Рак легкого, согласно статистике ВОЗ, является лидером по смертности среди онкологических заболеваний. Скрининг с помощью низкодозной компьютерной томографии зарекомендовал себя в многолетних рандомизированных исследованиях как эффективная методология, которая приводит к снижению смертности от данного заболевания.
Человеческий фактор и высокая стоимость ошибки в скрининге привели к тому, что каждое исследование принято интерпретировать 2-мя врачами-рентгенологами. Даже такой увеличенный расход ресурсов на каждое скрининговое исследование пока не достигает желаемых высот качества – двойное чтение повышает шансы на обнаружение легочных узлов размером от 1 до 18 мм с 63% до 74% [1].
Исследования применения искусственного интеллекта (ИИ) в скрининге рака легкого называют позитивным результатом тот факт, что ИИ может выявлять легочные узлы, которые может пропускать человек. Благодаря внедрению ИИ научное сообщество ожидает получить пользу в виде увеличения выявляемости рака легкого на ранних стадиях и надеется на предотвращение большего количества смертей от рака легкого, а также на повышение экономической эффективности. Доказано, что, когда у врача-рентгенолога при интерпретации результатов исследований есть возможность ознакомиться с результатами анализа ИИ, средняя и медианная длительности описания уменьшаются на 29% и 55%. В то же время, как показало исследование, опубликованное в научном журнале Lung Cancer 2022 [2], применение ИИ при выявлении рака легких может освобождать врача от 86,7% нагрузки.
«Тот факт, что в скрининге постепенно расширяются возрастные критерии и допустимо участие более молодых пациентов с меньшим стажем курения, приводит к увеличению количества людей, которые смогут претендовать на участие в скрининговых программах. Значительная часть работы скрининга в таком случае связана с дополнительным расходованием ресурсов рентгенологов, которые вынуждены просматривать результаты исследований без патологии. По всей видимости, будущее скрининга будет неразрывно связано с внедрением ИИ», – отметил Виктор Гомболевский.
Скрининг, как и любая другая медицинская практика, предполагает наличие баланса вреда и пользы. В большинстве случаев соотношение этих факторов связано с группой риска пациентов, однако, это не единственный важный элемент, влияющий на баланс пользы и вреда. Например, обычно большая часть людей, участвующих в скрининге, получают результаты нормы от врачей. Но применение ИИ приведет к сокращению нормы за счет выявления находок, которые врачи без ИИ могли бы пропустить.
Включение ИИ в скрининг может непредсказуемо изменить баланс. Ввиду того, что главные доказательства работы скрининга требуют многолетних исследований, повышается риск узнать о возможном дисбалансе позже необходимого срока. Сегодняшние ИИ-сервисы настолько быстро обновляются, что к тому моменту, когда врачи получат многолетний результат рандомизированных исследований скрининга с ИИ против скрининга без ИИ, используемое программное обеспечение может устареть и справедливым будет проведение новых исследований с новыми версиями ИИ-сервисов. Чтобы продолжать улучшение, необходимо попытаться решить проблему гонки развития технологий и изучения баланса вреда и пользы, а также разрабатывать и использовать новые прогрессивные дизайны исследований и улучшать масштабируемость и адаптивность самих технологий.
С целью изучения возможностей развития технологий ИИ для анализа медицинских изображений в Институте Искусственного Интеллекта AIRI работают исследовательские группы анализа медицинских изображений и общего медицинского компьютерного зрения, которые ведут работу над созданием датасетов и новых алгоритмов.
Материал подготовлен в рамках проекта «Медицина в точке бифуркации». Проект поддержан грантом Минобрнауки России в рамках федерального проекта «Популяризация науки и технологий»
Источники
1. Wormans D., Ludwig K., Beyer F., Heidel W., Diederich S. (2015). Detection of pulmonary nodules at multirowdetector CT: effectiveness of double reading to improve sensitivity at standard-dose and low-dose chest CT. Eur Radiol. 15:14–22.
2. Lancaster H.L., Zheng S., Aleshina O.O., Yu D., Yu Chernina V., Heuvelmans M.A., de Bock G.H., Dorrius M.D., Willem Gratama J., Morozov S.P., Gombolevskiy V.A., Silva M., Yi J., & Oudkerk M. (2022). Outstanding negative prediction performance of solid pulmonary nodule volume AI for ultra-LDCT baseline lung cancer screening risk stratification. Lung cancer (Amsterdam, Netherlands). 165:133–140. DOI:10.1016/j.lungcan.2022.01.002
