Проблемы социальной гигиены, здравоохранения и истории медициныПроблемы социальной гигиены, здравоохранения и истории медицины0869-866X2412-2106Joint-Stock Company Chicot237910.32687/0869-866X-2025-33-5-1203-1209Научная статьяРазработка алгоритма интеллектуальной системы поддержки принятия решений для маммографической диагностики рака молочной железы на основе сверхточной нейронной сетиОсмановЭ. М.ТуктамышеваЛ. М.МаньяковР. Р.ПивовароваК. В.ГараеваА. С.КоркмазоваЛ. Х.ДрепинВ. В.ЗубайраеваЯ. С.ФГАОУ ВО «Первый Московский государственный медицинский университет имени И. М. Сеченова» Минздрава России (Сеченовский Университет), 119991, г. МоскваГБУЗ «Тамбовская областная детская клиническая больница», 392000, г. ТамбовФГБОУ ВО «Оренбургский государственный университет», 460000, г. ОренбургФГБОУ ВО «Елецкий государственный университет имени И. А. Бунина», 399770, г. Елец081120253351203120912112025Copyright © 2025, АО "Шико"2025Цель исследования состоит в обучении моделей CNN для автоматической идентификации точечных функций визуализации для различия изображений маммографии, принадлежащих к негативным, ложно доброкачественным и злокачественным случаям, направленным на улучшение интерпретации результатов маммографических исследований. Предложен подход, основанный на автоматическом глубоком обучении (использовании сверточной нейронной сети — СНС, англ. convolutional neural network, CNN), позволяющий выявлять небольшие различия маммографических снимков для диагностирования истинно положительных и ложноположительных результатов. Информационная база обучения нейронной сети представлена цифровой базой (открытый ресурс для методов интеллектуального исследования анализа изображений маммографий) данных скрининга маммографии Массачусетской больницы общего профиля (MGH) и медицинского колледжа в Уинстон-Сейлеме (WFUSM) США. Доля ложноположительных результатов по обученной модели в общем числе обследованных по разным возрастным группам составила от 22 до 32%, для сравнения: доля ложноположительных результатов на основе расшифровки маммографического изображения медицинским специалистом колебалась от 34 до 53%. Обученная модель на основе сверточной нейронной сети может быть использована для маммографических снимков любой базы. Предсказательная точность модели зависит в том числе от объема обучающей выборки, следовательно, формирование открытых баз результатов маммографических исследований с точно установленным диагнозом позволит в дальнейшем широко применять возможности глубокого обучения в медицинской практике. Исследование имеет большой потенциал для включения глубокого изучения искусственного интеллекта в клиническую практику скрининга рака молочной железы и улучшения интерпретации маммографических снимков.convolutional neuronic networkmammographybreast cancer, artificial intelligenceмаммографиярак молочной железыискусственный интеллект[Аминодова И. П., Васильев М. Д., Перминова Е. В. Комплексный подход к обследованию пациенток при диагностике доброкачественных заболеваний и рака молочной железы. Проблемы социальной гигиены, здравоохранения и истории медицины. 2020;(6):1349—54. doi: 10.32687/0869-866X-2020-28-6-1349-1354][Морозов С. П., Ветшева Н. Н., Овсянников А. Г. Московский скрининг: организация маммографического скрининга как способ повысить выявляемость рака молочной железы на ранних стадиях. Проблемы социальной гигиены, здравоохранения и истории медицины. 2019;27:623—9. doi: 10.32687/0869-866X-2019-27-si1-623-629][Tabar L., Fagerberg G., Chen H. H. Efficacy of breast cancer screening by age: New results from the Swedish Two-County Trial. Cancer. 1995;75(10):2507—17. doi: 10.1002/1097-0142(19950515)75:10<2507::aid-cncr2820751017>3.0.co;2-h][Siu A. L.; U. S. Preventive Services Task Force. Screening for Breast Cancer: U. S. Preventive Services Task Force Recommendation Statement [published correction appears in Ann Intern Med. 2016 Mar 15;164(6):448]. Ann. Intern. Med. 2016;164(4):279—96. doi: 10.7326/M15-2886][Coldman A., Phillips N., Wilson C. Pan-Canadian study of mammography screening and mortality from breast cancer [published correction appears in J Natl Cancer Inst. 2015 Jan;107(1):dju404 doi:10.1093/jnci/dju404]. J. Natl. Cancer Inst. 2014;106(11):dju261. doi: 10.1093/jnci/dju261][Lehman D., Arao R. F., Sprague B. L. National Performance Benchmarks for Modern Screening Digital Mammography: Update from the Breast Cancer Surveillance Consortium Constance. Radiology. 2017;283(1):49—58. doi: 10.1148/radiol.2016161174][Silverstein M. J., Lagios M. D., Recht A. Image-detected breast cancer: state of the art diagnosis and treatment. J. Am. Coll. Surg. 2005;201(4):586—97. doi: 10.1016/j.jamcollsurg.2005.05.032][Wu N., Geras K. J., Shen Y., Su J., Kim S. G., Kim E., Wolfson S., Moy L., Cho K. Breast Density Classification with Deep Convolutional Neural Networks. In: 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE Press; 2018. P. 6682—6. doi: 10.1109/ICASSP.2018.8462671][Ручай А. Н., Кобер В. И., Дорофеев К. А. Классификация патологий молочной железы с использованием глубокой сверточной нейронной сети и трансферного обучения. Информационные процессы. 2020;(4):357—65.][Wang X., Liang G., Zhang Y., Blanton H., Bessinger Z., Jacobs N. Inconsistent Performance of Deep Learning Models on Mammogram Classification. J. Am. Coll. Radiol. 2020;17(6):796—803. doi: 10.1016/j.jacr.2020.01.006][Tsochatzidis L., Costaridou L., Pratikakis I. Deep Learning for Breast Cancer Diagnosis from Mammograms — A Comparative Study. J. Imaging. 2019;5(3):37. doi: 10.3390/jimaging5030037][Kim J., Sangjun O., Kim Y., Lee M. Convolutional Neural Network with Biologically Inspired Retinal Structure. Procedia Computer Science. 2016;88:145—54. doi: 10.1016/j.procs.2016.07.418][Matsugu M., Mori K., Mitari Y., Kaneda Y. Subject independent facial expression recognition with robust face detection using a convolutional neural network. Neural Netw. 2003;16(5-6):555—9. doi: 10.1016/S0893-6080(03)00115-1][Abdelhafiz D., Yang C., Ammar R., Nabavi S. Deep convolutional neural networks for mammography: Advances, challenges and applications. BMC Bioinformatics. 2019;20:281. doi: 10.1186/s12859-019-2823-4][Heath M., Bowyer K., Kopans D., Moore R., Kegelmeyer P. Jr. The digital database for screening mammography. Режим доступа: http://www.eng.usf.edu/cvprg/Mammography/software/HeathEtAlIWDM_2000.pdf (дата обращения 12.02.2021).][Heath M., Bowyer K., Kopans D., Moore R., Kegelmeyer P. Jr., Moore R., Chang K., Munishkumaran S. Digital database for screening mammography: 1998. Режим доступа: http://www.eng.usf.edu/cvprg/Mammography/software/HeathEtAlIWDM_1998.pdf (дата обращения 12.02.2021).][Бермишева М. А., Богданова Н. В., Гилязова И. Р. Этнические особенности формирования генетической предрасположенности к развитию рака молочной железы. Генетика. 2018;(2):233—42 doi: 10.7868/S0016675818020042][Inuzuka M., Watanabe T., Yotsumoto J. Analysis of clinical characteristics in breast cancer patients with the Japanese founder mutation of BRCA1 L63X. J. Clin. Oncol. 2015;33(28_suppl):22. doi: 10.1200/jco.2015.33.28_suppl.22][Loizidou M. A., Hadjisavvas A., Pirpa P. BRCA1 and BRCA2 mutation testing in Cyprus; a population based study. Clin. Genet. 2017;91(4):611—5. doi: 10.1111/cge.12886][Абдураимов А. Б., Михайлова З. Ф., Лесько К. А. Выбор стратегии скрининга рака молочной железы у женщин старших возрастных групп. Клиническая геронтология. 2018;1—2(24):8—15. doi: 10.26347/1607-2499201801-02008-015]