Искусственный интеллект (ИИ) может оценивать не только разовый риск рака молочной железы по маммограмме, но и его изменение во времени. Новое исследование показало: у женщин, у которых позже выявили рак, рассчитанные ИИ показатели риска постепенно росли за годы до диагноза. У женщин без рака такие показатели в основном оставались стабильными.
Работа опубликована в Radiology.
Почему обычной оценки риска бывает недостаточно
Большинство женщин, у которых диагностируют рак молочной железы, не имеют известных наследственных мутаций или выраженного семейного анамнеза. Семейный анамнез — это сведения о заболеваниях у близких родственников, которые могут указывать на наследственный риск.
Традиционные модели оценки риска учитывают возраст, плотность молочной железы, наследственность и другие клинические данные. Но в массовом скрининге они не всегда хорошо различают женщин с высоким и низким будущим риском.
Глубокое обучение — это разновидность ИИ, которая может находить сложные закономерности в изображениях. В данном случае модель анализировала всю маммограмму целиком, а не только отдельный заранее выбранный признак, например плотность ткани молочной железы.
Что нового в этом исследовании
До сих пор такие модели чаще оценивали риск в один момент времени: есть снимок — есть расчёт вероятности рака в ближайшие годы. Авторы новой работы посмотрели иначе: как меняется ИИ-риск по последовательным маммограммам у одной и той же женщины.
Ведущий исследователь Констанс Д. Леман (Constance D. Lehman) отметила, что команда изучила продольные изменения показателя риска, рассчитанного только по изображениям, без использования демографических, клинических или прошлых визуализационных данных.
Продольное исследование — это наблюдение за изменениями у одних и тех же людей в течение времени. Такой подход важен, потому что риск может быть не статичным, а динамическим.
Как проводилось исследование
В исследование включили женщин, проходивших скрининговую маммографию с 2009 по 2019 год в шести центрах: от крупных городских клиник до сельских практик.
Изначально в анализ вошли 239 703 последовательные двухмерные скрининговые маммограммы у 89 882 пациенток. После исключений итоговая группа составила 54 014 женщин со средним возрастом 61 год. Среди них было 817 пациенток с раком молочной железы и 53 197 женщин без выявленного рака.
Каждая участница имела один индексный снимок. Для женщин с раком это была последняя скрининговая маммограмма в течение года перед диагнозом. Для женщин без рака — последняя маммограмма за пятилетний период наблюдения. Также учитывали до шести предыдущих ежегодных маммограмм. Всего модель проанализировала 158 807 снимков.
Что показал ИИ
У 817 женщин рак молочной железы был диагностирован в течение 365 дней после индексного обследования. Из них у 451 женщины выявили инвазивный рак, у 118 — протоковую карциному in situ (ductal carcinoma in situ, DCIS), а у 248 тип опухоли был неизвестен.
Инвазивный рак — это опухоль, которая уже вышла за пределы исходного слоя клеток и способна распространяться в окружающие ткани. Протоковая карцинома in situ — это ранняя форма рака, при которой атипичные клетки находятся внутри молочных протоков и ещё не проросли в соседние ткани.
У 682 женщин рак был выявлен при скрининге, у 135 — между плановыми обследованиями. Такие случаи называют интервальным раком: опухоль обнаруживают после отрицательного или не подозрительного скрининга, но до следующего запланированного обследования.
Риск рос за годы до диагноза
У женщин, у которых позже выявили рак, ИИ-риск постепенно увеличивался в течение шести лет до диагноза. Средний показатель вырос с 2,1 за пять–шесть лет до диагноза до 6,6 на индексном обследовании.
У женщин без рака показатели оставались почти неизменными: медианные значения находились примерно в диапазоне от 1,8 до 2,2. Медиана — это значение, которое делит группу пополам: у половины показатель выше, у половины ниже.
По словам Констанс Д. Леман (Constance D. Lehman), различия между траекториями риска были клинически значимыми, а рост показателей у будущих пациенток с раком можно было заметить уже за шесть лет до постановки диагноза.
Что значит «динамический биомаркер»
Авторы предлагают рассматривать ИИ-риск по маммограммам как динамический визуализационный биомаркер. Биомаркер — это измеримый признак, который помогает оценить риск заболевания, его наличие или течение. Динамический — значит меняющийся во времени.
Идея проста: важен не только один высокий показатель, но и его направление. Если риск по изображениям стабильно растёт от года к году, это может дать врачу дополнительную информацию. Если показатель остаётся низким и стабильным, подход к наблюдению может быть другим.
Это особенно важно для женщин без наследственных мутаций и выраженной семейной истории, потому что именно среди них возникает большая часть случаев рака молочной железы.
Как это может изменить скрининг
Такие модели могут помочь перейти от одинакового скрининга для всех к более персонализированному наблюдению. Например, женщинам с повышенным пятилетним риском могут чаще рекомендовать дополнительные методы, включая магнитно-резонансную томографию (МРТ) молочных желёз. МРТ — это метод визуализации, который использует магнитное поле и радиоволны для получения детальных изображений тканей.
По данным, приведённым авторами, ИИ-показатели риска по изображениям уже включены в рекомендации 2026 года Национальной комплексной онкологической сети (National Comprehensive Cancer Network, NCCN). В них женщинам с 35 лет при повышенном пятилетнем риске более 1,7% предлагается рассмотреть МРТ молочных желёз дополнительно к ежегодной маммографии.
Однако такие решения должны принимать врачи с учётом полной клинической картины, а не только числа, рассчитанного алгоритмом.
Что это значит для пациенток
Главный практический смысл исследования — не в том, что ИИ «заменит» рентгенолога. Скорее он может стать дополнительным инструментом, который помогает заметить скрытые закономерности на снимках и оценить, как риск меняется от года к году.
Для пациентки это может означать более точный выбор тактики наблюдения: кому достаточно стандартного скрининга, а кому стоит обсудить дополнительные обследования. Но пока важно помнить, что любой алгоритм должен использоваться как часть медицинского решения, а не вместо него.
Ранее МКБ-11 рассказывал, что простой анализ крови поможет выявить ранние признаки рака молочной железы: новые данные о маммограммах продолжают тот же поиск методов, которые позволят находить риск раньше, чем болезнь станет очевидной.
Ограничения исследования
Исследование показывает связь между ростом ИИ-показателей и последующим диагнозом, но не доказывает, что сама модель уже улучшает выживаемость или снижает смертность. Для этого нужны отдельные клинические исследования, где проверяют, меняет ли использование таких оценок реальные исходы.
Кроме того, алгоритм анализировал изображения, но не учитывал клинические данные, семейную историю, генетические факторы и другие сведения. Это было важно для чистоты эксперимента, но в реальной практике врач обычно рассматривает риск шире.
Наконец, даже точная оценка риска может быть полезной только при понятной системе действий: кто получает дополнительное обследование, как часто его проводить, как избежать лишней тревоги и ненужных процедур.
Литература
Lehman C. D., et al. Longitudinal Analysis of Changes in Deep Learning Image-based Breast Cancer Risk Scores over Time // Radiology. 2026. DOI: 10.1148/radiol.253023.