Маммография знает больше, чем кажется: ИИ увидел риск за пять лет
Маммография обычно отвечает на вопрос: есть ли подозрительные изменения сейчас? Исследователи из Медицинской школы Гроссмана Нью-Йоркского университета предложили использовать снимки еще и как своеобразную хронику. Их система искусственного интеллекта NYU-DRP сравнивает несколько 3D-маммограмм одной женщины, сделанных в разные годы, и пытается оценить вероятность развития рака молочной железы в течение следующих пяти лет. Иными словами, алгоритм смотрит не только на «фотографию» ткани, но и на ее изменения во времени.
В основе метода лежит цифровой томосинтез молочной железы, или DBT. В отличие от обычной 2D-маммографии, аппарат получает серию изображений под разными углами, из которых формируется послойное трехмерное представление груди. Для врача это помогает уменьшить проблему наложения тканей, а для алгоритма создает значительно более богатый массив данных. Если добавить предыдущие исследования, ИИ получает еще одно измерение — время: он может искать едва заметные закономерности, которые на отдельном снимке не выглядят тревожными.
Для обучения и проверки NYU-DRP исследователи использовали 313 531 ежегодное 3D-исследование 161 165 женщин, у которых на момент скрининга не было рака молочной железы. Маммограммы были выполнены в системе NYU Langone с 2016 по 2020 год. По данным опубликованной в American Journal of Roentgenology работы, продольная модель лучше предсказывала пятилетний риск, чем ИИ, которому показывали только последнюю 3D-маммограмму, и модель на основе 2D-снимков.
Разница в цифрах кажется небольшой, но для массового скрининга даже несколько процентных пунктов могут иметь значение. NYU-DRP различала женщин с более высоким и более низким будущим риском с показателем около 72%, тогда как вариант с одной 3D-маммограммой показывал около 70%, а модель на 2D-изображениях — около 68%. Это не означает, что алгоритм «угадывает рак в 72% случаев»: речь идет о статистической способности модели ранжировать риск. Такое уточнение важно, поскольку показатели ИИ нередко ошибочно воспринимают как прямую вероятность правильного диагноза.
Особенно интересно сравнение с моделью Тайрера—Кузика — известным клиническим инструментом оценки риска. Он учитывает возраст, семейный и репродуктивный анамнез и другие факторы; в разных версиях расчета используются дополнительные сведения, включая характеристики ткани молочной железы. В сопоставимой группе NYU-DRP лучше разделяла женщин по пятилетнему риску: около 67% против 56% у клинической модели. Однако это пока не основание заменять традиционные методы: исследование ретроспективное, выполнено в одном медицинском центре, а изображения были получены на оборудовании одного производителя.
Работа также показывает, почему одной плотности молочной железы недостаточно для персонального прогноза. Плотная железистая ткань действительно связана с повышенным риском и одновременно затрудняет обнаружение опухоли на маммограмме. Но риск конкретной женщины складывается из множества факторов. NYU-DRP относила часть женщин с очень плотной грудью к среднему риску, а некоторых женщин с преимущественно жировой тканью — к высокому. Вероятно, алгоритм извлекает из изображений признаки, которые значительно сложнее свести к одной характеристике вроде плотности.
Здесь и возникает наиболее перспективная идея исследования: скрининг в будущем может стать не одинаковым для всех, а динамическим. Женщине с устойчиво низким риском потенциально можно будет избежать части дополнительных обследований, а женщине с повышающимся риском врач сможет предложить более пристальное наблюдение или дополнительные методы визуализации. Но NYU-DRP пока является исследовательским инструментом, а не самостоятельным основанием менять частоту обследований. Для этого нужны внешние проверки на других популяциях, аппаратах разных производителей и, главное, проспективные исследования, показывающие реальную пользу для пациенток.
Значение подобных технологий особенно велико для рака молочной железы, где раннее выявление существенно связано с прогнозом. По актуальным данным Американского онкологического общества, в США в 2026 году ожидается около 321 910 новых случаев инвазивного рака молочной железы у женщин, а при локализованном заболевании пятилетняя относительная выживаемость превышает 99%. Поэтому задача ИИ здесь не в том, чтобы заменить рентгенолога, а в том, чтобы добавить к сегодняшнему снимку память о предыдущих годах и помочь точнее определить, кому требуется особое внимание.
Следующий этап для команды — проверка модели за пределами одной клинической системы и на оборудовании разных производителей. Если результаты подтвердятся, ценность технологии будет заключаться не в эффектном «диагнозе от нейросети», а в более тонкой настройке профилактики. Возможно, один из наиболее полезных медицинских ИИ будущего будет не искать уже возникшую опухоль, а замечать изменения, которые подскажут врачу, для кого стандартного графика скрининга уже недостаточно.