Триаж и поддержка принятия решений на основе ИИ при маммографии и цифровой томосинтезе для скрининга рака молочной железы: парное исследование на неполинферiority

Почему умный скрининг важен

Большинству женщин старше 50 лет приглашают регулярно проходить рентгеновские обследования молочных желез, чтобы обнаружить рак на ранней стадии. Эти программы скрининга спасают жизни, но также нагружают системы здравоохранения и вызывают тревогу при ложных тревожных сигналах. В этом исследовании поставлен актуальный вопрос: может ли искусственный интеллект (ИИ) безопасно взять на себя часть работы по чтению снимков молочных желез, чтобы радиологи сосредоточились лишь на наиболее рискованных случаях и при этом находили не меньше опухолей?

Как сегодня читают снимки молочных желез

Во многих европейских программах каждую маммограмму независимо читают два радиолога. Такое «двойное чтение» выявляет больше случаев рака, но и удваивает рабочую нагрузку. Новые трёхмероподобные исследования — томосинтез — увеличивают время оценки каждого обследования. Одновременно население стареет, некоторые рекомендации предлагают начинать скрининг раньше, и во многих регионах не хватает подготовленных радиологов. Всё это делает сложным поддержание или улучшение качества скрининга без перегрузки специалистов.

Что исследователи проверили в реальных условиях

Команда провела крупное клиническое исследование в Кордобе, Испания, в рамках существующей государственной программы скрининга. Более 31 000 женщин в возрасте 50–71 года прошли либо стандартную цифровую маммографию, либо томосинтез. Каждое обследование обрабатывали двумя параллельными способами. Сначала — обычный подход: два радиолога читали каждый случай без помощи ИИ. Во втором, экспериментальном подходе, систему ИИ анализировала изображения и ранжировала обследования по вероятности наличия рака. Снимки, которые ИИ пометил как низкий риск, автоматически считались нормальными и не показывались радиологу; только обследования с более высоким риском проходили двойное чтение, но при этом радиологам были доступны визуальные пометки и оценки ИИ как помощь в принятии решений.

Что произошло с нагрузкой и выявлением рака

Такая стратегия триажа с помощью ИИ означала, что радиологам нужно было прочитывать чуть более одной трети всех обследований вместо каждого — сокращение нагрузки почти на две трети. Несмотря на это драматическое уменьшение объёма работы, стратегия с поддержкой ИИ фактически выявила больше случаев рака: примерно 7,3 случая на 1000 обследованных женщин против 6,3 на 1000 при стандартном методе. Путь с ИИ отлавливал дополнительные ранние, мелкие и безпораженные лимфоузлы опухоли — те виды рака, при которых раннее лечение наиболее эффективно. Эти преимущества были особенно заметны для традиционной 2D‑маммографии, где обнаруживаемость рака выросла более чем на 30% с поддержкой ИИ.

Компромисс: больше вызовов на дополнительные обследования

Цена этого улучшения — увеличение числа женщин, которых вызывали на дополнительные исследования. В целом коэффициент повторных вызовов вырос с 4,8% при стандартном чтении до 5,5% при стратегии с ИИ, а доля ложноположительных результатов несколько увеличилась. Иными словами, выявлено больше случаев рака, но немного больше женщин испытали стресс из‑за подозрительного результата, который в итоге оказался доброкачественным. Для томосинтеза, однако, ИИ снизил нагрузку без значительного изменения числа вызовов или числа выявленных раков, что отражает уже высокую эффективность этого метода.

Безопасность, пропущенные случаи и этические вопросы

ИИ был не идеален: 11 случаев рака получили низкие оценки риска и поэтому были бы пропущены в полностью автономном режиме. Тем не менее стандартный подход без ИИ пропустил ещё больше опухолей, которые стратегия с поддержкой ИИ выявила. Большинство пропущенных ИИ опухолей имели очень тонкие проявления и были замечены только одним из двух радиологов в традиционной ветви чтения. Авторы подчёркивают, что широкое внедрение автономного чтения ИИ для большого числа обследований вызывает этические и правовые вопросы. Они считают, что перед тем как полагаться на ИИ в маркировке большинства снимков как нормальных без человеческого контроля, потребуются дополнительные гарантии — строгий контроль качества при съёмке изображений и постоянный мониторинг работы ИИ.

Что это значит для будущего скрининга

Для неспециалиста основной вывод таков: при грамотном проектировании ИИ может помочь радиологам обрабатывать гораздо больше обследований, при этом находя не меньше, а иногда и больше ранних случаев рака молочной железы. В этом исследовании автоматическое освобождение низкорисковых маммограмм от чтения сократило нагрузку на радиологов почти на две трети, сохранило точность положительных находок и незначительно улучшило общее выявление рака, хотя и привело к небольшому увеличению числа женщин, приглашённых на дообследование. Исследование показывает, что при надлежащем надзоре и дальнейшей валидации триаж и поддержка принятия решений на основе ИИ могли бы сделать масштабный скрининг рака молочной железы более устойчивым для систем здравоохранения и более эффективным в раннем выявлении болезни.

Цитирование: Elías-Cabot, E., Romero-Martín, S., Raya-Povedano, J.L. et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nat Med 32, 1296–1305 (2026). https://doi.org/10.1038/s41591-026-04277-x

Ключевые слова: скрининг рака молочной железы, маммография, искусственный интеллект, нагрузка на радиологов, раннее обнаружение рака