Исследователи создали искусственный интеллект, который учится находить опухоли на снимках МРТ молочной железы.

Новая модель не просто угадывает, а точно показывает место проблемы и справляется с задачей лучше всех существующих аналогов.

Результаты испытаний в трех разных группах пациентов опубликовали в журнале Radiology.

Такой ИИ-помощник может обнаружить рак, который человек сам просто не увидит, — говорит руководитель исследования Фелипе Овьедо, старший аналитик из лаборатории Microsoft AI for Good.

Стандартом в проверке на рак груди была и остается маммография. Но у этого метода есть слабое место: он плохо справляется, если у женщины плотная ткань молочной железы.

А это не только самостоятельный фактор риска, но и отличная маскировка для опухоли.

Таким пациенткам, а также тем, кто в группе высокого риска, часто назначают дополнительно МРТ.

Магнитно-резонансная томография чувствительнее маммографии, — объясняет доктор Овьедо. — Но она и дороже, и чаще дает ложную тревогу.

Чтобы повысить и точность, и эффективность МРТ-скрининга, команда ученых из Microsoft вместе с радиологами Университета Вашингтона разработала новую модель ИИ.

Ее задача — находить аномалии. Она изучает снимки, отличает норму от отклонения и помечает подозрительные участки для подробного изучения.

Раньше модели учились на данных, где 50% случаев — это рак, а 50% — норма, — рассказывает Овьедо. — В реальной жизни так не бывает. Эти модели не проверяли в условиях скрининга, где рак находят у 2% пациенток. К тому же, они были необъяснимы, как черный ящик. А для клиники это неприемлемо.

Чтобы исправить эти недостатки, исследователи обучили свою модель на данных почти 10 000 МРТ-исследований, проведенных в Университете Вашингтона с 2005 по 2022 год.

• Среди пациенток преобладали белые женщины (более 80%).
• Плотная ткань молочной железы была у 42,9% (гетерогенно плотная) и у 11,6% (чрезвычайно плотная).

Новая модель работает иначе. Вместо того чтобы заучивать, как выглядит рак, она досконально изучила, как выглядят здоровые, доброкачественные снимки. Теперь любое отклонение от этой нормы она распознает как потенциальную угрозу. Это гораздо эффективнее, ведь злокачественные опухоли бывают очень разными и встречаются редко.

Главное преимущество модели — она не просто ставит диагноз, а рисует подробную тепловую карту. Это цветная разметка прямо на снимке, которая подсвечивает области, которые ИИ счел подозрительными. И что важно — эти области почти идеально совпали с теми, где биопсия впоследствии подтвердила рак. Точность карты намного превосходит все предыдущие разработки.

Тепловая карта (heatmap) — это не про температуру. В контексте искусственного интеллекта и анализа изображений это цветная схема-накладка на исходную картинку (например, медицинский снимок). Каждый цвет на этой схеме — это понятная человеку подсказка от машины. Яркие, часто красные или желтые участки, показывают зоны, которые алгоритм счел наиболее подозрительными, аномальными или важными для принятия решения. Это превращает сложный математический расчет внутри нейросети в простую и intuitive визуальную подсказку для врача: «Смотри сюда».

Модель проверили на внутренних и внешних данных.

• Внутренняя выборка: 171 женщина (средний возраст 49 лет). Часть — на плановом скрининге (у 31 из них позже нашли рак), часть — на дооперационном обследовании с уже известным диагнозом (50 женщин с подтвержденным раком).
• Внешняя выборка: публичные данные по 221 женщине с инвазивным раком молочной железы из нескольких медицинских центров.

Во всех тестах — и на сбалансированных данных с большим процентом рака, и на данных, имитирующих реальный низкочастотный скрининг, — модель показала себя блестяще. Она точно определяла расположение опухоли и обходила другие модели.

Если такую систему внедрить в работу радиологов, она сможет сразу отсеивать абсолютно чистые снимки. Это разгрузит врачей и позволит им сконцентрироваться на самых сложных случаях.

Наша модель понятно объясняет, какой именно участок на снимке кажется ей подозрительным, — говорит Овьедо. — Эти цветные карты внимания сразу направляют взгляд врача в нужную точку, экономя время и повышая шанс не упустить болезнь.

До того как модель начнут использовать в клиниках, ее должны испытать на дополнительных выборках и в проспективных исследованиях, чтобы окончательно доказать ее пользу для врачебной практики.

Реальная польза этого исследования — в решении двух ключевых проблем современной радиологии: усталости врача и ресурсных ограничений. Маммография — это массовый скрининг, а МРТ — дорогой и сложный метод. Врач-радиолог, который просматривает десятки снимков в день, может устать, отвлечься, столкнуться со сложным случаем. ИИ действует как сверхвнимательный и непредвзятый ассистент, который никогда не устает. Он не заменит врача, но станет его вторым зрением. Это может привести к:

• Снижению количества пропущенных раков: особенно на ранних стадиях и у женщин с плотной тканью груди.
• Сокращению времени на анализ одного исследования: врач тратит меньше времени на очевидно чистые снимки.
• Снижению уровня стресса для специалиста, так как система страхует и направляет его.

Основное критическое замечание касается репрезентативности обучающей выборки. В данных, на которых учили модель, более 80% пациенток — белые женщины. Известно, что плотность ткани молочной железы, особенности анатомии и даже агрессивность некоторых типов рака молочной железы могут различаться у женщин разных рас и этнических групп. Существует серьезный риск, что модель, показавшая блестящие результаты на преимущественно белой популяции, будет работать менее точно для женщин африканского, азиатского или латиноамериканского происхождения. Перед внедрением модель необходимо дообучить и валидировать на мультиэтнических данных, чтобы избежать систематической ошибки и неравенства в здравоохранении.

Ранее стало известно, как ИИ экономит время онкологов.