Перспективы применения искусственного интеллекта для повышения эффективности cкрининга злокачественных новообразований

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: 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. 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. 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. 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.

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

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

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

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

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

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

7. 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.

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

9. 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.

10. 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.

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

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

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

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.

27. 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.

28. 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.

29. 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.

30. 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.

31. 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.

32. 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.

33. 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.

34. 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.

35. 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.

36. 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.

37. 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.

38. 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.

39. 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.

40. 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.

41. 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.

42. 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.

43. 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.

44. 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.

45. 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.

46. 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.

47. 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.

48. 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.

49. 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.

50. 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.

51. 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.

52. 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.

53. 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.

54. 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.

55. 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.

56. 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.

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

58. 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.

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

60. 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.

61. 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.

62. 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.

63. 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.

64. 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.

65. 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.

66. 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.

67. 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.

68. 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.