Результаты тестирования прототипа ИИ–модели для выявления образований молочных желез по данным бесконтрастной компьютерной томографии
Журнал: Вестник Российского научного центра рентгенорадиологии Минздрава России @vestnik-rncrr
Рубрика: Оригинальная статья. Лучевая диагностика
Статья в выпуске: 3 т.26, 2026 года.
Бесплатный доступ
Введение. В отечественной литературе проблема диагностики рака молочной железы (РМЖ) последовательно рассматривалась как приоритетная. КТ органов грудной клетки (КТ ОГК) содержит информацию о структуре молочных желез. Активное применение искусственного интеллекта (ИИ) в маммографии доказанно повышает эффективность диагностики, помогая выявлять малозаметные очаговые изменения. Аналогичный подход может быть применен и для оппортунистической диагностики при КТ-исследованиях. Цель исследования. Протестировать прототип ИИ, способный выявлять очаговые изменения молочных желез при бесконтрастной КТ ОГК, и определить порог срабатывания для оптимизации баланса чувствительности и специфичности. Материалы и методы. Модель обучена и валидирована на выборке из 100 исследований пациенток с морфологически подтвержденным РМЖ и 100 исследований пациенток без злокачественных новообразований (ЗНО). Тестирование выполнено на 58 исследованиях пациенток с ЗНО и 653 исследованиях пациенток без выявленного ЗНО по данным маммографического скрининга. Оценена ROC-AUC полученной модели, выявлен максимальный индекс Юдена для введения порога отсечения по объему выявляемых находок. Результаты. При ROC-AUC-анализе результатов работы прототипа без применения порога ROC-AUC составила 0,638 (0,594–0,683), точность алгоритма — 0,422 (0,386–0,458), специфичность — 0,380 (0,343–0,417), чувствительность — 0,897 (0,818–0,975). При введении оптимального порога отсечения, определенного по максимальному индексу Юдена, для объема выявляемых образований (1,343 см3) точность алгоритма повысилась до 0,931 (0,912–0,950), специфичность составила 0,940 (0,922–0,958), чувствительность — 0,821 (0,730–0,925). Обсуждение. Большинство авторов аналогичных исследований полностью не решают проблему низкой специфичности; в их работах предполагается использование высокочувствительных алгоритмов для дальнейшей стратификации найденных очагов рентгенологами. Для бесконтрастной КТ поиск порога по объему следует рассматривать как попытку определить рабочую точку алгоритма, при которой число полезных срабатываний будет преобладать над числом ложных, увеличивающих время анализа исследования для рентгенологов. Выводы. Разработан и протестирован прототип на основе ИИ, определен оптимальный порог отсечения по объему — 1,343 см3. Модель ИИ с порогом отсечения 1,343 см3 готова к апробации и дальнейшей оценке применимости в условиях практического здравоохранения.
Короткий адрес: https://sciup.org/149152049
IDS: 149152049 | DOI: 10.24412/1999-7264-2026-3-51-66
The results of testing the prototype of an AI model for detecting breast lesions using noncontrast computed tomography
Introduction. In the Russian literature, the problem of breast cancer diagnosis has consistently been considered a priority. Chest CT scans contain information about the structure of the breasts. The active use of AI in mammography has been proven to increase the effectiveness of diagnostics in detecting subtle focal changes. A similar approach can be applied for opportunistic diagnosis on CT scans. Objective. To test an AI prototype capable of detecting focal changes in the breasts during non-contrast chest computed tomography and to determine the trigger threshold to optimize the balance of sensitivity and specificity. Materials and methods. The model was trained and validated on a sample of 100 studies of patients with morphologically confirmed breast cancer and 100 studies of patients without breast cancer. Testing was performed on 58 studies of patients with breast cancer and 653 studies of patients without detected breast cancer according to mammographic screening. The ROC-AUC of the obtained model was estimated, and the maximum Youden index was identified for introducing a cut-off threshold in terms of the volume of detectable findings. Results. In the ROC-AUC analysis of the prototype without a threshold, the algorithm accuracy was 0.422 (0.386–0.458), specificity 0.380 (0.343–0.417), and sensitivity 0.897 (0.818–0.975). With the introduction of the optimal cut-off threshold determined by the maximum Youden index for the volume of detectable lesions (1.343 cm3), the algorithm accuracy increased to 0.931 (0.912–0.950), specificity was 0.940 (0.922–0.958), and sensitivity was 0.821 (0.730–0.925). Discussion. Most authors of similar studies do not completely solve the problem of low specificity; their work assumes the use of highly sensitive algorithms for further stratification of the found lesions by radiologists. For non-contrast CT, the search for a volume threshold should be considered as an attempt to determine the operating point of the algorithm at which the number of useful responses will prevail over the number of false ones, which will increase the analysis time for radiologists. Conclusions. An AI-based prototype has been developed and tested, and the optimal volume cut-off threshold of 1.343 cm3 has been determined. The AI model with a cut-off threshold of 1.343 cm3 is ready for testing and further evaluation of applicability in practical healthcare.
