В статье рассматривается использование технологий искусственного интеллекта (ИИ) для диагностики рака молочной железы (РМЖ). Проведена качественная и экономическая оценка применения для этой цели программно-аппаратного комплекса «Faust View», основанного на алгоритмах ИИ. Исследование показало, что заключения, сформулированные с помощью данной системы, сопоставимы по точности с результатами, полученными врачами-рентгенологами, что позволяет говорить о возможности внедрения ее в клиническую практику для снижения нагрузки на медицинский персонал. Продемонстрирована экономическая эффективность такого подхода.
1. Первые 10000 маммографических исследований, выполненных в рамках услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» / Ю.А. Васильев [и др.] // Менеджер здравоохранения. 2023. №8. С. 54–67. Doi: 10.21045/1811–0185–2023–8–54–67.
2. Возможности искусственного интеллекта в оценке риска рака молочной железы на маммографических изображениях (клинические примеры) / В.А. Солодкий [и др.] // Вестник Российского научного центра рентгенорадиологии. 2023. №1. С. 25–31.
3. Croskerry P. Achieving quality in clinical decision making: cognitive strategies and detection of bias //Acad Emerg Med. 2002. №9(11). P. 1184–1204. Doi: 10.1111/j.1553–2712.2002.tb01574.x.
4. Захарова Н.А. / Рентгенологическая плотность молочных желез как фактор риска развития рака молочной железы // Креативная хирургия и онкология. 2012. №4. С. 52–57.
5. Волчек В.С. Пути повышения эффективности скрининга рака: выявление и преодоление барьеров / В.С. Волчек, Т.М. Шаршакова // Современные проблемы здравоохранения и медицинской статистики. 2023. №4. С. 731–750.
6. The value of computer aided detection system in breast cancer difficult to detect at screening mammography / D.V. Pasynkov [et al.] // Rejr. 2019. №9 (2). Р. 107–118.
7. Двойной просмотр результатов маммографии с применением технологий искусственного интеллекта: новая модель организации массовых профилактических исследований / Ю.А. Васильев [и др.] // Digital Diagnostics. 2023. Т. 4. №2. Doi: 10.17816/DD321423.
8. Combining the strengths of radiologists and AI for breast cancer screening: a retrospective analysis / C. Leibig [et al.] // Lancet Digit Health. 2022. №4(7). P. e507-e519. Doi: 10.1016/S2589–7500(22)00070-X.
9. International evaluation of an AI system for breast cancer screening / S.M. McKinney [et al.] // Nature. 2020. Oct. №586, 577. P. 89–94. Doi: 10.1038/s41586019 1799 6.
10. Can artificial intelligence reduce the interval cancer rate in mammography screening? / K. Lång [et al.] // 2021. Eur Radiol. №31. Р. 5940–5947.
11. Implications for downstream workload based on calibrating an artificial intelligence detection algorithm by standalone-reader or combined-reader sensitivity matching / K. Dembrower [et al.] // 2023. J Med Imaging (Bellingham). №10 (S2). P. S22405–S22405.
12. External evaluation of 3 commercial artificial intelligence algorithms for independent assessment of screening mammograms / M. Salim [et al.] // JAMA Oncol. 2020. №6 (10). P. 1581–1588. Https://doi.org/10.1001/jamaoncol.2020.3321.
13. Effect of artificial intelligencebased triaging of breast cancer screening mammograms on cancer detection and radiologist workload: a retrospective simulation study / K. Dembrower [et al.] // Lancet Digit Health. 2020. №2 (9). P. e468-e474.
14. An artificial intelligence–based mammography screening protocol for breast cancer: outcome and radiologist workload / A. D. Lauritzen [et al.] // Radiology. 2022. №304(1). P. 41–49.
15. Detection of breast cancer with mammography: effect of an artificial intelligence support system / a. rodríguez-ruiz [et al.] // radiology. 2019. №290 (2). p. 305–314. https://doi.org/10.1148/radiol.2018181371.
