Artificial intelligence in radial diagnostics of breast cancer

Cover Page

Cite item

Full Text

Abstract

Breast cancer (BC) ranks second in prevalence among all malignant tumors and is the most frequent cancer in women. This literature review details the introduction of artificial intelligence (AI) systems based on ultra-precise neural networks into clinical practice. This direction in diagnostic medicine is very promising, and in many ways can improve the existing and firmly entered into everyday practice methods of breast imaging. Such methods include mammography, ultrasound (USG) and magnetic resonance imaging (MRI). Mammography screening is an advanced tool for early detection of breast cancer, which has reduced the mortality rate from the disease by 30% in the last thirty years.  Nevertheless, the method has potential drawbacks, including false positives and false negatives due to the phenomenon of tissue summation on a two-dimensional image, as well as the increased density of anatomical structures of the breast. Artificial intelligence systems are designed to improve and simplify this imaging method, reducing the time required for image interpretation. At present, these digital systems for their implementation in practice are not yet sufficiently studied, there are many errors and flaws in the interpretation of mammograms. The next widely used method of breast visualization is ultrasound. This method is able to detect neoplasms hidden by mammography in women with anatomically dense breast tissue structure, which makes it particularly useful in cancer diagnosis in women of reproductive age. However, ultrasound also has its disadvantages, among which stand out the operator-dependence of the method. Currently, the artificial intelligence system S-detect (2018, Samsung Medison) is actively used, which is able to interpret the image, automatically reading information in real time, thus increasing the effectiveness of ultrasound. The program has already demonstrated high sensitivity, specificity and accuracy (95.8%, 93.8%, 89.6%, respectively) in detecting benign and malignant breast masses in the trial phases from 2019. To date, there are no approved guidelines for the use of artificial intelligence programs in ultrasound diagnostics, with further research and evidence of the utility of such synergy required. Artificial intelligence programs combined with MRI diagnostics have also demonstrated increased efficiency and sensitivity of the method. However, false positives and false negatives (including missed pathology) have also been reported in this combination.

A literature review of PubMed and Google Scholar article databases was performed. The focus was on full-text articles.

Full Text

Актуальность

Рак молочной железы входит в пятерку наиболее распространенных злокачественных опухолей, занимая 2-е место (11,6 %) среди всех онкологических заболеваний [1, 17]. По данным Всемирной организации здравоохранения (ВОЗ) в 2020 году у 2,3 миллиона женщин впервые был диагностирован рак молочной железы, а во всем мире было зарегистрировано 685 000 смертей от данного заболевания [2, 4]. С целью снижения смертности от рака молочной железы, во многих странах мира была введена скрининговая маммография [2]. За последние тридцать лет она снизила этот показатель на 30 % [6, 7, 13]. Маммографический скрининг по сей день является передовым методом визуализации для ранней диагностики РМЖ [1, 6].  Тем не менее у метода есть и потенциальные недостатки [11]. К ним относят ложноположительные результаты, приводящие к дополнительной визуализации или биопсии, что, в свою очередь, увеличивает медицинские расходы и эмоциональный стресс для пациенток, а также ложноотрицательные результаты, когда рак молочной железы либо не обнаруживается при маммографии, либо возникают ошибки интерпретации, что в конечном итоге приводит к задержке постановки диагноза [14, 27]. В настоящее время активно разрабатываются и внедряются в клиническую практику системы искусственного интеллекта на основе сверхточных нейронных сетей, призванные улучшить и упростить данный метод визуализации [5, 8]. Данные цифровые системы активно разрабатываются и используются врачами-рентгенологами по всему миру в маммографическом скрининге, ультразвуковой диагностике и магнитно-резонансной томографии. Уже имеются накопленные данные доказывающие, что системы, разработанные на основе сверхточных нейронных сетей, являются наиболее эффективными методами в медицине и превосходят традиционные методы визуализации [8].

Маммография

Маммография вот уже несколько десятилетий является передовым инструментом скрининга рака молочной железы, применяемым ежегодно при обследовании более 200 миллионов женщин [29]. Однако некоторые ограничения в чувствительности и специфичности данного метода сохраняются, несмотря на самые последние технологические усовершенствования [22].

Маммография, как пленочная, так и цифровая, предполагает получение двухмерного изображения всех анатомических структур молочной железы в двух проекциях [9, 25]. В результате на снимке здоровая ткань может скрыть образование, или наоборот, имитировать патологический участок [11]. Точность маммографического скрининга значительно снижается у женщин с большим количеством фиброгландулярной ткани в молочных железах, которая присутствует у половины обследованных пациенток и отвечает за одну треть пропущенных случаев рака [9, 28, 30]. Учитывая данную структурную особенность визуализации молочных желез на маммограммах (в том числе и профилактических), а также растущую нехватку врачей-рентгенологов, требуются альтернативные методы, позволяющие упростить и улучшить программы скрининга [20].  В последние годы активно разрабатываются и используются для автоматического анализа профилактических маммограмм системы искусственного интеллекта (ИИ), основанные на сверхточных нейронных сетях [23, 25].

Карпов О.Э. и соавторы (2021 г.) в своей статье описали ретроспективное когортное исследование, которое включало группу пациенток из 49 человек, проходивших скрининг в НМХЦ имени Н.И. Пирогова в период с 01.10.2017 г. по 01.10.2020 г., и имевших верифицированный диагноз злокачественного поражения по данным гистологии [1]. Авторами была разработана и использована система искусственного интеллекта «Цельс». Исследования были анонимизированы и предоставлены для анализа двум врачам-рентгенологам с опытом работы 8 и 18 лет. Расхождения между мнениями врачей решались путем консенсуса [1]. Используемая в исследовании система искусственного интеллекта «Цельс» предназначалась для выявления подозрительных на наличие злокачественных новообразований молочной железы областей. Система в качестве входных данных использовала полный набор из четырех изображений маммограммы и давала им соответствующую оценку [1].

В ходе исследования были полученные следующие результаты:

  • - 44 случая, в которых заключение поставлено верно системой искусственного интеллекта «Цельс» и врачами-рентгенологами;
  • - 1 случай, в котором заключение поставлено верно системой «Цельс» и неверно врачами-рентгенологами;
  • - 4 случая, в которых заключение поставлено неверно системой «Цельс» и верно врачами-рентгенологами. При этом следует отметить, что система определила новообразования как доброкачественные с рекомендацией проведения дополнительного обследования [1].

Результаты исследования продемонстрировали перспективность использования данной цифровой системы «Цельс», в частности были определены злокачественные образования в 45 случаях из 49 общего числа, что составляет 92%. Исследователи сделали вывод, что данная система может быть полезна для «двойного прочтения» врачами разной квалификации [1].

Mattie Salim и соавторы в своей работе описали ретроспективное исследование, проводимое в больнице Стокгольма, Швеция, в период с 2008 по 2015 год [35]. В исследовании приняли участие 8805 женщин в возрасте от 40 до 74 лет, которые прошли маммографический скрининг. В выборку вошли 739 женщин, у которых был диагностирован рак молочной железы, и 8066 здоровых женщин [35]. Интерпретация результатов была проведена с использованием трех систем искусственного интеллекта ИИ-1, ИИ-2, ИИ-3, и двух врачей-рентгенологов первого и второго чтения [22, 35].

Чувствительность для искусственного интеллекта ИИ-1 составила 81,9%, для ИИ-2 - 67,0%, для ИИ-3 - 67,4%. Чувствительность для врача-рентгенолога первого чтения составила 77,4% и 80,1% - для врача-рентгенолога второго чтения. Совместная работа системы искусственного интеллекта ИИ-1 и врача-рентгенолога первого чтения позволила достичь чувствительности 88,6% при специфичности 93,0%. Ни одна другая комбинация систем искусственного интеллекта и врачей-рентгенологов не превзошла этот уровень чувствительности. ИИ-1 был обучен большему количеству данных, в отличие от систем ИИ-2 и ИИ-3 [22, 35].

Jeong Hoon Lee и соавторы (2022 год, Южная Корея) в своем ретроспективном исследовании изучали возможности использования искусственного интеллекта, основанного на сверхточных нейронных сетях, с целью повышения эффективность обнаружения рака молочной железы врачами-рентгенологами [19]. Было взято в общей сложности 200 случаев изменений в молочной железе, выявленных на проведенной с марта 2009 по сентябрь 2018 года маммографии, при этом данные включали подтвержденные биопсией злокачественные образования -100 случаев, доброкачественные образования - 40 случаев и отрицательные - 60 случаев [19]. В исследовании учувствовали десять рентгенологов с разным уровнем профессионального опыта. Из них пятеро (группа №1) были с опытом работы в области визуализации молочных желез от 4 до 19 лет, и пятеро (группа №2) были рентгенологами общего профиля с опытом работы от 1 года до 10 лет [19].  Врачи-рентгенологи из 1 группы сначала описывали маммограммы при помощи программы искусственного интеллекта, а через два месяца повторно интерпретировали эти же снимки самостоятельно. Интервал в 2 месяца был необходим для сведения к минимуму возможного влияния системы искусственного интеллекта на время интерпретации снимков [19].  Врачи из 2 группы сначала описывали маммограммы с помощью искусственного интеллекта, а затем самостоятельно, без интервала в 2 месяца. Используемая система искусственного интеллекта была обучена обнаруживать рак молочной железы, используя данные 170 230 маммограмм, включая данные о более чем 30 000 случаях рака молочной железы. В результате исследования Jeong Hoon Lee с соавторами сделали однозначный вывод о значительном повышении чувствительности маммографии с использованием программ искусственного интеллекта как в группе №1 (с 74,6% до 88,6%), так и в группе №2 (с 52,1% до 79,4%), что составляет рост почти на 15% (группа №1) и на более чем 27% (группа №2) [19]. Также в выводах исследования было отмечено, что использование искусственного интеллекта может сократить среднее время анализа маммограмм, вероятно за счет более быстрого выявления патологических изменений и оформления заключения. Было высказано предположение, что сокращение времени на интерпретацию маммограмм как профилактических, так и диагностических, повысит эффективность работы врачей-рентгенологов в клинической практике [19, 25].

Ультразвуковая диагностика (УЗИ)

Популяционный скрининг рака молочной железы с помощью маммографии снижает смертность от данного заболевания на 31-48% [7]. Тем не менее, у женщин с анатомически плотной структурой молочных желез чувствительность метода составляет всего 61% [13, 36]. Таким пациенткам требуется дообследование с применением дополнительных методов визуализации для выявления скрытого рака на маммографии [36]. Одним из таких методов дообследования является ультразвуковое исследование [33]. УЗИ молочных желез имеет ряд преимуществ по сравнению с другими методами визуализации, включая распространенность, доступность метода, относительно более низкую стоимость, отсутствие ионизирующего излучения и возможность оценки изображений в режиме реального времени [36]. УЗИ молочных желез способно обнаружить новообразования, скрытые при маммографии, что делает его особенно полезным методом в диагностике рака у женщин с анатомически плотной структурой молочных желез, в первую очередь у женщин репродуктивного периода [30]. Однако и ультразвуковое исследование имеет свои недостатки, в первую очередь связанные с зависимостью данного метода визуализации от опыта, знаний врача и технических возможностей УЗ-оборудования [33]. Программы искусственного интеллекта, используемые в ультразвуковой диагностике, способны повысить эффективность данного метода, автоматически выявляя участки измененной эхогенности, подозрительные на патологические [33].

Anton Becker и соавторы (2018 год, Швеция) проводили ретроспективное исследование для оценки эффективности программы искусственного интеллекта на основе нейронных сетей для классификации рака молочной железы [33]. Они обнаружили, что точность программ ИИ для диагностики рака молочной железы при УЗИ сопоставима с точностью заключения врачей ультразвуковой диагностики. При дальнейшем усовершенствовании данная цифровая система может стать хорошим помощником в диагностике рака молочной железы для начинающих врачей [33].

Seokmin Han и соавторы (2017 год, Южная Корея) использовали программу искусственного интеллекта для дифференцировки разных типов поражений и образований молочных желез на ультразвуковых изображениях [33]. Программа на основе нейронных сетей показала хорошие результаты, среди которых – показатели диагностической точности около 90%, чувствительности – 86% и специфичности – 96%. Эти многообещающие результаты демонстрируют перспективы применения цифровых систем в выявлении РМЖ врачами ультразвуковой диагностики [33].

Ting Xiao и соавторы в своем исследовании (2018 год, Китай) сравнивали возможности использования в ультразвуковой диагностике трех программ искусственного интеллекта на основе сверхточных нейронных сетей и традиционной модели ИИ на основе машинного обучения для дифференцировки доброкачественных и злокачественных опухолей молочных желез.  Исследователи обнаружили, что использование всех трех программ искусственного интеллекта по отдельности и в комбинациях превзошло возможности традиционной модели ИИ на основе машинного обучения. Показатель чувствительности данного метода составил 85% [33].

В настоящее время активно разрабатываются системы искусственного интеллекта, позволяющие идентифицировать и маркировать образования молочной железы на ультразвуковом изображении в режиме реального времени [33]. К таким программам относится цифровая система S-detect [16].

Qun Xia и соавторы в своем исследовании (Китай, 2021 год) оценивали диагностическую эффективность программы S-detect (2019 год, Samsung Medison) с целью дифференциальной диагностики доброкачественных и злокачественных поражений молочной железы [16, 33, 34]. Пациентку укладывали в положение лежа на спине, запрокинув руки за голову, чтобы как можно больше обнажить молочные железы и область подмышечных впадин. Сканирование последовательно проводилось двумя врачами ультразвуковой диагностики с опытом работы не менее 5 лет. После самостоятельной интерпретации изображений и оформления заключения врачи использовали программу ИИ S-Detect [33, 34]. Система выделяла границу поражения в качестве интересующей области, автоматически перечисляя характеристики поражения (размер, глубина, форма, границы и т. д.) и автоматически создавая предполагаемое заключение о характере новообразования [16]. Далее проводилась компрессионная эластография. Цвет эластографии был разделен на зеленый и синий, что отражает жесткость и эластичность ткани. Если образование повышенной жесткости, оно было окрашено в темно-синей цвет и определяло это как признак злокачественности. Эластичные образования окрашивались в светло-зеленый цвет, что определялось как признак доброкачественности и было подтверждено при верификации после биопсии [16]. В итоге доброкачественные поражения составили 40,0% (16/40), а злокачественные - 60,0% (24/40).  Система искусственного интеллекта S-Detect продемонстрировала высокую чувствительность, специфичность и точность (95.8%, 93.8%, 89.6% соответственно) при выявлении доброкачественных и злокачественных образований молочной железы [33, 34]. Совместное исследование с программой искусственного интеллекта повышает точность диагностики до 90% [33, 34]. В настоящее время нет рекомендаций по применению искусственного интеллекта с ультразвуком в клинической практике, и требуются дополнительные исследования для доказательства полезности метода [24, 34].

Магниторезонансная томография (МРТ)

Женщинам из группы высокого риска, которым требуется дообследование после маммографии, рекомендуется выполнение МРТ молочных желез [12, 21]. Комбинация этих методов повышает чувствительность обнаружения рака до 92,7% [31]. При дообследовании с применением УЗИ, чувствительность маммографии при выявлении РМЖ (в гибридном варианте) составляет всего 52% [21].

Рандомизированное контролируемое исследование по скринингу рака молочной железы (DENSE) в Нидерландах (2019 год), оценивающее частоту выявления РМЖ у женщин с анатомически плотной структурой молочных желез при использовании МРТ, продемонстрировало потенциальную пользу применения данного метода визуализации в дообследовании пациенток с показателем выявления рака 16,5 на 1000 случаев и снижением на 50% заболеваемости интервальным раком [15, 18, 32].

Mio Adachi и соавторы в своей статье (2020 год, Япония) описали ретроспективное исследование, где пациенткам была проведена МРТ молочных желез с контрастным усилением (гадолиний) в период с марта 2014 года по октябрь 2018 года, и были диагностированы доброкачественные или злокачественные поражения [3]. В исследовании использовалась система искусственного интеллекта (RetinaNet, 2017 год, США), в которую был загружен набор томограмм, включающий 30 нормальных, 49 доброкачественных и 135 злокачественных случаев [3]. В этом наборе поражения молочной железы были помечены как “доброкачественные” или “злокачественные” врачом рентгенологом с 10-летним стажем работы [3].  Далее результаты МРТ молочных желез ретроспективно оценивались врачами-рентгенологами с 20-летнем, 6-летнем, 4-летнем и 1 летнем стажем работы самостоятельно, а в качестве «второго чтения» с использованием искусственного интеллекта [3]. В результате показатели чувствительности и специфичности МРТ с использованием программы искусственного интеллекта составили 92% и 83% соответственно, а для четырех рентгенологов 85% и 84% соответственно [3]. Системой искусственного интеллекта на основе нейронной сети (RetinaNet) было зарегистрировано семь ложноположительных и четыре ложноотрицательных случая, также был допущен пропуск злокачественного образования в области подмышечной впадины [3]. Данная программа весьма перспективна, но необходимо продолжение её усовершенствования с включением больших объемов данных [3, 10, 26].

Заключение

В настоящее время сложно представить практическую медицину без использования разнообразных цифровых систем. Данные компьютерные программы на протяжении нескольких лет активно разрабатываются и усовершенствуются по всему миру.  Они призваны улучшить и упростить раннюю диагностику многих заболеваний, тем самым повышая качество жизни пациентов. Особенно это направление перспективно в лучевой диагностике рака молочной железы. Искусственный интеллект на основе нейронных сетей обладает невероятным потенциалом для повышения точности диагностики, эффективности работы рентгенологов, при этом позволяя снизить рабочую нагрузку на врача, занимающегося описанием снимков молочной железы. Кроме того, постоянное взаимодействие рентгенолога с программами искусственного интеллекта, с точки зрения взаимного обучения позволит значительно повысить качество принимаемых решений как цифровой системой, так и врачом.

Имеющиеся на сегодняшний день данные об использовании искусственного интеллекта в диагностике рака молочной железы, используя такие методы визуализации как маммография, ультразвуковая диагностика, магнитно-резонансная томография, далеки от того качества и количества, которые необходимы для их внедрения их медицинскую практику. Однако, как и другие новые технологии, эти системы требуют тщательной оценки в клинической практике с использованием большого и разнообразного набора данных, прежде чем получить широкое распространение. В перспективе при дальнейшем усовершенствовании цифровых систем, повышении чувствительности и специфичности с использованием больших объемов данных высокого качества, эти системы могут стать весьма востребованными, в качестве первого или второго чтения, учитывая нехватку врачей-рентгенологов.

×

About the authors

E. L. Teodozova

Omsk State Medical University

Author for correspondence.
Email: telapiya@list.ru
ORCID iD: 0000-0003-2035-1943

ординатор 2 года обучения по специальности "Рентгенология" кафедры лучевой диагностики

Russian Federation, Omsk

E. Yu. Khomutova

Omsk State Medical University; Regional Clinical Hospital

Email: telapiya@list.ru
ORCID iD: 0000-0001-9508-2202
SPIN-code: 7148-7270

доктор мед. наук, заведующая кафедрой лучевой диагностики

Russian Federation, Omsk; Omsk

References

  1. Karpov O.E., Bronov O.Yu., Kapninsky A.A. Comparative study of the results of data analysis of digital mammography system based on artificial intelligence "cels" and radiologists. Bulletin of the National Medical and Surgical Center named after N.I. Pirogov 2021;16(2): 86-92.doi: 10.25881/20728255_2021_16_2_86. Russian (Карпов О.Э., Бронов О.Ю., Капнинский А.А. Компаративное исследование результатов анализа данных цифровой маммографии системы на основе искусственного интеллекта «цельс» и врачей-рентгенологов. Вестник Национального медико-хирургического Центра им. Н.И. Пирогова 2021;16(2):86-92. doi: 10.25881/20728255_2021_16_2_86.).
  2. Strunkin D.N., Kononchuk V.V., Gulyaeva L.F. Modern aspects of systematics, diagnosis and treatment of breast cancer. Tumors of the female reproductive system 2022;18(1):25-39. doi: 10.17650/ 1994-4098-2022-18-1-25-39. Russian (Стрункин Д.Н., Конончук В.В., Гуляева Л.Ф. Современные аспекты систематики, диагностики и лечения рака молочной железы. Опухоли женской репродуктивной системы 2022;18(1):25–39. doi: 10.17650/ 1994-4098-2022-18-1-25-39.).
  3. Adachi M., Fujioka T., Tateishi U. Detection and Diagnosis of Breast Cancer Using Artificial Intelligence Based Assessment of Maximum Intensity Projection Dynamic Contrast-Enhanced Magnetic Resonance Images. Diagnostics 2020;10(5): 330-335. doi.org/10.3390/diagnostics10050330
  4. Almalki Y., Soomro T., Ali A. Computerized Analysis of Mammogram Images for Early Detection of Breast Cancer. Healthcare 2022;10(5): 1-9. doi.org/10.3390/healthcare10050801
  5. Alruwaili M., Gouda W. Automated Breast Cancer Detection Models Based on Transfer Learning. Sensors 2022;22(3): 1-8. doi.org/10.3390/s22030876
  6. Chang Y., An J., Ryu J. Artificial Intelligence for Breast Cancer Screening in Mammography (AI-STREAM): A Prospective Multicenter Study Design in Korea Using AI-Based CADe/x. Journal Breast Cancer 2022;25(1):57-68. doi.org/10.4048/jbc.2022.25.e4
  7. Chiwome L., Okojie O., Hamid P. Artificial Intelligence: Is It Armageddon for Breast Radiologists? Cureus 2020;12(6): 1-8. doi: 10.7759/cureus.8923
  8. Dahlblom V., Andersson I., Dustler M. Artificial Intelligence Detection of Missed Cancers at Digital Mammography That Were Detected at Digital Breast Tomosynthesis. Radiology Artificial Intelligence 2021;3(6): 1-7. doi: 10.1148/ryai.2021200299
  9. Elhakim M., Graumann O., Larsen L. etal. Kunstig intelligens til cancerdiagnostik i brystkræftscreening. Ugeskr Læger 2020;182(5): 1-9
  10. Freeman K., Geppert J., Taylor-Phillips S. Use of artificial intelligence for image analysis in breast cancer screening programmes: systematic review of test accuracy. British Medical Journal 2021; 374:1-16. doi: 10.1136/bmj.n1872
  11. Geras K., Mann R., Moy L. Artificial Intelligence for Mammography and Digital Breast Tomosynthesis: Current Concepts and Future Perspectives. Radiology 2019; 293(6):246–259. doi.org/10.1148/radiol.2019182627
  12. Herent P., Schmauch B. Detection and characterization of MRI breast lesionsusing deep learning. Diagnostic and Interventional Imaging 2019;100(4): 219-225. doi.org/10.1016/j.diii.2019.02.008
  13. Hendrix N., Hauber B., Veenstra D. Artificial intelligence in breast cancer screening: primary care provider preferences. Journal of the American Medical Informatics Association 2021;28(6): 1117–1124. doi.org/10.7910/DVN/EX4NG2
  14. Hyun Yoon J., Kim E. Deep Learning-Based Artificial Intelligence for Mammography. Korean Journal Radiology 2021;22(8): 1225-1239. doi.org/10.3348/kjr.2020.1210
  15. Jiao H., Jiang X., Li L. Deep Convolutional Neural Networks-Based Automatic Breast Segmentation and Mass Detection in DCE-MRI. Computational and Mathematical Methods in Medicine Volume 2020;25(2): 1-7. doi.org/10.1155/2020/2413706
  16. Kim K., Song M., Yoon J. Clinical application of S-Detect to breast masses on ultrasonography: a study evaluating the diagnostic performance and agreement with a dedicated breast radiologist. Ultrasonography 2017; 36:3–9.
  17. Kyuwan L., Laura K., Joanne E.M. The Impact of Obesity on Breast Cancer Diagnosis and Treatment. Current Oncology Reports 2019;21(5): 1-5 doi: 10.1007/s11912-019-0787-1
  18. Lassau N., Estienne T., Vomecourt P. Five simultaneous artificial intelligence data challenges on ultrasound, CT, and MRI. Diagnostic and Interventional Imaging 2019;100(4):199-209. doi.org/10.1016/j.diii.2019.02.001
  19. Lee J., Kim K., Choi H. Improving the Performance of Radiologists Using Artificial Intelligence-Based Detection Support Software for Mammography: A Multi-Reader Study. Korean Journal Radiology 2022;23(5):505-516. doi.org/10.3348/kjr.2021.0476
  20. Marinovich M., Wylie E., Houssami N. Artificial intelligence (AI) to enhance breast cancer screening: protocol for population-based cohort study of cancer detection. British Medical Journal Open 2022;12(2): 1-7. doi:10.1136/ bmjopen-2021-054005
  21. Mehdy M., Ng P., Gomes C. Artificial Neural Networks in Image Processing for Early Detection of Breast Cancer. Computational and Mathematical Methods in Medicine 2017;5(2): 1-13. doi: 10.1155/2017/2610628
  22. Pacilè S., Lopez J., Fillard P. Improving Breast Cancer Detection Accuracy of Mammography with the Concurrent Use of an Artificial Intelligence Tool. Radiology: Artificial Intelligence 2020;2(6): 1-8. doi.org/10.1148/ryai.2020190208
  23. Park G., Kang B., Lee J. Retrospective Review of Missed Cancer Detection and Its Mammography Findings with Artificial-Intelligence-Based, Computer-Aided Diagnosis. Diagnostics 2022;12(2): 1-5. doi.org/10.3390/diagnostics12020387
  24. Plichta J., Ren Y., Thomas S. Implications for Breast Cancer Restaging Based on the 8th Edition AJCC Staging Manual. Annals of Surgery 2020;271(1): 169-176. doi: 10.1097/SLA.0000000000003071
  25. Rodriguez-Ruiz A., Lang K., Sechopoulos I. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. Journal of the National Cancer Institute 2019;111(9): 916-921. doi: 10.1093/jnci/djy222
  26. Salim M., Wahlin E., Strand F. External Evaluation of 3 Commercial Artificial Intelligence Algorithms for Independent Assessment of Screening Mammograms. JAMA Oncology 2020;6(10):1581-1588. doi: 10.1001/jamaoncol.2020.3321
  27. Schaffter T., Buist D., Jung H. Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Network Open 2020;3(3): 1-13. doi: 10.1001/jamanetworkopen.2020.0265
  28. Sechopoulos I., Mann R. Stand-alone artificial intelligence - The future of breast cancer screening? The Breast 2020;49(3): 254-260. doi.org/10.1016/j.breast.2019.12.014
  29. Sechopoulos I., Teuwen J., Mann R. Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art. Seminars in Cancer Biology 2021;72(2): 214-225
  30. Shen Y., Shamout F., Geras K. Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams. Nature Communications 2021;12(3):1-11. doi.org/10.1038/s41467-021-26023-2
  31. Tomas R., Sayat A., Atienza A. Detection of breast cancer by ATR-FTIR spectroscopy using artificial neural networks. Plos one 2022;17(1): 1-13. doi.org/10.1371/journal.pone.0262489
  32. Weitao Ha and Zahra Vahedi. Automatic Breast Tumor Diagnosis in MRI Based on a Hybrid CNN and Feature-Based Method Using Improved Deer Hunting Optimization Algorithm. Computational Intelligence and Neuroscience 2021; 19(2): 1-10. doi.org/10.1155/2021/5396327
  33. Wu G., Zhou L., Dietrich C. Artificial intelligence in breast ultrasound. World Journal Radiology 2019;11(2): 19-26. doi: 10.4329/wjr.v11.i2.19
  34. Xia Q., Cheng Y., Hu J. etal. Differential diagnosis of breast cancer assisted by S-Detect artificial intelligence system. Mathematical Biosciences and Engineering 2021;18(4): 3680-3689. doi: 10.3934/mbe.2021184
  35. Youk J., Kim E. Research Highlight: Artificial Intelligence for Ruling Out Negative Examinations in Screening Breast MRI. Korean Journal Radiology 2022;23(2): 153-155. doi.org/10.3348/kjr.2021.0912
  36. Zelst J., Tan T., Karssemeijer N. Validation of radiologists’ findings by computer-aided detection (CAD) software in breast cancer detection with automated 3D breast ultrasound: a concept study in implementation of artificial intelligence software. Acta Radiologica 2020;61(3): 312–320. doi.org/10.1177/0284185119858051

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 Scientific Bulletin of the Omsk State Medical University

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

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies