Подгрупповая эффективность коммерческой модели цифровой томосинтезной маммографии для обнаружения рака молочной железы

Почему это важно для женщин и их семей

Скрининг на рак молочной железы спасает жизни, но ни один тест не совершенен. Врачи обращаются к искусственному интеллекту (ИИ), чтобы помочь читать сложные 3D‑рентгеновские снимки груди. В этом исследовании подробно проанализировали, как широко используемая система ИИ работает для различных групп женщин и разных типов изменений в груди, выявив области, где инструмент эффективен, и где он испытывает трудности.

Более пристальный взгляд на новый тип маммографии

Традиционные маммограммы — плоские, двухмерные рентгеновские снимки. Во многих клиниках теперь используют цифровой томосинтез молочной железы — сканирование, похожее на 3D, составленное из множества тонких срезов груди. Оно может обнаруживать опухоли, скрытые при наложении тканей, особенно при плотной груди, но такие изображения дольше читать и они всё ещё могут пропускать крошечные участки кальцинатов, указывающие на раннее заболевание. Из‑за этого компании создали инструменты ИИ, которые отмечают подозрительные зоны для радиологов. До сих пор большинство оценок таких инструментов концентрировались на общей точности, а не на поведении системы для конкретных пациентов или типов опухолей.

Крупное полевое испытание помощника на базе ИИ

Исследователи из Университета Эмор изучили коммерческую систему ИИ под названием INSIGHT DBT, применявшуюся к 3D‑изображениям груди более чем в 167 000 скрининговых обследований у более 61 000 женщин. Они сопоставили оценки ИИ с фактическими исходами, разделив явно отрицательные обследования, доброкачественные биопсии и подтверждённые случаи рака. Главный вопрос заключался в том, насколько хорошо ИИ отличает раки, выявленные при рутинном скрининге, от обследований, которые оказались нераковыми. В сумме по всем женщинам ИИ продемонстрировал высокую эффективность, правильно ранжируя раковые и нераковые исследования большую часть времени и подтверждая результаты своего первоначального регуляторного обзора. Производительность была схожа по возрасту, расе и этническим группам — важный вывод для справедливости оказания помощи.

Где ИИ хорош, а где уступает

При детальном разборе выявились ключевые закономерности. ИИ лучше всего справлялся с выявлением инвазивных опухолей, формирующих плотные узлы или вызывающих видимые деформации ткани груди; он правильно отмечал большинство таких случаев. Менее надёжно система работала с опухолями, остающимися в млечных протоках (так называемые in situ‑заболевания), и с опухолями, проявляющимися преимущественно как тонкие скопления мелких отложений кальция. Для этих ранних поражений система пропускала почти половину случаев, и её общая точность снижалась. Плотная ткань груди также умеренно снижала эффективность, вероятно потому, что в плотной ткани скрываются тонкие признаки.

Что показывают шаблоны оценок

Анализ полного диапазона оценок ИИ, а не только бинарных решений, показал, что обследования с более тревожной патологией склонны получать более высокие баллы. Доброкачественные и низкорискованные находки обычно оценивались низко, тогда как инвазивные раки группировались в верхнем диапазоне. Однако некоторые нераковые деформации получали высокие оценки, что приводило к ложным тревогам, а редкие подтипы инвазивного рака и in situ‑поражения недооценивались. ИИ даже присваивал высокие оценки примерно трети раков, выявленных между плановыми скринингами, что указывает на то, что он иногда замечает подсказки, которые пропускают люди, хотя реальное клиническое значение этого остаётся неясным.

Последствия для пациентов и клиницистов

Для неспециалиста главный вывод таков: этот инструмент ИИ может существенно помочь радиологам в чтении сложных 3D‑изображений молочной железы, без очевидных различий по основным демографическим группам. Тем не менее он не является автономным детектором рака. Он менее надёжен для самых ранних кальцификатных форм рака и при очень плотной груди, и всё ещё может вызывать ненужное последующее обследование при некоторых доброкачественных находках. Авторы утверждают, что понимание этих сильных сторон и слепых зон необходимо прежде, чем полагаться на ИИ в повседневном скрининге, чтобы врачи могли использовать его как внимательного партнёра, а не как замену.

Цитирование: Brown-Mulry, B., Isaac, R.S., Lee, S.H. et al. Subgroup performance of a commercial digital breast tomosynthesis model for breast cancer detection. Nat Commun 17, 4249 (2026). https://doi.org/10.1038/s41467-026-70637-3

Ключевые слова: скрининг рака молочной железы, цифровой томосинтез молочной железы, медицинский ИИ, маммография, ДКИС