Эффективность алгоритмов прогнозирования риска рака молочной железы на разных маммографических системах в программе скрининга Великобритании

Почему это важно для женщин и семей

Скрининг молочной железы спасает жизни, обнаруживая опухоли на ранних стадиях, однако многие опухоли выявляются в годах между плановыми маммографиями и часто на более поздней стадии. В этом исследовании ставится простой, но важный вопрос: может ли искусственный интеллект (ИИ) «прочитать» казалось бы нормальную маммограмму и тихо пометить женщин с высоким краткосрочным риском, чтобы им предложили дополнительные обследования до того, как рак вырастет и распространится?

Видеть больше на нормальной маммограмме

Большинство национальных программ скрининга, включая британскую, приглашают женщин на маммографию каждые три года. Если ничего подозрительного не обнаружено, скан называют «отрицательным» и женщина возвращается к обычной жизни. При этом около 30% раков молочной железы у женщин в программах скрининга являются «интервальными» — возникающими между назначенными визитами и обычно имеющими худший прогноз. В последнее время мощные ИИ‑системы научились анализировать маммограммы, кажущиеся нормальными человеческим экспертам, и присваивать каждой женщине краткосрочный риск. Идея в том, чтобы использовать эту скрытую информацию для настройки частоты скрининга и определения, кому предложить более чувствительные исследования, такие как МРТ или контрастная маммография.

Проверка четырёх инструментов ИИ

Исследователи проанализировали 112 621 «отрицательную» скрининговую маммограмму из двух центров Программы скрининга молочной железы NHS в Англии, охватывающую полный трёхлетний раунд 2014–2017 годов и последующее наблюдение в течение пяти лет. Два центра использовали разные цифровые маммографы (Philips и GE), отражая реальную вариативность. В течение периода наблюдения у 1 225 женщин развился рак молочной железы, включая 396 интервальных случаев и дополнительные опухоли, обнаруженные на следующем скрининге. Четыре ведущих алгоритма прогнозирования риска — три коммерческих и одна академическая модель — были запущены локально для каждой маммограммы, чтобы сформировать оценку риска будущего рака, и их эффективность была сопоставлена.

Насколько хорошо алгоритмы обнаруживали будущие раки

Все четыре системы ИИ лучше случайного угадывания отличали женщин, у которых впоследствии развился рак, от тех, у кого его не было, но их результаты отличались. Один алгоритм (обозначенный DL‑1) последовательно показывал наилучшие показатели, тогда как другой (DL‑3) отставал. Когда внимание сосредоточили на интервальных раках — появлявшихся вскоре после «нормального» скана — лучшая модель достигла точности, сопоставимой или превышающей результаты предыдущих исследований с одиночными алгоритмами. Важно, что три из четырёх инструментов показали схожую работу как на изображениях Philips, так и GE, что указывает на способность справляться по крайней мере с некоторыми отличиями в аппаратуре, хотя один алгоритм заметно хуже работал на одной из систем.

Что произойдёт, если действовать по самым высоким оценкам риска?

Практический вопрос для служб скрининга — сколько женщин вызывать на дополнительные обследования на основе оценок ИИ. Исследователи рассмотрели клинически значимые пороги. Если бы для дополнительного обследования отбирались только 4% женщин с самыми высокими показателями риска (по оценкам каждого инструмента), две лучших модели вместе выявили примерно одну пятую всех будущих случаев рака и более четверти интервальных случаев. При ослаблении порога до 14% — ближе к показателям вызова в некоторых североамериканских программах — отдача примерно удвоилась: самая сильная модель идентифицировала около 42% всех будущих раков и половину интервальных случаев. Однако каждый алгоритм, как правило, помечал отчасти разный набор опухолей с относительно небольшим перекрытием, что указывает на потенциал ансамблей или стратегий с несколькими инструментами для обнаружения большего числа опухолей, чем любая отдельная модель.

Сильные стороны, пробелы и дальнейшие шаги

Работа выделяется тем, что использует полные рутинные данные из двух крупных центров NHS, а не узко отобранную исследовательскую выборку, и это первое исследование, которое оценивает несколько именованных инструментов ИИ бок о бок в условиях Великобритании. Вместе с тем есть ограничения. Из исследования исключались женщины с имплантатами или нестандартными проекциями, а также анализ охватывал только два бренда маммографов, поэтому эффективность на другом оборудовании или в разных этнических группах остаётся неопределённой. Поскольку анализ был ретроспективным, некоторые раки, которые могли бы быть найдены раньше при применении дополнительных исследований на основе риска, не были учтены, что означает — реальная польза может быть больше, чем сообщено.

Что это значит для будущего скрининга молочной железы

Для широкого читателя вывод таков: современные ИИ действительно могут находить предупреждающие признаки на «нормальных» маммограммах, которые предсказывают, у каких женщин с большей вероятностью разовьётся рак молочной железы в ближайшее время, особенно интервальные опухоли, которые иначе трудно поймать рано. Лучшие алгоритмы, по сути, могли бы позволить программам скрининга предлагать более частые или более чувствительные тесты небольшой группе женщин с повышенным риском, в то время как остальные продолжали бы проходить стандартные трёхлетние проверки. Тем не менее различия между инструментами и между системами визуализации показывают, что ни одна модель ИИ не готова к повсеместному внедрению без тщательного тестирования. Авторы призывают к крупным проспективным испытаниям с использованием нескольких алгоритмов и донастройкой под локальные сканеры и популяции, прежде чем скрининг на основе риска с поддержкой ИИ сможет безопасно стать рутинной практикой.

Цитирование: Rothwell, J., Payne, N., Kilburn-Toppin, F. et al. Performance of breast cancer risk prediction algorithms across mammography systems in the UK screening programme. npj Digit. Med. 9, 330 (2026). https://doi.org/10.1038/s41746-026-02507-7

Ключевые слова: скрининг рака молочной железы, искусственный интеллект, маммография, прогнозирование риска, интервальные раки