Компьютерная томография органов грудной клетки (КТ ОГК), выполняемая по различным показаниям, неизбежно содержит информацию о структуре молочных желез, но эта зона часто остается вне целенаправленного анализа. Применение искусственного интеллекта (ИИ) для оппортунистической диагностики рака молочной железы (РМЖ) на рутинных КТ-исследованиях может стать дополнительным инструментом раннего выявления, аналогично тому, как ИИ уже доказал свою эффективность в маммографическом скрининге.
Основная проблема первых поколений таких алгоритмов — низкая специфичность, приводящая к избыточному числу ложноположительных находок и увеличению нагрузки на рентгенологов. Настоящее исследование представляет попытку решить эту проблему путем введения порога отсечения по объему выявляемых образований.
Прототип ИИ-модели обучен и валидирован на выборке из 200 бесконтрастных КТ ОГК: 100 исследований пациенток с морфологически подтвержденным РМЖ и 100 — без злокачественных новообразований (ЗНО).
Тестирование выполнено на независимой когорте:
- 58 исследований пациенток со ЗНО молочных желез
- 653 исследования пациенток без выявленного ЗНО по данным маммографического скрининга
Для оценки эффективности использовали ROC-AUC-анализ. Оптимальный порог отсечения по объему образований определяли по максимальному индексу Юдена, позволяющему сбалансировать чувствительность и специфичность.
Без применения порога
При работе прототипа без ограничений по объему характеристики составили:
- ROC-AUC: 0,638 (95% ДИ 0,594–0,683)
- Точность: 0,422 (0,386–0,458)
- Специфичность: 0,380 (0,343–0,417)
- Чувствительность: 0,897 (0,818–0,975)
Высокая чувствительность сопровождалась неприемлемо низкой специфичностью, что делало алгоритм малопригодным для клинического применения из-за перегрузки системы ложноположительными сигналами.
С оптимальным порогом отсечения
Введение порога по объему 1,343 см³ (определен по максимальному индексу Юдена) радикально изменило характеристики:
- Точность: 0,931 (0,912–0,950) — рост в 2,2 раза
- Специфичность: 0,940 (0,922–0,958) — рост в 2,5 раза
- Чувствительность: 0,821 (0,730–0,925) — снижение на 8,5%
Баланс достигнут: алгоритм пропускает менее 18% злокачественных образований, но генерирует лишь 6% ложноположительных находок, что делает его практически применимым.