Введение

Общественное здоровье

Public Health

2782-16762949-1274

ФГБУ «ЦНИИОИЗ» Минздрава России

10.21045/2782-1676-2024-4-4-24-42

ph-229

Research Article

ЦИФРОВОЕ ЗДРАВООХРАНЕНИЕ

DIGITAL HEALTHCARE

Перспективы применения искусственного интеллекта для повышения эффективности cкрининга злокачественных новообразований

Prospects of using artificial intelligence for improving cancer screening efficаcy

https://orcid.org/0000-0002-2824-3704

Заридзе

Д. Г.

Zaridze

D. G.

Заридзе Давид Георгиевич – член-корреспондент РАН, доктор медицинских наук, профессор, заведующий отделом клинической эпидемиологии

г. Москва

David G. Zaridze – MD, Grand PhD in Medical sciences, Corresponding Member of the Russian Academy of Sciences, Head of the Department of Clinical Epidemiology

Moscow

dgzaridze@rcs-pror.org

ФГБУ «НМИЦ онкологии им. Н. Н. Блохина» Министерства здравоохранения Российской ФедерацииРоссияNational Medical Research Center of Oncology named after N. N. BlokhinRussian Federation

2024

13122024

442442

2024

Заридзе Д.Г.

Zaridze D.G.

Данная работа распространяется под лицензией Creative Commons Attribution 4.0.

This work is licensed under a Creative Commons Attribution 4.0 License.

https://ph.elpub.ru/jour/article/view/229

Введение

Введение. Эффективность скрининга как одной из наиболее действенных стратегий контроля злокачественных опухолей не вызывает сомнений. Скрининг снижает риск диагностики рака на поздней стадии и выявляет предраковые патологии, чем предотвращает и его развитие. Потенциальные ограничения и опасность скрининга заключаются в высокой вероятности ложноположительных, ложноотрицательных результатов и гипердиагностики. Последствия – дополнительные обследования и ненужное и, часто, чрезмерное лечение. В то же время, при скрининге часто не попадают в поле зрения интервальные раки, которые характеризуются агрессивным течением.

Цель исследования

Цель исследования: изучить эффективность искусственного интеллекта (ИИ) для повышения чувствительности и специфичности скрининга злокачественных новообразований (ЗНО) и снижения частоты ложноотрицательных, ложноположительных результатов и гипердиагностики.

Материалы и методы

Материалы и методы. Обзор и анализ опубликованных научных данных, посвященных: а) скринингу рака молочной железы (РМЖ), рака легкого (РЛ), рака предстательной железы (РПЖ), рака шейки матки (РШМ) и рака толстой кишки (РТК); б) разработке и применению ИИ для улучшения эффективности скрининговых программ. Поиск соответствующих публикаций был произведен в базах данных PubMed и Cochrane Library.

Результаты

Результаты. При маммографическом скрининге ИИ снижает количество неправильной интерпретации маммограм, количество повторных вызовов, количество биопсий с отрицательным результатом, повышает эффективность интерпретации маммограм независимо от характеристик органа (плотная молочная железа, кальцификаты). Применение ИИ совместно с низкодозовой компьютерной томографией (НДКТ) для скрининга РЛ не только улучшает диагностику его различных форм, но и предсказывает риск развития рака на несколько лет вперед. Систематический обзор и мета-анализ 12 работ по оценке эффективности ИИ в тандеме с мультипараметрической магнитнорезонансной томографией (мпМРТ) предстательной железы показал высокую суммарную эффективность в диагностике клинически значимого РПЖ, что способствовало статистически достоверному снижению количества дополнительных приглашений и ненужных биопсий. Вопрос эффективности ИИ в сочетании с колоноскопией, несмотря на применение его самых продвинутых систем (система глубокого обучения, основанная на сверточной нейронной сети), остается спорным. Решение этой проблемы зависит от того, какую цель мы преследуем, разрабатывая и обучая систему: повышение «выявляемости» аденом и их удаление независимо от их размеров или идентификацию и удаление только больших аденом, из которых, с высокой вероятностью, может развиться рак. Успешное применение ИИ для цитологической диагностики патологии шейки матки, включая все стадии цервикальных интраэпителиальных неоплазий (ЦИН), вызывает оптимизм. Внедрение систем ИИ, обученных взаимодействию с цитопатологом в прочтении и оценке цитологического материала и диагностике ЦИН и РШМ, снизит нагрузку на цитологов и на другой медицинский персонал.

Заключение

Заключение. Представленные исследования указывают на перспективность применения ИИ для диагностики ЗНО, особенно в контексте популяционного скрининга, при котором исследование проходят многие тысячи человек. Применение ИИ достоверно повышает эффективность диагностических методов, улучшает показатели чувствительности и специфичности, снижает вероятность ложноотрицательных, ложноположительных результатов и гипердиагностики. Эффективность ИИ для прогнозирования риска развития рака на несколько лет вперед может способствовать удлинению интервалов между раундами скрининга и, соответственно, снижению нагрузки на систему здравоохранения и сокращению затрат. Решение о внедрении в программу популяционного скрининга любой из систем ИИ, с доказанной эффективностью в рамках клинических исследований, должно быть принято только после ее апробирования на популяционном уровне. Необходимо разработать формы «информированного согласия» для пациентов, в которых подробно и объективно описаны все преимущества и недостатки применения ИИ по сравнению с существующей принятой практикой.

Introduction

Introduction. The eﬀectiveness of screening as one of the strategies for cancer control is beyond doubt. Screening reduces the risk of diagnosing cancer at a late stage and identiﬁes precancerous pathologies, thereby preventing the development of cancer. Potential limitations of screening include the high probability of false positives, false negatives, and overdiagnosis. The consequences are additional examinations and unnecessary and, often, excessive treatment. At the same time, interval cancers, which are characterized by an aggressive course, often do not come into view.

The purpose of the study

The purpose of the study: to explore the data on eﬀectiveness of artiﬁcial intelligence (AI) for improving the sensitivity and speciﬁcity of cancer screening and reducing the probability of false negative and false positive results, and overdiagnosis.

Materials and methods

Materials and methods. Review and analysis of published data on a) screening of breast cancer (BC), lung cancer (LC), prostate cancer (PC), cervical cancer (CC) and large bowel cancer (LBC); b) development and application of AI systems to improve the eﬀectiveness of screening. The PubMed and Cochrane Library databases were searched for relevant publications.

Results

Results. In mammography screening, AI reduces the number of abnormal interpretations of mammograms, the number of recalls, the number of biopsies with a negative result, and increases the eﬃcacy of mammogram interpretation regardless of the characteristics of the breast (dense breast, calciﬁcations). The use of AI in conjunction with low-dose computed tomography (LDCT) for LC screening not only improves the diagnosis of various types of LC, but also predicts the risk of developing cancer several years in advance. A systematic review and meta-analysis of 12 studies evaluating the eﬀectiveness of AI in tandem with multiparametric magnetic resonance imaging (mpMRI) of the prostate showed high overall eﬀectiveness in the diagnosis of clinically signiﬁcant PC. The performance of the AI system – based on the multimodal data including demographics, clinical characteristics, laboratory tests and ultrasound reports of patients with PC, was better than the eﬀectiveness of PSA tests in diagnosing clinically signiﬁcant PC. The eﬀectiveness of AI in tandem with colonoscopy, despite the use of the most advanced AI systems (deep learning system based on a convolutional neural network), remains controversial. The solution to this problem depends on what goal we are pursuing when developing and training the system? Increasing “detection rate” of adenomas, regardless of their size, and removing them, or identifying and removing only large adenomas? The successful use of AI for cytological diagnosis of cervical pathology, including all stages of cervical intraepithelial neoplasia (CIN), is encouraging. The introduction of AI systems developed and trained to interact with a cytopathologist in reading and evaluating cytological material and diagnosing CIN and CC into general practice will reduce the burden on cytopahologists and other medical personnel.

Conclusion

Conclusion. The analysis of published data has shown the promising results concerning the use of AI for cancer diagnostics, especially in the setting of population screening programs, which cover many thousands of people. The use of AI signiﬁcantly increases the eﬀectiveness of diagnostic tool, improves its sensitivity and speciﬁcity, and reduces the probability of false negative, false positive results and overdiagnosis. The decision to introduce into practice any of the AIs with proven eﬀectiveness in clinical trials should be made only after its testing in a real world, at the population level. The “informed consent” forms that objectively describe all the advantages and disadvantages of the use of AI compared to current practice has to be developed.

скринингискусственный интеллектИИрак молочной железырак предстательной железырак легкогорак толстой кишкирак шейки матки

screeningartificial intelligenceAIcancer of the breastlungprostatelarge bowelcervix

References1

Breast Cancer Screening. IARC handbook of Cancer Prevention, International Agency for Research on Cancer, WHO, IARC Pres. 2002.

European Commission, European Guidelines for Quality Assurance in Breast Cancer Screening and Diagnosis, 2006.

Cervix cancer screening. IARC Handbooks of cancer Prevention, International Agency for Research on Cancer, World Health Organization, IARC Press, 2005.

European Commission. European Guidelines for Quality Assurance in Cervical Cancer Screening, 2nd ed. – Luxembourg: Oﬃce for Oﬃcial Publications of the European Communities, 2008.

Заридзе Д. Г. Профилактика рака. Руководство для врачей. – М.: ИМА-ПРЕСС, 2009. – 224 с. – 9 ил. – 63 табл.

Zaridze D. G. Cancer prevention. Manual for physicians. – M.: IMA-PRESS, 2009. – 224 p. – 9 ill. – 63 tables. (In Russ.)

Давыдов М.И., Заридзе Д. Г. Скрининг злокачественных опухолей: современное состояние и перспективы. Вестник Московского Онкологического Общества. 2014; 3(606):2–6.

Davydov M.I., Zaridze D. G. Cancer screening: current status and prospects. Bulletin of the Moscow Oncological Society. 2014; 3(606):2–6. (In Russ.)

Барчук А.А., Раскина Ю. В., Смирнова О. В., Беляев А. М., Багненко С. Ф. Скрининг онкологических заболеваний на уровне государственных программ: обзор, рекомендации и управление. Общественное здоровье. 2021; 1(1):19–31.

Barchuk A.A., Raskina Yu.V., Smirnova O. V., Belyaev A. M., Bagnenko S. F. Cancer screening at the level of state programs: review, recommendations and management. Public Health. 2021; 1(1):19–31. (In Russ.)

Zaridze D.G., Boyle P., Smans M. International trends in prostаtic cancer. Int J Cancer. 1984; 33(2): 223–230.

Black W.C., Haggstrom D. A., Welch H. G. All-cause mortality in randomized trials of cancer screening. J Natl Cancer Inst. 2002; 94(3):167–173.

Заридзе Д.Г., Максимович Д. М., Стилиди И. С. Новая парадигма скрининга и ранней диагностики: оценка пользы и вреда. Вопросы онкологии. 2020; 66(6):589–602.

Zaridze D.G., Maksimovich D. M., Stilidi I. S. New paradigm of screening and early diagnosis: assessment of beneﬁts and harms. Vopr. Onkol. 2020; 66(6):589–602. (In Russ.)

Заридзе Д. Г. Искусственный интеллект повышает эффективность скрининга и диагностики злокачественных опухолей. Национальная онкологическая программа (2030). 2024; 2:32–34.

Zaridze D. G. Artiﬁcial intelligence improves the eﬃciency of screening and diagnostics of cancer. National oncology program (2030). 2024; 2:32–34. (In Russ.)

Tabár L., Vitak B., Chen H. H. et al. Beyond randomized controlled trials: organized mammographic screening substantially reduces breast carcinoma mortality. Cancer. 2001; 91(9):1724–1731.

Tabár L., Yen M. F., Vitak B. et al. Mammography service screening and mortality in breast cancer patients: 20-year follow-up before and after introduction of screening. Lancet. 2003; 361(9367):1405–1410.

Nelson H.D., Tyne K., Naik A. et al. Screening for Breast Cancer: Systematic Evidence Review Update for the US Preventive Services Task Force. Report 10–05142-EF-1. U. S. Preventive Services Task Force Evidence Syntheses, formerly Systematic Evidence Reviews. Rockville, MD: Agency for Health Сare Research and Quality (US). 2009.

Swedish Organised Service Screening Evaluation Group. Reduction in breast cancer mortality from organized service screening with mammography: 1. Further conﬁrmation with extended data. Cancer Epidemiol Biomarkers Prev. 2006; 15(1):45–51.

Pisano E.D., Gatsonis C., Hendrick E. et al. Diagnostic performance of digital versus ﬁlm mammography for breast-cancer screening. N Engl J Med. 2005; 353(17): 1773–1783.

Pisano E.D., Gatsonis C., Hendrick E. et al. Diagnostic performance of digital versus ﬁlm mammography for breast-cancer screening. N Engl J Med. 2005; 353(17):1773–1783.

Eastern Cooperative Oncology Group – American Col lege of Radiology Imaging Network Cancer Research Group. Digital Tomosynthesis Mammography and Digital Mammography in Screening Patients for Breast Cancer (NCT03233191). Philadelphia, PA: Eastern Cooperative Oncology Group – American College of Radiology Imaging Network Cancer Research Group; 2017. Clinicaltrials.gov/ct2/show/NCT03233191. Accessed December 18, 2017.

Majid A.S., de Paredes E. S., Doherty R. D., Sharma N. R., Salvador X. Missed breast carcinoma: pitfalls and pearls. Radiographics. 2003; 23(4):881–895.

Miglioretti D.L., Gard C. C., Carney P. A. et al. When radiologists perform best: the learning curve in screening mammogram interpretation. Radiology. 2009; 253(3): 632–640.

Independent UK Panel on Breast cancer Screening. The beneﬁts and harms of breast cancer screening: an independent review. Lancet. 2012; 380(9855):1778–1786.

Lehman C.D., Arao R. F., Sprague B. L. et al. National Performance Benchmarks for Modern Screening Digital Mammography: Update from the Breast Cancer Surveillance Consortium. Radiology. 2017; 283(1):49–58.

Salim M., Dembrower K., Eklund M., Lindholm P., Strand F. Range of Radiologist Performance in a Population-based Screening Cohort of 1 Million Digital Mammography Examinations. Radiology. 2020; 297(1):33–39.

Kwee T.C., Kwee R. M. Workload of diagnostic radiologists in the foreseeable future based on recent scientiﬁc advances: growth expectations and role of artiﬁcial intelligence. Insights Imaging. 2021; 12(1):88.

Fenton J.J., Abraham L., Taplin S. H. et al. Effectiveness of computer-aided detection in community mammography practice. J Natl Cancer Inst. 2011; 103(15):1152–1161.

Lehman C.D., Wellman R. D., Buist D. S. et al. Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection. JAMA Intern Med. 2015; 175(11):1828–1837.

Ernster V.L., Ballard-Barbash R., Barlow W. E. et al. Detection of ductal carcinoma in situ in women undergoing screening mammography. J Natl Cancer Inst. 2002; 94(20):1546–1554.

Kim H.-E., Kim H. H., Han B.-K. et al. Changes in cancer detection and false-positive recall in mammography using artiﬁcial intelligence: a retrospective, multireader study. Lancet Digit Health. 2020; 2(3): e138-e148.

Dembrower K., Crippa A., Colón E., Eklund M., Strand F.; ScreenTrustCAD Trial Consortium. Artiﬁcial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study. Lancet Digit Health. 2023; 5(10): e703-e711.

National Lung Screening Trial Research Team; Aberle D. R., Adams A. M., Berg C. D. et al. Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med. 2011; 365(5):395–409.

De Koning H. J., van der Aalst C. M., de Jong P. A. et al. Reduced Lung-Cancer Mortality with Volume CT Screening in a Randomized Trial. N Engl J Med. 2020; 382(6):503– 513.

De Koning H. J., van der Aalst C. M., de Jong P. A. et al. Reduced Lung-Cancer Mortality with Volume CT Screening in a Randomized Trial. N Engl J Med. 2020; 382(6):503–513.

Bach P.B., Mirkin J. N., Oliver T. K. et al. Beneﬁts and harms of CT screening for lung cancer: a systematic review. JAMA. 2012; 307(22):2418–2429.

Bonney A., Malouf R., Marchal C. et al. Impact of low‐dose computed tomography (LDCT) screening on lung cancer‐related mortality. Cochrane Database Syst Rev. 2022; 8(8): CD013829.

Ardila D., Kiraly A. P., Bharadwaj S. et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019; 25(6):954–961.

Mikhael PG, Wohlwend J., Yala A. et al. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography. J Clin Oncol. 2023; 41(12):2191–2200.

Andriole G.L., Crawford E. D., Grubb R. L. 3rd et al. Prostate cancer screening in the randomized Prostate, Lung, Colorectal, and Ovarian Cancer Screening Trial: mortality results after 13 years of follow-up. J Natl Cancer Inst. 2012; 104(2):125–132.

Schröder F.H., Hugosson J., Roobol M. J. et al. Prostate-cancer mortality at 11 years of follow-up. N Engl J Med. 2012; 366(11):981–990.

Moyer V.A.; U. S. Preventive Services Task Force. Screening for Prostate Cancer: US Preventive Services Task Force Recommendation Statement. Ann Intern Med. 2012; 157(2):120–134.

Carter H.B., Albertsen P. C., Barry M. J. et al. Early Detection of Prostate Cancer: AUA Guideline. J Urol. 2013; 190(2):419–426.

Qaseem A., Barry M. J., Denberg T. D. et al. Screening for prostate cancer: a guidance statement from the Clinical Guidelines Committee of the American College of Physicians. Ann Intern Med. 2013; 158(10):761–769.

Yakar D., Debats O. A., Bomers J. G. et al. Predictive value of MRI in the localization, staging, volume estimation, assessment of aggressiveness, and guidance of radiotherapy and biopsies in prostate cancer. J Magn Reson Imaging. 2012; 35(1):20–31.

Moradi M., Salcudean S. E., Chang S. D. et al. Multiparametric MRI maps for detection and grading of dominant prostate tumors. J Magn Reson Imaging. 2012; 35(6):1403– 1413.

Zhao C., Gao G., Fang D. et al. The eﬃciency of multiparametric magnetic resonance imaging (mpMRI) using PIRADS Version 2 in the diagnosis of clinically signiﬁcant prostate cancer. Clin Imaging. 2016; 40(5):885–888.

Kasel-Seibert M., Lehmann T., Aschenbach R. et al. Assessment of PI-RADS v2 for the Detection of Prostate Cancer. Eur J Radiol. 2016; 85(4):726–731.

Fehr D., Veeraraghavan H., Wibmer A. et al. Automatic classiﬁcation of prostate cancer Gleason scores from multiparametric magnetic resonance images. Proc Natl Acad Sci U S A. 2015; 112(46):6265–6273.

Chen T., Li M., Gu Y. et al. Prostate Cancer Differentiation and Aggressiveness: Assessment With a Radiomic-Based Model vs. PI-RADS v2. J Magn Reson Imaging. 2018; 49(3):875–884.

Zhang H., Ji J., Liu Z. et al. Artiﬁcial intelligence for the diagnosis of clinically signiﬁcant prostate cancer based on multimodal data: a multicenter study. BMC Med. 2023; 21(1):270.

Cuocolo R., Cipullo M. B., Stanzione A. et al. Machine learning for the identiﬁcation of clinically signiﬁcant prostate cancer on MRI: a meta-analysis. Eur Radiol. 2020; 30(12):6877–6887.

Clark J.C., Collan Y., Zaridze D. G. et al. Prevalence of polyps in an autopsy series from areas with varying incidence of large-bowel cancer. Int J Cancer. 1985; 36(2):179–186.

Mandel J.S., Church T. R., Bond J. H. et al. The effect of fecal occult-blood screening on the incidence of colorectal cancer. N Engl J Med. 2000; 343(22):1603–1607.

Atkin W.S., Edwards R., Kralj-Hans I. et al.; UK Flexible Sigmoidoscopy Trial Investigators. Once-only ﬂexible sigmoidoscopy screening in prevention of colorectal cancer: a multicentre randomised controlled trial. Lancet. 2010; 375(9726):1624–1633.

Schoen R.E., Pinsky P. F., Weissfeld J. L. et al.; PLCO Proj ect Team. Colorectal-cancer incidence and mortality with screening ﬂexible sigmoidoscopy. N Engl J Med. 2012; 366(25):2345–2357.

Zhu C., Bassig B. A., Zaridze D. et al. A birth cohort analysis of the incidence of ascending and descending colon cancer in the United States, 1973–2008. Cancer Causes Control. 2013; 24(6):1147–1156.

Bretthauer M., Løberg M., Wieszczy P. et al.; NordICC Study Group. Effect of Colonoscopy Screening on Risks of Colorectal Cancer and Related Death. N Engl J Med. 2022; 387(17):1547–1556.

Hassan C., Spadaccini M., Mori Y. et al. Real-Time Computer-Aided Detection of Colorectal Neoplasia During Colonoscopy: A Systematic Review and Meta-analysis. Ann Intern Med. 2023; 176(9):1209–1220.

Lou S., Du F., Song W. et al. Artiﬁcial intelligence for colorectal neoplasia detection during colonoscopy: a systematic review and meta-analysis of randomized clinical trials. EClinicalMedicine. 2023; 66:102341.

Maas M.H.J., Neumann H., Shirin H. et al. A computer-aided polyp detection system in screening and surveillance colonoscopy: an international, multicentre, randomised, tandem trial. Lancet Digit Health. 2024; 6(3): е157-e165.

International Agency for Research on Cancer, World Health Organization. Cervix cancer screening. IARC Handbooks of cancer Prevention. IARC. 2005.

Cox J.T., Castle P. E., Behrens C. M. et al.; Athena HPV study group. Comparison of cervical cancer screening strategies incorporating different combinations of cytology, HPV testing, and genotyping for HPV 16/18: results from the ATHENA HPV study. Am J Obstet Gynecol. 2013; 208(3):184.e1–184.e11.

WHO guideline for screening and treatment of cervical pre-cancer lesions for cervical cancer prevention, second edition. Geneva: World Health Organization. 2021.

Заридзе Д.Г., Стилиди И. С., Мукерия А. Ф. Научное обоснование эффективности первичной и вторичной (скрининга) профилактики рака шейки матки. Общественное здоровье. 2022; 2(4):15–23.

Zaridze D.G., Stilidi I. S., Mukeria A. F. Scientiﬁc evidence for the effectiveness of primary and secondary (screening) prevention of cervical cancer. Public Health. 2022; 2(4):15–23. (In Russ.)

Wang J., Yu Y., Tan Y. et al. Artificial intelligence enables precision diagnosis of cervical cytology grades and cervical cancer. Nat Commun. 2024; 15(1);4369.

Wang J., Yu Y., Tan Y. et al. Artiﬁcial intelligence enables precision diagnosis of cervical cytology grades and cervical cancer. Nat Commun. 2024; 15(1);4369.

Солодкий В.А., Каприн А. Д., Нуднов Н. В., Харчен ко Н. В., Запиров Г. М., Дибирова Ш. М., Подоль ская М. В., Кунда М. А. Возможности искусственного интеллекта в оценке риска рака молочной железы на маммографических изображениях (клинические примеры). Вестник российского научного центра рентгенорадиологии (вестник РНЦРР), 2023; 2023(1):25–32.

Solodkiy V.A., Kaprin A. D., Nudnov N. V., Kharchenko N. V., Zapirov G. M., Dibirova Sh.M., Podolskaya M. V., Kun da M. A. Artiﬁcial intelligence capabilities in breast cancer risk assessment on mammographic images (clinical examples). Vestnik of the Russian Scientiﬁc Center of Roentgenoradiology. 2023.1. (In Russ.)

Солодкий В.А., Каприн А. Д., Нуднов Н. В., Харчен ко Н. В., Ходорович О. С., Запиров Г. М., Шерстнёва Т. В., Дибирова Ш. М., Канахина Л. Б. Современные системы поддержки принятия врачебных решений на базе искусственного интеллекта для анализа цифровых маммографических изображений. Вестник рентгенологии и радиологии. 2023; 104(2):151–162.

Solodkiy V.A., Kaprin A. D., Nudnov N. V., Kharchenko N. V., Khodorovich O. S., Zapirov G. M., Sherstneva T. V., Dibirova Sh.M., Kanakhina L. B. Сontemporary Medical Decision Support Systems Based on Artiﬁcial Intelligence for the Analysis of Digital Mammographic Images. Journal of Radiology and Nuclear Medicine. 2023; 104(2):151–162. (In Russ.)

Арзамасов К.М., Васильев Ю. А., Владзимирский А. В., Омелянская О. В., Бобровская Т. М., Семенов С. С., Четвериков С. Ф., Кирпичев Ю. С., Павлов Н. А., Ан дрейченко А. Е. Применение компьютерного зрения для профилактических исследований на примере маммографии. Профилактическая медицина. 2023; 26(6):117–123.

Arzamasov K.M., Vasiliev Yu.A., Vladzymyrskyy A. V., Om elyanskaya O. V., Bobrovskaya T. M., Semenov S. S., Chet verikov S. F., Kirpichev Yu.S., Pavlov N. A., Andreychen ko A. E. The use of computer vision for the mammography preventive research. The Russian Journal of Preventive Medicine. 2023; 26(6):117–123. (In Russ.)

Павлова В.И., Белая Ю. А., Воронцов А. Ю., Прище пов А. А., Князев С. М., Михайлов А. А., Ковалева А. В., Аревшатян Э. Г., Палтуев Р. М., Чёрная А. В., Захаро ва Н. А. Результаты научно-исследовательской работы Российского общества онкомаммологов «Использование искусственного интеллекта для раннего выявления рака молочной железы». Опухоли женской репродуктивной системы. 2023; 19(2):54–60.

Pavlova V.I., Belaya Yu.A., Vorontsov A.Yu., Prish chepov A. A., Knyazev S. M., Mikhailov A. A., Kovaleva A. V., Arevshatyan E. G., Paltuev R. M., Chernaya A. V., Zakharo va N. A. Results of research work Russian Society of oncomammologists “The use artiﬁcial intelligence for early detection of breast cancer”. Tumors of female reproductive system. 2023; 19(2):54–60. (In Russ.)

Arzamasov K., Vasilev Y., Zelenova M. et al. Independent evaluation of the accuracy of 5 artificial intelligence software for detecting lung nodules on chest X-rays. Quant Imaging Med Surg. 2024; 14(8):5288–5303.

Arzamasov K., Vasilev Y., Zelenova M. et al. Independent evaluation of the accuracy of 5 artiﬁcial intelligence software for detecting lung nodules on chest X-rays. Quant Imaging Med Surg. 2024; 14(8):5288–5303.

Васильев Ю.А., Арзамасов К. М., Колсанов А. В., Владзи мирский А. В., Омелянская О. В., Пестренин Л. Д., Неча ев Н. Б. Опыт применения программного обеспечения на основе технологий искусственного интеллекта на данных 800 тысяч флюорографических исследований. Врач и информационные технологии. 2023; 4:54–65.

Vasiliev Yu.A., Arzamasov K. M., Kolsanov A. V., Vladzimirskyy A. V., Omelyanskaya O. V., Pestrenin L. D., Nechaev N. B. Experience of application artiﬁcial intelligence software on 800 thousand ﬂuorographic studies. Medical doctor and information technology. 2023; 4:54–65. (In Russ.)

Пилюс П.С., Дрокин И. С., Баженова Д. А., Маков ская Л. А., Синицын В. Е. Оценка перспектив использования технологий искусственного интеллекта для анализа КТ-изображений органов грудной клетки с целью выявления признаков злокачественных новообразований в легких. Медицинская визуализация. 2023; 27(2):138–146.

Pilius P.S., Drokin I. S., Bazhenova D. A., Makovskaya L. A., Sinitsyn V. E. Evaluation of the prospects for using artiﬁcial intelligence technologies to analyze CT scans of the chest organs in order to identify signs of malignant neoplasms in the lungs. Medical Visualization. 2023; 27(2):138–146. (In Russ.)

The authors declare that there are no conflicts of interest present.