Правда ли, что искусственный интеллект научился выявлять рак точнее рентгенолога: прорыв в диагностике онкологии
В чем суть метода?
The Lancet Digital Health 5 июля 2022 года опубликовал клиническое исследование, в котором описаны процедуры проведения скрининга (массового обследования) молочных желез рентгенологами, опирающимися на результаты анализа нейронных сетей. Всего для исследования использовали 1 193 197 снимков, полученных во время прохождения женщинами цифровой маммографии в период с 1 января 2007 года по 31 декабря 2020 года. Часть из них была отсеяна в процессе обучения ИИ.
Все исследования были проведены пациенткам в восьми узкопрофильных скрининговых центрах, которые являются участниками национальной программы раннего выявления рака молочной железы.
Клиническое исследование проходило в два этапа: внутреннее и внешнее тестирование. Для внутреннего были отобраны маммографические снимки пациентов без целевой патологии и маммограммы с онкологическим заболеванием, подтвержденным биопсией. Все они были взяты из базы шести крупнейших скрининговых центров. Для внешнего тестирования ученые отобрали 80 058 цифровых маммограмм здоровых женщин и 2 793 снимка с онкологическими новообразованиями в груди. Эти исследования были предоставлены двумя сторонними медицинскими организациями. Всем пациентам на момент прохождения скрининга было от 50 до 70 лет.
Одно из условий для отбора снимков было отсутствие у женщин симптомов рака молочной железы. Маммографию они проходили в рамках национальной программы по раннему выявлению злокачественных образований в груди. Также из выборки были исключены исследования пациентов, которым дополнительно проводилась биопсия.
Для достижения максимальной эффективности в процессе обучения были использованы разные алгоритмы нейронных сетей. В результате искусственный интеллект, анализируя сотни размеченных снимков, научился определять, какие изображения являются «подозрительными», а на каких представлена норма. Все снимки, которые искусственный интеллект классифицировал как сомнительные, передавались на изучение радиологу.
С помощью построения такой модели исследования ученые смогли оценить истинный уровень объективности обнаружения искусственным интеллектом новообразований. Все снимки, которые, согласно сценарию, были отсеяны как истинно положительные (то есть, на них присутствуют признаки патологии, и искусственный интеллект их обнаружил), не передавались на изучение рентгенологу. «Подозрительные» изображения проходили дополнительное чтение – что повысило шансы на раннюю диагностику рака молочной железы.
Результаты клинического исследования
При оценке исследователи использовали две основные метрики: чувствительность и специфичность. Под чувствительностью подразумевается способность модели на базе ИИ выявлять патологии при их наличии, а под специфичностью – ее способность не давать положительных результатов о наличии заболевания при его отсутствии.
Рентгенолог при интерпретации и описании исследований в рамках внутреннего тестирования смог достичь чувствительности в 85,7% и специфичности в 93,4%. В процессе изучения снимков, отобранных для внешнего тестирования, удалось достичь 87,2% и 93,4% соответственно.
Сравнение двух подходов для диагностики рака молочной железы показало, что рентгенолог однозначно превосходит искусственный интеллект в точности. Однако использование комбинированного подхода к интерпретации цифровых медицинских изображений позволяет достичь максимальной объективности: результаты, полученные при анализе снимков сразу и врачом, и искусственным интеллектом, намного выше, чем у каждого из них по отдельности. Так, массовое внедрение подобного алгоритма в клиническую практику значительно повысит точность раннего скрининга и снизит рабочую нагрузку на врачей-рентгенологов. А это, в свою очередь, позволит докторам уделять больше внимания научным исследованиям, разбору интересных клинических случаев на консилиумах.
Коротко рассказываем о методах и результатах исследования.