Цель 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.

маммография, рак молочной железы, искусственный интеллект.