Różne rozpoznania BI-RADS raka piersi przy użyciu MobileNetV1 i transformera wizji oparte na wyjaśnialnej sztucznej inteligencji (XAI)

Dostrzeganie ryzyka raka wcześniej

Rak piersi jest najłatwiejszy do leczenia, gdy zostanie wykryty wcześnie, jednak analiza mammogramów to trudna i wykonywana pod presją czasową praca. W tym badaniu opisano nowy system sztucznej inteligencji (SI), zaprojektowany nie tylko do wykrywania oznak raka na mammogramach z bardzo wysoką dokładnością, ale również do pokazania lekarzom dokładnie, które obszary obrazu piersi wpłynęły na jego decyzje. Poprzez inteligentne połączenie dwóch nowoczesnych technik analizy obrazu, system ma wspierać radiologów szybkim, wiarygodnym i przejrzystym drugim zdaniem.

Dlaczego odczytywanie mammogramów jest takie trudne

Mammogramy to zdjęcia rentgenowskie piersi używane do wykrywania wczesnych oznak raka. Radiolodzy przypisują każdemu badaniu ocenę BI-RADS, ustandaryzowaną skalę obejmującą wyniki od prawidłowych po jednoznacznie nowotworowe. W piersiach o dużej gęstości, gdzie występuje dużo tkanki gruczołowej, podejrzane ogniska mogą być ukryte lub przypominać niegroźne struktury. Wiele wcześniejszych narzędzi wspomagania komputerowego koncentrowało się tylko na prostych decyzjach tak/nie dotyczących raka, miało trudności z pełnym zakresem kategorii BI-RADS lub działało jak czarna skrzynka, pozostawiając lekarzy w niepewności, dlaczego podjęto konkretną decyzję.

Połączenie dwóch sposobów „patrzenia” na obraz

Naukowcy zbudowali hybrydowy framework SI, który naśladuje sposób, w jaki uważny czytelnik może skanować mammogram: najpierw badając drobne detale, a potem rozpatrując całą przestrzeń obrazu. Jedna część systemu, oparta na kompaktowej sieci nazwanej MobileNetV1, koncentruje się na lokalnych detalach, takich jak drobne zwapnienia i ostre granice zmian. Druga część, transformer wizji, dzieli obraz na łatki i analizuje relacje wzorców w całej piersi, wychwytując ogólną strukturę tkanki i subtelne zniekształcenia. Cechy z tych dwóch „strumieni” są następnie łączone w jeden bogaty opis każdego obrazu.

Oczyszczanie, równoważenie i upraszczanie danych

Zanim obrazy trafią do potoku SI, przechodzą przez kilka etapów przygotowawczych. Zespół poprawia kontrast za pomocą metody rozjaśniającej subtelne struktury bez wyolbrzymiania szumu, co ułatwia dostrzeżenie słabych ognisk. Obrazy są skalowane i normalizowane, aby system widział je w spójny sposób. Aby przeciwdziałać faktowi, że niektóre kategorie BI-RADS, takie jak jednoznacznie złośliwe przypadki, występują stosunkowo rzadko, autorzy stosują triki augmentacji danych, takie jak niewielkie obroty i odbicia, oraz trening uwzględniający klasy, dzięki czemu mniej liczne kategorie mają wpływ podczas uczenia. Po tym, jak oba strumienie ekstrakcji cech wydobędą informacje, narzędzie matematyczne zwane analizą głównych składowych (PCA) kompresuje te dane, zachowując najważniejsze elementy przy jednoczesnym ograniczeniu złożoności.

Od cech do ocen ryzyka, z wyjaśnieniami

W ostatnim etapie, zamiast polegać na ciężkim, nieprzejrzystym klasyfikatorze sieci neuronowej, autorzy stosują wiele prostych modeli regresji logistycznej połączonych w zespół „bagging”. Każdy model oferuje przejrzysty sposób powiązania cech obrazu z poziomami ryzyka BI-RADS, a ich głos większości zapewnia stabilność i odporność na przeuczenie przy relatywnie umiarkowanym zbiorze danych. Testowany na ponad 6 000 mammogramów z zestawu danych King Abdulaziz University Breast Cancer, hybrydowy system osiągnął ponad 99% dokładności, czułości i specyficzności w czterech kluczowych kategoriach BI-RADS, na które był skoncentrowany: prawidłowe, prawdopodobnie łagodne, podejrzane i złośliwe.

Pozwolenie lekarzom zobaczyć, co widzi SI

Aby uczynić swoje decyzje zrozumiałymi, system wykorzystuje techniki wyjaśnialnej SI znane jako Grad-CAM i Grad-CAM++. Tworzą one kolorowe mapy cieplne nakładane na mammogram, podkreślające obszary, które najbardziej wpłynęły na przewidywaną ocenę BI-RADS. W przypadkach złośliwych wyróżnione obszary zazwyczaj pokrywają się z masami lub skupiskami zwapnień zauważonymi przez ekspertów radiologów; w obrazach prawidłowych aktywacja jest mała lub jej brak. To wizualne sprzężenie zwrotne pomaga klinicystom ocenić, czy model zwraca uwagę na medycznie istotne cechy i może ujawniać, dlaczego niektóre przypadki brzegowe — na przykład gęsta tkanka przypominająca zmianę — są trudne nawet dla ekspertów.

Co to może znaczyć dla pacjentek

Badanie pokazuje, że na pojedynczym klinicznym zbiorze danych ten dwu‑strumieniowy, wyjaśnialny system SI potrafi klasyfikować mammogramy w wielu poziomach ryzyka z dokładnością porównywalną, a pod pewnymi względami przewyższającą wiele wcześniejszych metod. Choć wciąż wymaga przetestowania na bardziej zróżnicowanych populacjach i w innych szpitalach, podejście wskazuje na narzędzia SI, które są nie tylko bardzo dokładne, ale także wystarczająco szybkie do pracy w zatłoczonych przychodniach i na tyle przejrzyste, by zdobyć zaufanie radiologów i pacjentek. W praktyce takie systemy mogłyby działać jak dodatkowa para eksperckich oczu — sygnalizując subtelne zmiany, zmniejszając liczbę pominiętych nowotworów i wspierając jaśniejsze, pewniejsze rozmowy o ryzyku raka piersi.

Cytowanie: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

Słowa kluczowe: rak piersi, mammografia, sztuczna inteligencja, vision transformer, wyjaśnialna SI