Double reading mammograms using artificial intelligence technologies: a new model of mass preventive examination organization
- Authors: Vasilev Y., Tyrov I., Vladzymyrskyy A., Arzamasov K., Shulkin I., Kozhikhina D., Pestrenin L.1
-
Affiliations:
- Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы», г. Москва, Российская Федерация
- Section: Original Study Articles
- URL: https://jdigitaldiagnostics.com/DD/article/view/321423
- DOI: https://doi.org/10.17816/DD321423
Cite item
Full Text
Abstract
Aims: The aim of the study is to justify the possibility and effectiveness of using software based on artificial intelligence technology for the first interpretation of digital mammograms while maintaining the practice of the second description of X-ray images by a radiologist.
Materials and methods: A data set of 100 digital mammography studies (50 – «Normal», 50 – with signs of malignant neoplasms – «Not normal») was processed by software based on artificial intelligence technology registered in the Russian Federation as a medical device. ROC analysis was performed.
Results: When set to 80.0% sensitivity: AI specificity was 90.0% (95% CI: 81.7-98.3), accuracy 85.0% (95% CI: 78.0-92.0). When set to 100% specificity: AI showed sensitivity of 56.0% (95% CI: 42.2-69.8), accuracy of 78.0% (95% CI: 69.9-86.1). When set to 100% sensitivity: AI specificity was 54.0% (95% CI: 40.2-67.8), accuracy 77.0% (95% CI: 68.8-85.2). Two approaches have been proposed that provide for an autonomous first interpretation of digital mammography using AI. The first approach is to evaluate the X-ray image using AI with a higher sensitivity than that of the mammograms double reading by radiologists, with a comparable level of specificity. The second approach implies that the software based on artificial intelligence technology will determine the mammograms category ("Normal" or "Not normal"), indicating the degree of its "confidence" in the obtained result, depending on the corridor into which the predicted value falls.
Conclusions: Both proposed approaches for the use of software based on artificial intelligence technology for the purpose of autonomous first interpretation of digital mammograms are able to provide diagnostic quality that is not inferior to the images double reading by radiologists, and even exceeds it. The economic benefit from the practical implementation of this approach nationwide can range from 0.6 to 5.5 billion rubles annually.
Full Text
Обоснование
Злокачественные новообразования молочной железы (ЗНО) представляют собой значимую медицинскую, социально-экономическую и демографическую проблему, будучи ведущей онкологической патологией и лидером в структуре смертности у женского населения. С 2011 по 2019 гг. наблюдался устойчивый рост заболеваемости (от 45,24 до 53,34 на 100 тыс. населения соответственно); в 2020 г. отмечается резкое её снижение до 47,39 на 100 тыс. населения с возобновлением роста в 2021 г. [1]. Такая динамика объясняется приостановкой программ массовых профилактических осмотров в период пандемии COVID-19. С одной стороны, ситуация полностью обоснованная, с другой – демонстрирует уязвимость системы здравоохранения. Вынужденное перераспределение ресурсов негативно сказалось на скрининге социально-значимых заболеваний. Но и вне контекста пандемии своевременность выявления ЗНО молочной железы остается неудовлетворительной. Крайне высок показатель запущенности – в более 27,0% случаев ЗНО выявляется на поздних (III-IV) стадиях. Обращает на себя внимание положительная тенденция – устойчивый рост индекса накопления контингента больных с ЗНО молочной железы. В 2011 г. соответствующий показатель составлял 9,5, в 2021 г. – уже 11,9. Это свидетельствует о планомерном улучшении качества и эффективности методов лечения ЗНО молочной железы [2].
Таким образом, требуется развитие массовых профилактических исследований: как с точки зрения увеличения охвата и вовлеченности населения, производительности, качества, экономической эффективности, так и с позиций формирования устойчивости и бесперебойной доступности. Реализация указанных задач, на фоне явного прогресса методов лечения, позволит получить принципиально новые результаты в преодолении проблемы ЗНО молочной железы.
В настоящее время самый распространенный способ скрининга ЗНО – рентгеновская маммография (ММГ).
Действующими нормативно-правовыми актами предусматривается двойной просмотр результатов профилактической ММГ. Это означает, что изображения каждой обследованной должны быть независимо интерпретированы и описаны двумя врачами-рентгенологами.
Целесообразность такого подхода неоднократно подтверждена как отечественными, так и зарубежными авторами. Объединенная частота выявления патологических изменений при двойном просмотре выше. Однократный просмотр снижает чувствительность по сравнению с двойным просмотром для всех категорий BI-RADS. Более того, отказ от двойного просмотра несет разнообразные негативные последствия для обследуемых женщин [3, 4].
Вместе с тем двойной просмотр чреват определенными негативными аспектами:
- Ресурсоёмкость. В условиях первичного звена здравоохранения необходимо задействовать двух врачей-рентгенологов для описаний каждого профилактического исследования. При том, что подавляющее большинство любых скрининговых исследований относятся к категории «норма». Существует риск сокрытия кадрового дефицита за счет приписок и иных манипуляций, что в конечном счете негативно сказывается на здоровье женского населения. Вместе с тем, реальная потребность в объеме профилактических ММГ и темпы наращивания парка оборудования принципиально превышают все возможности по увеличению количества кадров.
- Качество. Интерпретация результатов маммографии требует специальных навыков, фактически, является субспециализацией современной рентгенологии. Это только усугубляет проблему кадрового дефицита – «механическое» наращивание числа врачей-рентгенологов не решит проблему качественного и своевременного выявления ЗНО молочной железы.
- Несовершенная система финансирования. Использование двойного тарифа, то есть последовательная оплата двух услуг применима только в случаях наличия отдельного тарифа на описание результатов ММГ; соответственно, одна услуга включает выполнение и описание ММГ, вторая – только описание. В противоположном случае осуществляется некорректное финансирование (оплачиваются две услуги, включающие как выполнение, так и описание ММГ). Более распространена ситуация недофинансирования медицинских организаций: услуга выполнения и описания оплачивается однократно, второе описание не оплачивается.
Потенциально, указанные проблемы могут быть решены за счет автоматизации – применения технологий искусственного интеллекта (ТИИ) для интерпретации результатов ММГ.
В научной литературе есть доказательные данные о высоком качестве соответствующих технических решений. Фактически, ряд продуктов на основе ТИИ по своей диагностической точности в выявлении определенных рентгенологических признаков идентичен среднестатистическому врачу-рентгенологу. Так, объединенная чувствительность, специфичность и площадь под характеристической кривой составляют для автоматизированного анализа - 75,4%, 90,6% и 0,89, для врача-рентгенолога – 73,0%, 88,6%, 0,85 (статистически значимые различия отсутствуют) [5]. По данным мета-анализа, объединенная чувствительность, специфичность и площадь под характеристической кривой для автоматизированного анализа ММГ составляет 91,4%, 91,6%, 94,5% соответственно [6]. Коэффициенты сходства IoU точности локализации патологических находок, отсегментированных нейросетевой моделью и врачом-рентгенологом, составляют 0,86 и 0,96 соответственно [7].
Однако, на наш взгляд, в контексте скрининга ЗНО молочной железы ТИИ должны внедряться не просто в качестве дискретных систем поддержки принятия врачебных решений, но в виде автоматизированных процессов.
Цель
Обосновать модель организации массовых профилактических исследований методом маммографии с применением технологий искусственного интеллекта.
Методы
Исследование было выполнено в рамках «Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы» (далее – Московский Эксперимент), проводимого с 2020 г. при поддержке Правительства Москвы (mosmed.ai) [8].
Дизайн исследования: смешанный (количественный компонент – ретроспективное диагностическое исследование, качественный компонент – аналитическое исследование).
Технологии искусственного интеллекта
Для применения в клинической практике программное обеспечение на основе технологий искусственного интеллекта (ПО на основе ТИИ) должно быть зарегистрировано как медицинское изделие. В Российской Федерации статусами медицинских изделий обладают программные продукты на основе технологий ИИ, предназначенные для автоматизированного анализа результатов маммографии от компании ООО «Медицинские скрининг системы» (РЗН 2021/14449), а также ООО «Платформа Третье Мнение» (РЗН2022/16534).
В исследовании использовалось медицинское изделие, представляющее собой ПО на основе ТИИ – продукт одной из указанных выше компаний. В рамках научного Московского Эксперимента ПО на основе ТИИ было интегрировано в Единый радиологический информационный сервис Единой медицинской информационно-аналитической системы г. Москвы (ЕРИС ЕМИАС). ПО на основе ТИИ принимало на вход цифровую маммографию в формате DICOM, анализировало её и возвращало в качестве ответа текстовое описание (DICOM SR), изображение с разметкой патологических областей (DICOM SC), вероятность наличия патологии в исследовании в целом. Результаты анализа, выполненного ПО на основе ТИИ, становились доступны в ЕРИС ЕМИАС наравне с исходными результатами исследования. Для исследования использовались значения вероятности патологии (вероятность наличия злокачественного процесса) в исследовании в целом, оценка корректности выставления BI-RADS, а также точность локализации патологических находок в настоящем исследовании не проводилась.
Набор данных
В проведенное нами исследование было включено 100 цифровых маммограмм, из которых с патологией – 50. Присвоение исследованиям категории «Норма» или «Не норма» происходило на основании консенсуса двух экспертов (врачей-рентгенологов со стажем более 5 лет). В качестве целевой патологии рассматривались патологические признаки на ММГ, соответствующие 3, 4 и 5 категориям BI-RADS – «Не норма». При классификации исследования «Норма» подразумевалось отсутствие подозрения на ЗНО молочной железы, т.е. наличие категории BI-RADS 1 или 2.
Этическая экспертиза
Данное исследование основано на результатах Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы, утвержденного этическим комитетом (выписка из протокола №2 НЭК МРО РОРР от 20 февраля 2020 года), также зарегистрированного на ClinicalTrials (NCT04489992).
Статистический анализ
Методы статистического анализа данных: Для обработки полученных данных использовали метод построения и анализа характеристической кривой (ROC-анализа) посредством специально разработанного web-инструмента https://roc-analysis.mosmed.ai/ [9, 10]. Истинные значения были представлены бинарной разметкой исследований (0 – отсутствие патологии, 1 – наличие целевой патологии). Результатом являлась вероятность наличия патологии, определенная ПО на основе ТИИ. Полученные данные в csv формате загружали в электронную форму, после чего web-инструмент выполнял построение характеристической кривой. В интерактивном режиме определяли пороговые значения, соответствующие самой крайней левой точке с чувствительностью 100% и самой крайней правой экспериментальной точке со специфичностью 100%. В дальнейшем проводился анализ остальных метрик диагностической точности для установленного порогового значения. Для анализа использовали термины классической четырёхпольной таблицы. Истинно-положительным (ИП) считалось верное отнесение ММГ к группе «Не норма», истинно-отрицательным (ИО) считалось верное отнесение ММГ к группе «Норма». Ложно-положительным (ЛП) считалось ошибочное отнесение ММГ из группы «Норма» к группе «Не норма», а ложно-отрицательным (ЛО) считался результат отнесения ММГ из группы «Не норма» к группе «Норма».
Все статистические показатели, представленные в результатах, рассчитаны с 95% доверительным интервалом методом случайных выборок с возвратом (т.н. «бутстреппинга» от англ. «bootstrapping») с количеством итераций 1000.
Результаты
Нами предлагается следующая модель. Исследование «профилактическая рентгеновская маммография» назначает лечащий врач в соответствии с действующими нормативно-правовым актами, клиническими рекомендациями. Непосредственно выполняет исследование рентгенолаборант. Результаты исследования в цифровом виде поступают в архив медицинских изображений в составе медицинской информационной системы медицинской организации и/или информационной системы в сфере здравоохранения субъекта РФ. Первый просмотр выполняется программным обеспечением (медицинским изделием на основе технологий искусственного интеллекта, допущенным к обращению в установленном порядке). В результате первого просмотра в информационной системе формируется электронная медицинская запись1, полученная в автоматическом режиме и содержащая: а) отдельную серию изображений с графической маркировкой и/или температурной картой областей с патологическими изменениями при их наличии; б) структурированный отчет, краткое руководство пользователя, заключение, детализацию и вероятность наличия патологических изменений. Второй просмотр выполняется врачом-рентгенологом. В результате второго просмотра в информационной системе формируется электронный медицинский документ - протокол описания и заключение.
Выполнено исследование возможности обеспечения ПО на основе ТИИ требуемого уровня диагностической точности.
Характеристическая кривая, отражающая работу исследуемого ПО на основе ТИИ, представлена на рисунке 1.
Рисунок 1. Характеристическая кривая ПО на основе ТИИ. Заливкой показан 95% доверительный интервал. Отдельно выделены экспериментальные значения, соответствующие 100,0% чувствительности (А), 100,0% специфичности (Б) и 80,0% чувствительности (В). Для каждой из этих экспериментальных точек в прямоугольнике указаны значения метрик диагностической точности при соответствующем пороговом значении.
Распределение ММГ по группам (ИП, ИО, ЛО, ЛП) в зависимости от выбранного порогового значения представлено в таблице 1.
Таблица 1. Четырехпольная таблица для разных пороговых значений
Группа | Количество исследований | Результат | 100% чувствительность | 100% специфичность | Сбалансированная чувствительность и специфичность |
«Не норма» | 50 | Истинно- положительный | 50 | 28 56,0%** | 40 80,0%** |
Ложно-положительный | 23 | 0 | 5 | ||
«Норма» | 50 | Истинно- отрицательный | 27 54,0%* | 50 | 45 90,0%* |
Ложно- Отрицательный | 0 | 22 | 10 |
* – Процент истинно-отрицательных результатов рассчитан относительно объема группы «Норма». ** – Процент истинно-положительных результатов рассчитан относительно объема группы «Не норма».
При выставлении порогового значения, соответствующего 100,0% специфичности (пороговое значение 0,93), ИИ корректно определил ММГ из группы «Не норма», т.е. отсутствовали ложно-положительные срабатывания. Из 50 ММГ, которые были в группе «Не норма», при указанной настройке порогов ИИ корректно определил 28 исследований (56,0%). Для таких настроек ПО на основе ТИИ получаем следующие значения метрик диагностической точности: чувствительность 56,0% (95% ДИ: 42,2-69,8), специфичность 100,0% (95% ДИ: 100,0-100,0), точность 78,0% (95% ДИ: 69,9-86,1).
При выставлении порогового значения, соответствующего 100% чувствительности (пороговое значение 0,25), ложно-отрицательные результаты отсутствовали, а количество истинно-отрицательных составило 27 (54,0% от всех исследований группы «Норма»). При такой настройке ПО на основе ТИИ получаем чувствительность 100,0% (95% ДИ: 100,0-100,0), специфичность 54,0% (95% ДИ: 40,2-67,8), точность 77,0% (95% ДИ: 68,8-85,2).
При выставлении порогового значения, руководствуясь методом максимизации индекса Юдена (пороговое значение 0,82), значение чувствительности составило 80,0%, количество истинно-отрицательных результатов составило 45 (90,0% от всех исследований группы «Норма»), а количество истинно-положительных – 40 (80,0% от всех исследований группы «Не норма»). При такой настройке ПО на основе ТИИ получаем чувствительность 80,0% (95% ДИ: 68,9-91,1), специфичность 90,0% (95% ДИ: 81,7-98,3), точность 85,0% (95% ДИ: 78,0-92,0).
Обсуждение
Резюме основного результата исследования
Для ПО на основе ТИИ, используемого при реализации услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта», выставление разных пороговых значений позволяет установить значения метрик чувствительности, специфичности и точности, соответствующие или превышающие таковые для двойного чтения ММГ врачами-рентгенологами.
Обсуждение основного результата исследования
В РФ ежегодно выполняется около 8,2 млн. профилактических ММГ [11], двойная оценка которых требует значительного количества временных, кадровых и финансовых ресурсов. Использование ПО на основе ТИИ для первого просмотра ММГ позволит уменьшить вышеуказанные затраты с одновременным сохранением или даже улучшением качества диагностики. Предлагается рассмотреть два подхода к настройке ПО на основе ТИИ для первого просмотра ММГ.
Первый подход предполагает использование ПО на основе ТИИ со сбалансированными значениями чувствительности и специфичности. В нашем случае, чувствительность ПО на основе ТИИ составила 80,0%, что превышает чувствительность двойного просмотра ММГ врачами-рентгенологами, определенную в обзорных публикациях (72,0-73,0%) [5, 6]. При этом специфичность работы ИИ (90,0%), полученная в ходе нашего исследования, не уступает специфичности работы двух врачей-рентгенологов (88,0-98,0%) [5, 6]. Также, ожидается, что ПО на основе ТИИ в сочетании с оценкой одного рентгенолога будет обладать более высокой общей точностью интерпретации ММГ по сравнению с интерпретацией только одним рентгенологом, что подтверждается рядом научных публикаций [12-14]. Результатом работы ПО на основе ТИИ при данном подходе будет электронная медицинская запись, содержащая заключение о категории изображения («Норма» или «Не норма»).
Второй подход подразумевает, что ПО на основе ТИИ будет определять категорию изображения («Норма» или «Не норма») с указанием степени своей «уверенности» в полученном результате. Общая концепция метода представлена на рисунке 2.
Рисунок 2. Концепция подхода к первому описанию ММГ с помощью ИИ, в основе которой лежит бинарная классификация изображений с указанием степени «уверенности» ПО на основе ТИИ в полученных результатах
Как упоминалось в разделе «результаты», при построении ROC-кривой для ПО на основе ТИИ были определены пороговые значения (cut-off value) для предсказанных значений при 100% чувствительности и 100% специфичности (0,25 и 0,93 соответственно). На основе этих данных предлагается относить предсказанное значение к одному из трех коридоров, которые соответствуют разным результатам классификации и разной степени «уверенности» ПО на основе ТИИ в них:
- «Зеленый коридор»: предсказанные значения, которые находятся в диапазоне от 0 до 0,25, соответствуют категории «Норма» с уверенностью 100%;
- «Красный коридор»: предсказанные значения, которые находятся в диапазоне от 0,93 до 1,0, соответствуют категории «Не норма» с уверенностью 100%;
- «Желтый коридор»: предсказанные значения, которые находятся в диапазоне от 0,25 до 0,93 включительно, соответствуют категории «Норма» или «Не норма», но вероятность правильности классификации меньше 100%.
Предсказанное значение и цвет коридора, в который оно попадает, предлагается добавить в описание ММГ, выполненное ПО на основе ТИИ. При наличии этой информации врач-рентгенолог, который описывает изображение с результатами работы ПО на основе ТИИ, будет знать, насколько можно доверять результатам его работы. С одной стороны, это поможет врачу сохранять повышенную бдительность при описании ММГ из «желтого коридора». С другой стороны, подобный подход в долгосрочной перспективе может повысить доверие врачей-рентгенологов к результатам работы ПО на основе ТИИ. Это связано с тем, что ИИ даже при текущем высоком уровне точности пока не способен однозначно правильно классифицировать 100% анализируемых изображений.
Преимуществом второго подхода является не только способность ИИ отнести часть ММГ к категории «Норма» или «Не норма» со 100% степенью «уверенности» («зеленый» и «красный» коридоры для предсказанных значений), но и возможность изменения порогового значения с целью балансировки чувствительности и специфичности ПО на основе ТИИ для анализа ММГ, попадающих в «желтый коридор». В зависимости от клинической задачи можно установить более высокую чувствительность, которая обеспечит лучшую выявляемость патологии при наименьшем количестве ЛО результатов, или – более высокую специфичность для уменьшения количества ЛП результатов (таблица 2).
Таблица 2. Чувствительность и специфичность разных подходов к анализу маммограмм
Анализ результатов профилактической маммографии | Чувствительность | Специфичность |
Двойной просмотр врачами* | 72,0-73,0% | 88,0%-98,0% |
Первый подход с использованием ИИ для первого прочтения ММГ (бинарная классификация) | 80,0% | 90,0% |
Второй подход с использованием ИИ для первого прочтения ММГ (бинарная классификация со степенью «уверенности») при пороговом значении 0,61 | 92,0% | 78,0% |
Второй подход с использованием ИИ для первого прочтения ММГ (бинарная классификация со степенью «уверенности») при пороговом значении 0,90 | 72,0% | 98,0% |
* по литературным данным [5, 6]
Результаты проведенного исследования демонстрируют возможность автономного применения ПО на основе ТИИ для первого прочтения ММГ. Тем не менее, в дальнейшем необходимо оптимизировать программное обеспечение для более эффективного выявления «Нормы» и «Не нормы».
Экономическое обоснование двойного просмотра результатов маммографии с применением технологий искусственного интеллекта
В рамках исследования проанализировали тарифные соглашения на оплату медицинской помощи, оказываемой по территориальной программе обязательного медицинского страхования, принятые в регионах РФ на 2023 год.
В 19 субъектах РФ (22,4% от количества всех субъектов РФ) отдельно выделена стоимость медицинской услуги A06.20.004 Маммография, которая проводится в рамках диспансеризации. В четырех субъектах из 19 также определена стоимость медицинской услуги A06.30.002 Описание и интерпретация рентгенографических изображений (при повторном описании маммографии).
Во всех остальных субъектах РФ первый этап диспансеризации взрослого населения учитывается комплексной услугой без уточнения стоимости входящей в него маммографии.
Стоимость медицинской услуги по описанию ММГ варьирует от 114,97 рублей до 1034,93 рублей.
По состоянию на 01 марта 2023 года медицинская услуга «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» применяется только в рамках Московского эксперимента [8]. Согласно тарифному соглашению на оплату медицинской помощи, оказываемой по территориальной программе обязательного медицинского страхования города Москва, стоимость данной медицинской услуги составляет 239,00 руб2.
В рамках настоящего исследования проанализировали два подхода к определению необходимого размера финансирования скрининговых ММГ в пределах территории РФ.
Первый подход заключался в выполнении расчетов на основе стоимости медицинских услуг в Москве на 2023 год. Стоимость одного описания ММГ врачом-рентгенологом составляет 178,00 руб. Следовательно, двойное описание каждой ММГ врачами-рентгенологами будет стоить 356,00 руб. В свою очередь, стоимость описания ММГ искусственным интеллектом и врачом-рентгенологом, как было упомянуто выше, составляет 239,00 рублей. Таким образом, при среднем количестве ежегодных ММГ в России 8,2 млн. стоимость двойного их описания врачами-рентгенологами составит 2,9 млрд. руб., а стоимость описания ИИ и врачом-рентгенологом – 1,9 млрд. руб. Потенциальная экономия средств за счет использования ПО на основе ТИИ может составить 1,0 млрд. руб. ежегодно.
Второй подход заключался в выполнении расчетов на основе стоимости медицинских услуг в субъектах РФ на 2023 год. Также учитывался процент экономии средств при интерпретации ММГ ИИ и врачом-рентгенологом по сравнению с двойной интерпретацией врачами-рентгенологами в Москве, который составил
При стоимости медицинской услуги по описанию ММГ врачом-рентгенологом в субъектах РФ от 114,97 рублей до 1034,93 рублей двойные описания ММГ врачами-рентгенологами стоят от 229,94 рублей до 2069,86 рублей. Предполагая, что интерпретация ММГ ИИ и врачом-рентгенологом в субъектах РФ будет так же, как и в Москве, дешевле двойного описания врачами-рентгенологами на 32,8%, получаем стоимость описания ММГ ИИ и врачом-рентгенологом в пределах от 154,51 рублей до 1390,94 рублей. Таким образом, при среднем количестве ежегодных ММГ в России 8,2 млн. стоимость двойного описания врачами-рентгенологами составит от 1,8 до 16,9 млрд. руб., а стоимость описания ИИ и врачом-рентгенологом – от 1,2 до 11,4 млрд. руб. Потенциальная экономия средств за счет использования ПО на основе ТИИ на общегосударственном уровне может составить от 0,6 до 5,5 млрд. руб. ежегодно.
Ограничения исследования
Значения метрик диагностической точности получены для версий ПО на основе ТИИ, актуальных на конец 2022 года.
Заключение
Показана возможность и доказана перспективность применения технологий искусственного интеллекта для первого описания маммографических изображений. Медицинское изделие – программное обеспечение на основе ТИИ – обладает чувствительностью и специфичностью, равной чувствительности и специфичности работы двух врачей-рентгенологов, или превосходящие их. Модель применения ПО на основе ТИИ в качестве первого чтения в сочетании с вторым прочтением врачом-рентгенологом позволяет в масштабе всей страны получить экономическую выгоду от реализации в объеме от 0,6 до 5,5 млрд. рублей ежегодно.
Дополнительная информация.
Источник финансирования. Исследование выполнено в рамках государственного задания «Научные методологии устойчивого развития технологий искусственного интеллекта в медицинской диагностике».
Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Участие авторов.
Авторы (Фамилия И.О.) | Участие |
Васильев Ю.А. | Концепция и дизайн исследования, финальная вычитка текста |
Тыров И.А. | Концепция исследования, финальная вычитка текста |
Владзимирский А.В. | Концепция и дизайн исследования, написание и редактирование текста |
Арзамасов К.М. | Концепция и дизайн исследования, анализ полученных данных, написание и редактирование текста |
Шулькин И.М. | Дизайн исследования, сбор и обработка материалов, финальная вычитка текста |
Кожихина Д.Д. | Дизайн исследования, сбор и обработка материалов |
Пестренин Л.Д. | Анализ полученных данных, написание текста |
Все авторы внесли значимый вклад в проведение исследования и подготовку статьи, прочли и одобрили финальную версию статьи перед публикацией.
1 Медицинские записи, полученные в автоматическом режиме в результате применения медицинских изделий, допущенных к обращению, не требуют подписания электронной подписью медицинского работника (в соответствии с Приказом Министерства здравоохранения РФ от 7 сентября 2020 г. N 947н «Об утверждении Порядка организации системы документооборота в сфере охраны здоровья в части ведения медицинской документации в форме электронных документов»).
2 Тарифное соглашение на оплату медицинской помощи, оказываемой по Территориальной программе обязательного медицинского страхования города Москвы на 2023 год. Москва; 2023
About the authors
Yuriy Vasilev
Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
SPIN-code: 4458-5608
Ilya Tyrov
Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0001-9337-624X
Anton Vladzymyrskyy
Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-code: 3602-7120
Kirill Arzamasov
Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-code: 3160-8062
Igor Shulkin
Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-7613-5273
SPIN-code: 5266-0618
Daria Kozhikhina
Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0001-7690-8427
SPIN-code: 5869-3854
Lev Pestrenin
Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы», г. Москва, Российская Федерация
Author for correspondence.
Email: PestreninLD@zdrav.mos.ru
ORCID iD: 0000-0002-1786-4329
Младший научный сотрудник
Russian FederationReferences
- Kaprin AD, Starinsky VV, Shahzadova AO, editors. Malignant neoplasms in Russia in 2021 (morbidity and mortality). Мoscow: MNIOI im. P.A. Gertsena − filial FGBU «NMITs radiologii» Minzdrava Rossii; 2022. (In Russ).
- Kaprin AD, Starinsky VV, Shahzadova AO, editors. The state of oncological assistance to the population of Russia in 2021. Мoscow: MNIOI im. P.A. Gertsena − filial FGBU «NMITs radiologii» Minzdrava Rossii; 2022. (In Russ).
- Chen Y, James JJ, Michalopoulou E, Darker IT, Jenkins J. Performance of Radiologists and Radiographers in Double Reading Mammograms: The UK National Health Service Breast Screening Program. Radiology. 2023;306(1):102-109. doi: 10.1148/radiol.212951
- Euler-Chelpin MV, Lillholm M, Napolitano G, et al. Screening mammography: benefit of double reading by breast density. Breast Cancer Res Treat. 2018;171(3):767-776. doi: 10.1007/s10549-018-4864-1
- Hickman SE, Woitek R, Le EPV, et al. Machine Learning for Workflow Applications in Screening Mammography: Systematic Review and Meta-Analysis. Radiology. 2022;302(1):88-104. doi: 10.1148/radiol.2021210391
- Liu J, Lei J, Ou Y, et al. Mammography diagnosis of breast cancer screening through machine learning: a systematic review and meta-analysis [published online ahead of print, 2022 Oct 15]. Clin Exp Med. 2022;10.1007/s10238-022-00895-0. doi: 10.1007/s10238-022-00895-0
- Rozhkova NI, Rojtberg PG, Varfolomeeva AA, et al. Neural network-based segmentation model for breast cancer X-ray screening. Sechenovskij vestnik. 2020;11(3):4-14 (In Russ). doi: 10.47093/2218-7332.2020.11.3.4-14
- Vasilev JuA, Vladzimirskyy AV. Computer vision in radiology: the first stage of the Moscow experiment: Monograph. Moscow: Izdatel'skie resheniya; 2022. (In Russ).
- Patent RUS №2022617324/ 05.04.2022. Byul. №4. Morozov SP, Andreichenko AE, Chetverikov SF, et al. Veb-instrument dlya vypolneniya ROC analiza rezul'tatov diagnosticheskikh testov. Available from: https://www.elibrary.ru/item.asp?id=48373757 (In Russ).
- Morozov SP, Vladzimirsky AV, Klyashtornyy VG, et al. Clinical acceptance of software based on artificial intelligence technologies (radiology). Moscow: Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies, Moscow Health Care Department; 2019.
- Tyurin IE. Otchet za 2020 g. glavnogo vneshtatnogo spetsialista Minzdrava Rossii po luchevoi i instrumental'noi diagnostike Tyurina I.E., 2020. (In Russ).
- Schaffter T, Buist DSM, Lee CI, et al. Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Netw Open. 2020;3(3):e200265. doi: 10.1001/jamanetworkopen.2020.0265
- Wan Y, Tong Y, Liu Y, et al. Evaluation of the Combination of Artificial Intelligence and Radiologist Assessments to Interpret Malignant Architectural Distortion on Mammography. Front Oncol. 2022;12:880150. doi: 10.3389/fonc.2022.880150
- Leibig C, Brehmer M, Bunk S, et al. Combining the strengths of radiologists and AI for breast cancer screening: a retrospective analysis. Lancet Digit Health. 2022;4(7):e507-e519. doi: 10.1016/S2589-7500(22)00070-X
Supplementary files
There are no supplementary files to display.
