Интерпретируемая система ИИ сокращает число ложноположительных диагнозов по МРТ молочной железы за счёт стратификации очагов высокого риска

Умнее сканирование — меньше ненужных вмешательств

МРТ молочной железы — один из лучших инструментов для раннего обнаружения рака, особенно у женщин с высоким риском, но он часто «видит лишнее», отмечая как подозрительные многие безвредные участки. Эти находки в серой зоне вызывают тревогу, дополнительные обследования и болезненные биопсии, которые в конечном итоге оказываются доброкачественными. В этом исследовании представлена новая система искусственного интеллекта (ИИ), которая работает вместе с рентгенологами при чтении МРТ молочных желез и помогает отличать действительно опасные образования от тех, которые можно безопасно наблюдать, с целью выявлять рак, не отправляя при этом лишних женщин на биопсию.

Проблема неопределённых находок при МРТ молочной железы

Когда рентгенологи оценивают МРТ молочных желез, они помечают подозрительные участки по шкале BI-RADS. Категория 4 вызывает наибольшие затруднения: она охватывает образования с вероятностью рака от 2% до 95%. Поскольку этот диапазон такой широкий, действующее эмпирическое правило — почти всегда выполнять биопсию. В результате многие женщины проходят инвазивные процедуры по поводу образований, которые впоследствии оказываются доброкачественными. Кроме того, интерпретация МРТ субъективна. Разные рентгенологи, особенно с меньшим опытом, могут по-разному оценивать одну и ту же съёмку, иногда переоценивая доброкачественные находки или пропуская тонкие проявления рака. Авторы поставили задачу создать инструмент, который снизит эту неопределённость и при этом впишется в реальную клиническую практику.

ИИ-помощник, обученный на тысячах сканов

Исследователи разработали систему анализа образований BI-RADS 4, или BL4AS, модель ИИ, специально предназначенную для этих высокорисковых, но неоднозначных находок на МРТ. В отличие от ранних систем, которые опирались на один снимок, BL4AS анализирует несколько временных точек после введения контрастного вещества, отслеживая, как каждое образование усиливает сигнал и затем ослабевает с течением времени. Эти изменяющиеся паттерны несут важные подсказки о том, является ли ткань, вероятно, доброкачественной или злокачественной. Команда сначала предварительно обучила большой «фундаментальный» модельный блок на более чем 17 000 МРТ-объёмов, чтобы он усвоил общие признаки изображений, затем дообучила её на 2 803 образованиях BI-RADS 4 от 2 686 женщин, лечившихся в трёх медицинских центрах. Система как очерчивает очаг, так и классифицирует его как низко- или высокорисковый, давая вероятность того, что это рак.

Превосходство над человеческими читателями в реальных клиниках

Чтобы проверить работу BL4AS вне лабораторных условий, авторы протестировали её на независимых данных из других больниц и на новой проспективно собранной группе пациентов. Во всех этих условиях ИИ показал высокую точность и, что важно, значительно большую специфичность по сравнению с рентгенологами — то есть лучше распознавал доброкачественные образования и реже давал ложные срабатывания. В проспективном исследовании с участием читателей восемь рентгенологов сначала интерпретировали случаи самостоятельно, а затем перечитали их с помощью BL4AS. С поддержкой ИИ их диагностическая точность возросла, уровень ложноположительных результатов снизился более чем на четверть, а согласованность между рентгенологами заметно улучшилась. Наиболее выиграли молодые рентгенологи: их показатели при помощи системы почти сравнялись с результатами старших коллег.

Сделать решения ИИ прозрачными и применимыми

Поскольку клиницисты обоснованно настороженно относятся к «чёрным ящикам» ИИ, команда встроила визуальные объяснения. BL4AS генерирует тепловые карты, которые подчёркивают, какие части образования повлияли на его решение, часто фокусируясь на неправильных формах, острых краях и необычных паттернах усиления, которые радиологи уже ассоциируют с раком. Система идёт дальше простого предсказания «рак/не рак», распределяя образования по подкатегориям BI-RADS 4A, 4B и 4C, отражающим возрастание риска. В внешних тестовых наборах эти определённые ИИ подкатегории хорошо соответствовали фактическим показателям рака и лучше справлялись, чем рентгенологи, как с идентификацией низкорисковых образований, которые, возможно, можно безопасно не биопсировать, так и с выделением высокорисковых образований, требующих быстрой тактики.

Что это может означать для пациенток

В целом исследование показывает, что интерпретируемый ИИ-ассистент вроде BL4AS может помочь рентгенологам более последовательно читать МРТ молочных желёз, сократить число ненужных биопсий и при этом сохранить очень высокий уровень безопасности в отношении пропущенных случаев рака. Используя всю полноту временно разрешённых МРТ-данных и представляя свои выводы в понятной человеку форме, система предлагает практичный путь к более персонализированному уходу при раке молочной железы: пациентки с действительно тревожными образованиями смогут быстрее перейти к лечению, а те, у кого низкий риск, могут избежать инвазивных процедур и вместо этого наблюдаться в динамике.

Цитирование: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

Ключевые слова: МРТ молочной железы, искусственный интеллект, диагностика рака, медицинская визуализация, стратификация риска