВОЗ), рак молочной железы занимает первое место по заболеваемости и смертности среди женской популяции, что делает его одной из самых актуальных проблем здравоохранения на глобальном уровне (рисунок 1,2). В 2022 году в мире было диагностировано 2,3 миллиона женщин с раком груди и 670 000 смертей [1,2]. Рак молочной железы (РМЖ) занимает первое место среди всех онкологических заболеваний, составляя 14,9% (14,7% - в 2022 году) от общего числа раков в Республике Казахстан. Показатель заболеваемости РМЖ в 2023 году увеличился с 26,5 до 27,7 случаев на 100 тысяч человек по всей стране [3]. Несмотря на значительные успехи в области ранней диагностики, лечения и профилактики, раннее выявление заболевания остается ключевым фактором, определяющим прогноз и успешность лечения

.

Рисунок 1 - Круговые диаграммы показывают распределение случаев у женщин.

Источник: GLOBOCAN 2022.

Рисунок 2 - Круговые диаграммы показывают распределение смерти у женщин.

Источник: GLOBOCAN 2022.

На сегодняшний день наличие эффективных методов ранней диагностики является важнейшим условием для повышения выживаемости и качества жизни пациентов с раком молочной железы.

Ультразвуковое исследование (УЗИ) является одним из самых распространенных и доступных методов диагностики заболеваний молочной железы, включая доброкачественные и злокачественные новообразования. Благодаря высокой чувствительности, особенно при обследовании женщин с плотной тканью молочной железы, УЗИ позволяет выявлять опухолевые образования на ранних стадиях, а также проводить мониторинг изменений в тканях [4]. Однако, несмотря на свою эффективность, традиционная интерпретация ультразвуковых изображений зависит от уровня квалификации врача, что может привести к ошибкам в диагностике, особенно в сложных случаях. Проблема субъективности и вариабельности в интерпретации УЗИ-изображений требует внедрения новых технологий, способных повысить точность диагностики и снизить вероятность ошибок [5].

Технологический прогресс в медицине и современные достижения в области искусственного интеллекта (ИИ) и машинного обучения открывают новые возможности в онкологии  для улучшения дифференциальной диагностики новообразований[6] . ИИ представляет собой систему, которая может «обучаться» на большом количестве данных, распознавая закономерности, выявляющие аномалии и патологии [7]. В последние годы ИИ находит широкое применение в анализе медицинских изображений, в том числе ультразвуковых, что способствует автоматизации процесса диагностики и повышению точности интерпретации данных. Использование алгоритмов глубокого обучения и нейронных сетей позволяет ИИ эффективно анализировать УЗИ-изображения молочной железы, выявлять злокачественные и доброкачественные образования, а также классифицировать их по типу, размеру и другим характеристикам [8].

Цель статьи - проанализировать существующие достижения и возможности применения искусственного интеллекта в диагностике злокачественных новообразований молочной железы с использованием ультразвука. В статье будут рассмотрены ключевые исследования в этой области, а также основные принципы работы ИИ в контексте анализа УЗИ-изображений, его преимущества и вызовы, связанные с внедрением этих технологий в клиническую практику. Обсуждение данных исследований позволит оценить роль ИИ как дополнения к традиционным методам диагностики, а также его потенциал для улучшения качества и эффективности диагностики злокачественных новообразований молочной железы.

Материалы и методы. Нами для составления данного литературного обзора были использованы статьи, опубликованные в научных журналах, конференционных материалах и отчетах в период с 2010 по 2023 год. Основное внимание было уделено исследованиям, в которых рассматривалось применение искусственного интеллекта (ИИ) в диагностике злокачественных новообразований молочной железы с использованием ультразвуковых технологий. В обзор были включены статьи, которые: используют ультразвуковую диагностику злокачественные новообразования  молочной железы в сочетании с алгоритмами искусственного интеллекта, включая машинное обучение и глубокие нейронные сети; представляют результаты исследования точности и эффективности ИИ-методов в диагностике рака молочной железы; описывают как клинические испытания, так и лабораторные исследования; публикации, где описывается интеграция ИИ в реальную клиническую практику или обсуждаются перспективы применения ИИ в данной области. Для поиска источников были использованы базы данных PubMed, Scopus, IEEE Xplore и Google Scholar. Ключевые слова и фразы для поиска включали: "Breast cancer diagnosis ultrasound artificial intelligence", "AI in breast cancer diagnosis", "Ultrasound imaging breast cancer deep learning", "Machine learning breast cancer detection ultrasound". Все статьи, найденные в результате поиска, были отсортированы по релевантности, и были выбраны исследования с наибольшим вкладом в тему применения ИИ в диагностике рака молочной железы с использованием ультразвука.

Научная новизна и практическая значимость.

Аналитическая новизна обзора состоит в сопоставлении диагностических возможностей ИИ с задачами повседневной ультразвуковой практики: оценкой BI-RADS, решением о биопсии, межэкспертной согласованностью и влиянием опыта специалиста. Практическое значение имеет выделение условий внедрения ИИ как вспомогательной технологии - проверка моделей на локальных данных, стандартизация интерпретации и систематический контроль ложноположительных результатов.

Ограничения исследования.

Обзор носит аналитический, а не систематический характер: не представлены протокол регистрации, полная схема поиска и отбора источников и количественный метаанализ. Описанные исследования различались по составу пациентов, эталонному диагнозу, типу УЗИ-оборудования и способу взаимодействия врача с алгоритмом. Часть результатов получена на ретроспективных статичных изображениях, поэтому их нельзя автоматически переносить на клинические обследования в реальном времени.

Результаты. В актуальной медицине все шире внедряются использование искусственного интеллекта для  ранней диагностики злокачественных новообразований молочных желез  и отслеживания их динамики.

Нами при проведении систематического обзора, были выделены следующие ключевые моменты применение искусственного интеллекта в диагностике рака молочных желез:

- Повышение точности диагностики с использованием ИИ: В рамках всех исследований было продемонстрировано, что системы на базе искусственного интеллекта (ИИ) способствуют значительному улучшению диагностической точности в маммологии [9]. Одно из исследований показало, что ИИ-система превзошла традиционные методы интерпретации, предоставив дополнительные рекомендации по биопсии, которые могли бы быть упущены при традиционном подходе [5,15]. В другом исследовании использование ИИ для анализа УЗИ-изображений улучшило классификацию по системе BI-RADS и увеличило чувствительность диагностики у большинства врачей [10,11].

- Уменьшение вариабельности диагнозов между врачами и в рамках одного врача: Внедрение ИИ-системы способствовало снижению вариабельности интерпретаций между различными врачами, что привело к более стабильным и воспроизводимым результатам [5]. Этот эффект является критически важным для минимизации ошибок, связанных с индивидуальными различиями в опыте и подходах специалистов.

- Влияние частоты использования ИИ-системы на результаты: Результаты показали, что частое использование выходных данных ИИ-системы может приводить к улучшению результатов диагностики за счет формирования доверия врачей к рекомендациям системы. В некоторых случаях ИИ способствовал пересмотру первоначальных решений врачами, что приводило к улучшению как чувствительности, так и специфичности. В то же время, доверие к системе варьировалось в зависимости от уровня подготовки врачей, что подчеркивает необходимость дополнительного обучения и адаптации к использованию ИИ-технологий [12].

- Роль ИИ в обучении и повышении квалификации врачей: Использование ИИ в диагностике молочной железы показало, что он помогает улучшить результаты работы врачей, у которых изначально были проблемы с чувствительностью или специфичностью. Например, врачи, которые раньше хорошо определяли здоровые участки, но не всегда замечали патологию, значительно улучшили свои навыки в выявлении заболеваний. Это показывает, что ИИ может быть полезным инструментом для повышения квалификации врачей и уменьшения диагностических ошибок, а также подтверждает важность его роли в обучении специалистов. Это также свидетельствует о важности ИИ в контексте обучения специалистов [12].

- Улучшение клинического процесса и его стандартизация: Исследования показали, что ИИ-системы могут существенно повысить точность диагностики и улучшить клинические процессы. В частности, система DS продемонстрировала стабильные результаты при различных вариантах размещения области интереса (ROI) на УЗ-изображениях, что важно для внедрения технологии в повседневную клиническую практику. Кроме того, система оказалась устойчива к изменениям в характеристиках оборудования (например, различия в частоте ультразвукового преобразователя), что подтверждает ее потенциальную универсальность для применения в разных медицинских учреждениях [5].

- Ограничения и вызовы в применении ИИ: Несмотря на положительные результаты, исследования выявили несколько ограничений. Одним из основных является то, что они проводились с использованием статичных изображений УЗИ, что не полностью отражает реальную клиническую практику, где используются динамичные сканирования, а также учитываются симптомы пациента и данные о факторах риска. [13].

- Перспективы дальнейших исследований: Важным направлением дальнейших исследований является оценка влияния ИИ на клинические рабочие процессы, особенно в реальном времени. Необходимо изучить, как постоянное использование ИИ в диагностике может повлиять на точность и последовательность интерпретаций врачей, а также как оно влияет на их уверенность и доверие к системе. Также требуется исследование того, как использование ИИ может способствовать устранению пробелов в опыте и обучении медицинских специалистов, что может привести к улучшению качества диагностики и снижению ошибок.

Обсуждение. В рамках нашего обзора были проанализированы 10 научных исследований, проведенных в последние годы, в которых обсуждается использование искусственного интеллекта (ИИ) для диагностики рака молочной железы с помощью ультразвукового метода. Результатам проведенных нами исследований показали, значительный потенциал искусственного интеллекта (ИИ) в области диагностики молочной железы, в частности в улучшении чувствительности и специфичности при анализе ультразвуковых изображений [14]. Мы наблюдали, что добавление ИИ в процессе оценки изображений молочной железы с использованием системы на основе глубокого обучения значительно улучшило результаты большинства врачей, особенно тех, у кого изначально были низкие показатели чувствительности или специфичности. Это свидетельствует о том, что ИИ может стать важным инструментом в процессе обучения специалистов и повышении их квалификации, способствуя сокращению диагностических ошибок и улучшению качества медицинского обслуживания [5, 10,12].

Исследование, проведенное в Казахском Научно-Исследовательском Институте Онкологии и Радиологии в 2022г с использованием ультразвукового аппарата Samsung Medison RS85, показало высокую эффективность технологии S-Detect для диагностики новообразований молочных желез. В исследование вошли 50 женщин, для которых проводилась ультразвуковая диагностика с использованием В-режима, ЦДК, ЭДК, соноэластографии и S-Detect. На рисунках 3,4 и 5 представлены изображения, полученные с применением S-Detect, эластографии и ЦДК. Результаты показали, что S-Detect точно диагностирует опухоль в 92% случаев (46 из 50) с чувствительностью 92%, точностью 90% и специфичностью 91%, в то время как метод соноэластографии показал точность 80% с чувствительностью 86,5%, точностью 88,3% и специфичностью 89,8%. В заключение, исследование продемонстрировало, что можно использовать в качестве дополнительного диагностического инструмента для повышения специфичности, точности, чувствительности УЗИ молочных желез в клинической практике, а также в качестве руководства при принятии решений в отношении новообразований молочной железы, обнаруженных при УЗИ. [13].

Кроме того, результаты показали, что добавление DS к ультразвуковым изображениям увеличивало точность классификации поражений молочной железы по шкале BI-RADS [11]. АUC улучшалась у всех врачей, что подчеркивает важность индивидуального подхода и профессиональной подготовки в контексте внедрения ИИ в клиническую практику . По нашим наблюдениям,  влияние ИИ зависело от начальных рабочих показателей врачей: те, кто начинал с низкой чувствительности, показали более значительные улучшения в точности выявления патологий, в то время как врачи с высокой специфичностью и низкой чувствительностью демонстрировали улучшения в точности диагностики. Это также подчеркивает роль ИИ как инструмента, способного скорректировать слабые стороны диагностики у различных специалистов.

Анализ изменения меж- и внутридокторской вариабельности также продемонстрировал преимущества использования ИИ в диагностике. ИИ-система продемонстрировала способность снижать изменчивость в оценках, что может иметь большое значение в клинической практике, где часто возникает разногласия между врачами. Снижение междокторской вариабельности способствует более стабильным и объективным результатам, что может значительно повысить качество диагностики и ускорить принятие клинических решений.

Исследование, проведенное авторами Victoria L. Mango, Mary Sun, Ralph T. Wynn, Richard Ha и другими, опубликованное в Американском журнале рентгенологии в июне 2020г: статья рассматривает влияние системы поддержки принятия решений (DS) на основе искусственного интеллекта на точность оценки поражений молочной железы при ультразвуковом исследовании. Исследование включило 900 женщин (средний возраст 53,6 года, диапазон 17–96 лет) с поражениями молочной железы, выявленными с июня 2004 по июнь 2016 года с использованием УЗИ. Поражения были обнаружены в более чем 20 учреждениях США. Расовое распределение: 65,8% белые, 8,6% черные, 8,1% латиноамериканцы, 14,8% азиаты, 2,8% другие. Размеры опухолей: менее 10 мм — 36,9%, 10–14 мм — 25,4%, 15–19 мм — 14,7%, более 20 мм — 22,2%. 52,2% из них доброкачественные, 47,8% — злокачественные (85,8% инвазивный рак, 14,2% протоковая карцинома in situ). Первоначальная оценка BI-RADS: 7,6% BI-RADS 2, 19,2% BI-RADS 3, 62,4% BI-RADS 4, 10,8% BI-RADS 5.

УЗИ снимки получены с частотой 12 МГц и выше, используя аппараты от GE Healthcare (77,4%), Philips Healthcare (18,9%), Siemens (2,9%) и других. 15 врачей участвовали в исследовании: 11 рентгенологов (средний стаж 11,4 лет), 2 хирурга-маммолога и 2 акушера-гинеколога. Все читатели прошли 30-минутное обучение перед началом работы.

Система ИИ анализировала УЗИ и классифицировала случаи в четыре категории: доброкачественные, вероятно доброкачественные, подозрительные и вероятно злокачественные. Врачи дважды рассматривали эти случаи, один раз только с УЗИ, другой — с УЗИ и поддержкой ИИ.

Основные результаты показали, что использование ИИ повысило точность диагностики, улучшив показатели AUC (площадь под кривой), чувствительности и специфичности. Также была уменьшена вариабельность оценок между разными врачами и внутри одной группы. В 13,6% случаев, когда использовалось только УЗИ, происходило переключение на более высокие категории риска, в то время как при использовании ИИ это произошло в 10,8% случаев, что также статистически значимо.

В заключение, исследование показало, что система ИИ повышает точность оценки и снижает вариабельность в интерпретации данных УЗИ молочной железы [5].

Эти результаты также свидетельствуют о возможности ИИ системы поддерживать более консистентный подход в диагностике и снизить влияние субъективных факторов, таких как опыт врача или его субъективное восприятие изображений.

Однако, несмотря на положительные результаты, важно отметить, что наше исследование имело несколько ограничений. Оно базировалось на статичных изображениях УЗИ, что не полностью отражает динамичную природу клинической практики, где изображения часто интерпретируются в контексте симптомов пациента и других клинических факторов.

Для полного внедрения ИИ в клиническую практику требуется более глубокое исследование, включающее интеграцию системы в процесс реального времени, а также анализ влияния ИИ на клинические результаты и взаимодействие с пациентами. Важно также изучить, как различные характеристики и качества оборудования (например, частота ультразвукового преобразователя или вариабельность размещения калипера) могут влиять на производительность ИИ и точность диагностики [14]. Дальнейшие исследования должны сосредоточиться на изучении долгосрочного влияния использования ИИ на диагностику и обучение врачей, а также на понимании, как ИИ-системы могут быть интегрированы в текущие рабочие процессы в медицинских учреждениях.

В целом, результаты нашего литературного обзора подтверждают высокий потенциал ИИ в области диагностики молочной железы и подчеркивают его роль в обучении и повышении квалификации врачей, улучшении точности диагностики и снижении вариабельности в интерпретации изображений. С учетом полученных данных, ИИ может сыграть ключевую роль в будущем здравоохранении, обеспечивая более точную и быструю диагностику для пациентов, а также поддерживая врачей в их профессиональной практике.

Рисунок 3 - Киста молочной железы (в поперечном срезе):

А – В-режим, Б – эластография, В – S-Detect

                   Рисунок 4 - Рак молочной железы

(в поперечном срезе): А – эластография,    Б – В-режим (ЦДК), В – S-Detect.

Рисунок 5 - Фиброаденома молочной железы (в поперечном срезе):

А – В-режим, Б – эластография, В – S-Detect