Компаративное исследование результатов анализа данных цифровой маммографии системы на основе искусственного интеллекта "Цельс" и врачей-рентгенологов
Автор: Карпов О.Э., Бронов О.Ю., Капнинский А.А., Павлович П.И., Абович Ю.А., Субботин С.А., Соколова С.В., Рычагова Н.И., Милова А.В., Никитин Е.Д.
Журнал: Вестник Национального медико-хирургического центра им. Н.И. Пирогова @vestnik-pirogov-center
Рубрика: Оригинальные статьи
Статья в выпуске: 2 т.16, 2021 года.
Бесплатный доступ
В статье рассматривается возможности использования системы анализа маммологических изображений «Цельс», использующей технологии искусственного интеллекта, для обнаружения злокачественных новообразований молочной железы при проведении скрининговых маммографических исследований. Представлены результаты ретроспективного когортного исследования, выполненного на группе из 49 пациентов, проходивших скрининг в ФГБУ «НМХЦ имени Н.И. Пирогова» Минздрава России (Пироговский Центр) и имеющих верифицированный диагноз злокачественного поражения по данным гистологического исследования. Получены количественные характеристики анализа цифровых маммо-грамм системой «Цельс». В частности, злокачественные новообразования были выявлены в 92% случаях, полное совпадение заключений с группой врачей-рентгенологов, специализирующихся в маммографии, было сделано в 90% случаев. Приведены результаты сравнительного клинического разбора наиболее сложных для диагностирования случаев. Показана целесообразность использования системы «Цельс» для аналитической поддержки врачей-рентгенологов при скрининговых маммографических исследованиях и определены сценарии их использования.
Маммография, искусственный интеллект
Короткий адрес: https://sciup.org/140260115
IDR: 140260115 | DOI: 10.25881/20728255_2021_16_2_86
Список литературы Компаративное исследование результатов анализа данных цифровой маммографии системы на основе искусственного интеллекта "Цельс" и врачей-рентгенологов
- Marmot MG, Altman DG, Cameron DA, Dewar JA, Thompson SG, Wilcox M. The benefits and harms of breast cancer screening: an independent review. Br J Cancer. 2013; 108(11): 2205-2240.
- Sant M, Allemani C, Berrino F, et al. Breast carcinoma survival in Europe and the United States. Cancer. 2004; 100(4): 715-722.
- Breast Cancer Screening Market. Global Analysis by Population, Screening Tests [Mammography, MRI, Ultrasound], Countries & Forecast (20182024). Available at: https://www.renub.com/breast-cancer-screening-ma-mmography-mri-andultrasound-market-and-forecast-worldwide-63-p.php. Accessed November 18, 2019.
- Rawashdeh MA, Lee WB, Bourne RM, et al. Markers of good performance in mammography depend on number of annual readings. Radiology. 2013; 269(1): 61-67.
- Lehman CD, Wellman RD, Buist DSM, et al. Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection. JAMA Intern Med. 2015; 175(11): 1828-1837.
- Gilbert FJ, Astley SM, Gillan MGC, et al. Single reading with computer-aided detection for screening mammography. N Engl J Med. 2008; 359(16): 1675-1684.
- James JJ, Gilbert FJ, Wallis MG, et al. 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: CADET II. Radiology. 2010; 256(2): 379-386.
- Gromet M. Comparison of computer-aided detection to double reading of screening mammograms: review of 231, 221 mammograms. AJR Am J Roentgenol. 2008; 190(4): 854-859.
- Fenton JJ, Taplin SH, Carney PA, et al. Influence of computer-aided detection on performance of screening mammography. N Engl J Med. 2007; 356(14): 1399-1409.
- Kooi T, Litjens G, van Ginneken B, et al. Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal. 2017; 35: 303-312.
- Rodriguez-Ruiz A, Krupinski E, Mordang JJ, et al. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology. 2019; 290(2): 305-314.
- Shen L, Margolies LR, Rothstein JH, Fluder E, McBride R, Sieh W. Deep Learning to Improve Breast Cancer Detection on Screening Mammography. Sci Rep. 2019; 9(1): 12495.
- Wu N, Phang J, Park J, et al. Deep Neural Networks Improve Radiologists' Performance in Breast Cancer Screening. arXiv:190308297 [cs, stat]. [preprint]. Available at: http://arxiv.org/abs/1903.08297. Accessed October 3, 2019.
- Sahran S, Qasem A, Omar K, et al. Machine Learning Methods for Breast Cancer Diagnostic. Breast Cancer and Surgery. Published November 5, 2018. Accessed October 3, 2019.
- Методические рекомендации по использованию международной системы BI-RADS при маммографическом исследовании, рекомендованы решением бюро Ученого медицинского совета Департамента здравоохранения Москвы от 18 октября 2017 г. [Methodological recommendations on the use of the international system for mammography research, recommended by the decision of the Bureau of the Scientific Medical Council of the Moscow Department of Health dated October 18, 2017. (In Russ).]
