Перспективная оценка интеграции искусственного интеллекта в скрининг рака молочной железы в разных рабочих процессах: исследование GEMINI

Почему это важно для женщин и клиник

Скрининг молочных желез спасает жизни, но при этом требует большого времени специалистов и может вызывать тревогу у женщин из‑за ненужных повторных вызовов. Это исследование, проведённое в реальной программе скрининга Национальной службы здравоохранения (NHS) в Шотландии, ставило практический вопрос: может ли искусственный интеллект (ИИ) помочь врачам находить больше случаев рака, одновременно контролируя число повторных вызовов и нагрузку на специалистов? Вместо проверки единой схемы исследователи изучили множество способов внедрения ИИ в повседневную практику, предложив дорожную карту для клиник с разными ограничениями и приоритетами.

Как сегодня устроен скрининг молочной железы

В Великобритании женщинам в возрасте 50–71 года приглашают на маммографию каждые три года. Каждый комплект снимков груди читают независимо два обученных врача‑чтеца. При расхождении решений окончательное решение принимает третий эксперт. Такой подход с «двойным чтением» повышает безопасность, но требует большого количества времени специалистов. Одновременно системы здравоохранения сталкиваются с ростом числа женщин, приходящих на скрининг, и дефицитом радиологов. Любой новый инструмент, таким образом, должен не только обнаруживать раковые образования, но и вписываться в существующую систему и помогать управлять ограниченными ресурсами персонала.

Что ставило целью исследование GEMINI

Исследование GEMINI наблюдало 10 889 женщин, прошедших плановый скрининг в одном регионе Великобритании в 2023 году. Всем обеспечивали стандартную помощь: их маммограммы оценивали два человека‑чтеца с арбитражем при необходимости. Параллельно коммерческая система ИИ под названием Mia анализировала изображения и сохраняла своё мнение в фоне. Исследовательская группа использовала две основные идеи. Во‑первых, ИИ применяли как «дополнительную страховку»: если ИИ рекомендовал повторный вызов, а команда скрининга — нет, такие изображения направляли на дополнительное человеческое рассмотрение. Во‑вторых, сохранившиеся выходы ИИ использовали для моделирования различных схем «триажа», где ИИ иногда заменял второго чтеца для экономии времени. Всего смоделировали 17 различных рабочих процессов, комбинирующих эти подходы.

Что произошло, когда ИИ выступал как дополнительный чтец

Когда ИИ расходился с рутинным решением не вызывать повторно, старшие чтецы заново просматривали эти маммограммы. Из 1 345 таких случаев 55 женщин были вызваны на дополнительные обследования, и выявили 11 дополнительных случаев рака молочной железы, которые в противном случае были бы пропущены при этом визите. Большинство из них были инвазивными опухолями, многие — относительно небольших размеров. Важно, что просмотр этих дополнительных случаев занимал немного времени: примерно девять из десяти чтений укладывались в меньше чем минуту, что сопоставимо или быстрее обычного чтения маммограммы. Это указывает на то, что опытные чтецы эффективно использовали подсказки ИИ, подтверждая реальные подозрения и уверенно отклоняя доброкачественные изменения при сравнении с предыдущими снимками.

Как триаж с ИИ может снизить нагрузку

Далее команда поинтересовалась, как ИИ может безопасно заменить часть вторичных человеческих чтений. В рабочих процессах «триаж» при согласии первого человека‑чтеца и ИИ это согласие фиксировалось, и второй чтец для таких случаев не требовался. В схемах «триаж отрицательных» этот упрощённый путь применялся только когда оба были согласны, что повторный вызов не нужен — это позволяет избегать лишних повторных вызовов, но при этом экономит работу. В зависимости от порогов принятия решений для ИИ, эти моделируемые стратегии могли сократить общую рабочую нагрузку чтения примерно на одну треть до почти половины. Некоторые варианты незначительно снижали число обнаруживаемых опухолей, тогда как другие сохраняли показатели обнаружения и даже уменьшали долю женщин, направляемых на дополнительные обследования.

Поиск наилучшего баланса для каждой клиники

Основной рабочий процесс, который предпочли авторы, сочетал схему «триаж отрицательных» с ролью ИИ в качестве дополнительного чтеца. В этой конфигурации все ракы, выявленные при стандартном скрининге, по‑прежнему обнаруживались, плюс 11 дополнительных случаев, выявленных ИИ. Это повысило показатель выявления рака примерно на 10 процентов — примерно на один дополнительный случай на 1 000 обследованных женщин — при сохранении уровня повторных вызовов практически без изменений и сокращении человеческой нагрузки на чтение до 31 процента. Другие протестированные рабочие процессы предлагали иные компромиссы, такие как большее сокращение загрузки и меньше ложных тревог, но с ценой в виде пропуска небольшого числа опухолей, которые поймала бы основная схема.

Что это значит для будущего скрининга молочной железы

Для неспециалиста ключевое послание — ИИ не собирается заменять врачей в скрининге молочной железы, но может выступать гибким помощником. В этой оценке в реальных условиях одна система ИИ, при аккуратном применении, помогла найти больше случаев рака без увеличения числа повторных вызовов и одновременно освободила значительную часть экспертного рабочего времени. Поскольку исследование изучило множество возможных схем, службы здравоохранения могут выбрать конфигурацию, которая лучше всего соответствует их задачам — будь то максимизация выявления рака, минимизация ненужных повторных вызовов или разгрузка персонала. Потребуются дальнейшие исследования в других регионах, с другими инструментами ИИ и более длительным последующим наблюдением, но это исследование показывает, что вдумчивая интеграция ИИ может сделать скрининг молочной железы более точным и устойчивым.

Цитирование: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

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