ИИ увидел признаки рака груди за годы до диагноза

Анализ старых маммограмм показал, что изменения могут накапливаться задолго до момента, когда опухоль становится очевидной врачу

Рак молочной железы обычно считается обнаруженным тогда, когда на маммограмме появляется достаточно убедительное изменение, чтобы радиолог мог его интерпретировать как подозрительное. Но новое исследование ставит интересный вопрос: а что происходило на предыдущих снимках той же женщины?

Оказалось, что некоторые будущие случаи рака оставляли статистический след значительно раньше диагноза.

Исследователи взяли маммограммы женщин, которым впоследствии диагностировали рак молочной железы, вернулись назад во времени и дали три разные коммерческие системы искусственного интеллекта оценить последовательность предыдущих исследований.

Чем ближе становился будущий диагноз, тем заметнее менялись оценки ИИ. Но повышенный сигнал у части женщин появлялся задолго до этого момента.

Почти 89 тысяч маммограмм позволили посмотреть на рак в обратном направлении

Работа опубликована в журнале Radiology. Исследователи использовали шведскую базу Validation of Artificial Intelligence for Breast Imaging — VAI-B, созданную для независимой оценки алгоритмов искусственного интеллекта в диагностике заболеваний молочной железы.

В анализ вошли 31 394 женщины и 88 963 маммографических исследования, выполненных с января 2008 по апрель 2019 года. У 12 072 участниц впоследствии был диагностирован рак молочной железы.

Главное преимущество такой базы — возможность увидеть не только маммограмму непосредственно перед диагнозом, но и историю предыдущих обследований одной женщины.

Исследователи применили к этим изображениям три коммерческие системы компьютерного обнаружения рака на основе ИИ. Алгоритмы выдавали оценку, отражавшую вероятность наличия подозрительных изменений.

После этого ученые задали необычный вопрос: насколько далеко назад можно увидеть различия между женщинами, у которых позднее появится рак, и теми, у кого он не будет диагностирован?

Ответ оказался неожиданным: различия прослеживались вплоть до десяти лет до диагноза.

Что на самом деле означает «ИИ обнаружил рак за десять лет»

Здесь особенно важно не превратить интересный научный результат в сенсацию.

Исследование не показало, что у женщины десять лет существовала готовая опухоль, которую врачи не замечали, а компьютер обнаружил.

ИИ также не ставил диагноз «рак» за десять лет до врачей.

Он присваивал некоторым будущим случаям рака более высокие оценки риска.

При специфичности 90% — то есть при пороге, выбранном так, чтобы около 90% обследований без рака правильно относились к отрицательным, — разные алгоритмы потенциально выделяли примерно 13–17% будущих случаев уже за десять лет до диагноза.

За шесть лет этот показатель составлял около 19–20%, за четыре года — 23–25%, а за два года — примерно 35–39%.

Именно эта динамика, а не сама цифра «десять лет», возможно, является наиболее интересной частью исследования.

Чем ближе диагноз, тем больше будущих случаев алгоритм начинает считать подозрительными.

ИИ замечает не обязательно опухоль — он может замечать траекторию изменений

Вот здесь происходит ключевой поворот в понимании результатов.

Человек и алгоритм смотрят на одну маммограмму по-разному.

Радиолог ищет изменения, которым можно придать клиническое значение: образование, подозрительную асимметрию, нарушение нормальной архитектуры ткани, микрокальцинаты и другие признаки.

Для принятия медицинского решения недостаточно ощущения, что изображение «немного необычное». Врач должен иметь основания отправить женщину на дополнительное обследование.

Алгоритм работает иначе. Он может учитывать множество слабых особенностей изображения одновременно — в том числе такие комбинации признаков, которые сами по себе недостаточно специфичны для человеческого решения.

Это может быть небольшое изменение архитектуры ткани или постепенное изменение плотности молочной железы. Отдельный снимок еще не обязательно выглядит патологическим, но совокупность особенностей изображения уже может сдвигать оценку алгоритма.

Почему один снимок может быть менее информативен, чем несколько лет наблюдения

Современный маммографический скрининг во многом устроен как последовательность отдельных проверок: сделан снимок, он интерпретирован, затем через установленный интервал проводится следующий.

Но молочная железа — динамичная ткань. Ее структура меняется с возрастом и под влиянием гормональных процессов, а изменения, связанные с развитием заболевания, тоже могут происходить постепенно.

Поэтому последовательность маммограмм потенциально содержит информацию, которой нет в одном изображении.

Представьте не фотографию, а фильм.

На одном кадре небольшое изменение может казаться незначительным. Но если сравнить несколько кадров, направление движения становится заметнее.

Исследование как раз показывает возможность подобного подхода: оценки ИИ у женщин, которым позднее диагностировали рак, постепенно повышались по мере приближения диагноза.

Это открывает гораздо более интересную перспективу, чем простая идея «компьютер читает снимок лучше врача»: алгоритм может помогать анализировать историю изменений конкретной женщины.

Но точность пока совершенно не позволяет превращать сигнал ИИ в диагноз

У исследования есть важное ограничение.

Способность трех алгоритмов различать будущие случаи рака и женщин без диагноза была умеренной.

Для всех временных точек до момента скринингового обнаружения показатель AUC составлял примерно 0,63–0,67. AUC — это мера того, насколько хорошо система разделяет две группы: значение 0,5 соответствует результату, близкому к случайному угадыванию, а 1,0 означало бы идеальное разделение.

Для сравнения, использование только маммографической плотности давало AUC 0,57.

ИИ, следовательно, извлекал из снимков дополнительную информацию, но до безошибочного прогноза здесь очень далеко.

Это принципиально важно для практики.

Если отправлять на дополнительные обследования каждую женщину с повышенной оценкой ИИ, система неизбежно создаст ложные тревоги, дополнительные исследования, биопсии, расходы и психологическую нагрузку.

Поэтому задача состоит не в том, чтобы заменить обычный скрининг сигналом алгоритма, а в том, чтобы понять, у кого этот сигнал действительно достаточно информативен для изменения наблюдения.

Персональный график скрининга может оказаться важнее одинакового интервала для всех

Именно здесь исследование приобретает потенциальное практическое значение.

В Швеции женщины в возрасте 40–74 лет приглашаются на маммографический скрининг каждые два года. Подобные программы неизбежно используют стандартные интервалы для больших групп населения.

Но индивидуальный риск неодинаков.

Если будущие исследования подтвердят, что динамика оценок ИИ надежно выделяет определенную группу женщин, возможен другой сценарий: алгоритм не объявляет «рак», а сигнализирует, что стандартного интервала наблюдения для конкретной женщины может быть недостаточно.

Тогда врач мог бы рассмотреть дополнительную визуализацию или более раннее следующее обследование.

Это принципиально отличается от идеи автоматической диагностики.

ИИ становится не заменой радиолога, а дополнительным уровнем сортировки риска.

Результаты нельзя автоматически переносить на обычный скрининг

Есть еще одна цифра, которую легко неправильно понять: рак был диагностирован у 38,5% женщин в исследуемой выборке.

Это совершенно не означает, что такой риск существует среди обычных участниц маммографического скрининга.

База VAI-B специально сформирована для проверки алгоритмов и включает все доступные случаи рака вместе с выборкой женщин без рака. Поэтому доля онкологических случаев в исследовании искусственно намного выше, чем в реальной скрининговой популяции.

Для анализа работы алгоритмов такой дизайн полезен. Но по этим данным нельзя рассчитывать индивидуальную вероятность заболеть раком молочной железы.

Кроме того, работа была ретроспективной: исследователи уже знали, у каких женщин впоследствии появился диагноз, и анализировали накопленные ранее изображения.

Следующий необходимый этап — проспективные исследования, в которых алгоритм будет использоваться в реальном скрининге, а исследователи заранее определят, какие действия должны следовать за повышением его оценки.

Искусственный интеллект в маммографии может оказаться полезен сразу в двух местах

Новая работа продолжает более широкий поиск роли ИИ в скрининге рака молочной железы.

Одна задача — уменьшить нагрузку на радиологов. В другой работе с участием Пантелиса Гиалиаса моделирование показало возможность сокращения нагрузки при чтении маммограмм примерно на 34% при определенном сценарии использования алгоритма для исследований низкого риска.

Другая задача — экономическая. Модельный анализ шведской программы показал, что некоторые варианты маммографического скрининга с поддержкой ИИ потенциально могут быть экономически эффективнее традиционного двойного чтения.

Новое исследование добавляет третье направление.

ИИ может быть интересен не только как второй «читатель» сегодняшней маммограммы, но и как инструмент, связывающий несколько обследований во времени и замечающий постепенное изменение риска.

Именно эта возможность способна в будущем изменить сам принцип скрининга: от одинакового расписания для большой популяции — к более индивидуальному наблюдению.

Пока это перспектива, а не установленный стандарт медицинской помощи.

Что исследование меняет для женщины сегодня

Главный практический вывод пока парадоксально прост: привычный маммографический скрининг остается необходимым.

Новая работа не дает оснований откладывать обследование в ожидании «более умного» ИИ и не означает, что алгоритм уже способен надежно предсказать рак за десять лет.

Она показывает другое: информация на предыдущих маммограммах может быть богаче, чем мы привыкли считать.

Если дальнейшие исследования подтвердят результат, история снимков одной женщины сможет использоваться не только для обычного визуального сравнения. Алгоритмы смогут оценивать тонкие изменения во времени и помогать определять, кому действительно требуется более пристальное наблюдение.

Для радиолога это может означать дополнительный инструмент принятия решения.

Для системы здравоохранения — возможность точнее распределять дополнительные обследования.

А для пациентки — потенциально более персонализированный скрининг, в котором важен не только сегодняшний снимок, но и то, как он изменился за предыдущие годы.