Современные подходы к скринингу и диагностике рака молочной железы: интеграция традиционных методов и искусственного интеллекта

Рак молочной железы (РМЖ) представляет собой одну из наиболее актуальных проблем современной онкологии. По данным Всемирной организации здравоохранения (ВОЗ), в 2022 году в мире было зарегистрировано более 2,3 миллиона новых случаев РМЖ, что составляет 11,6% от всех злокачественных новообразований. Среди женщин РМЖ занимает первое место по заболеваемости (23,8%) и смертности (15,4%) от онкологических заболеваний

В Российской Федерации ситуация вызывает особую тревогу. За последние десятилетия заболеваемость РМЖ увеличилась на 19,6%, а в 2022 году составила 22,4% от всех злокачественных новообразований у женщин

Традиционным методом массового скрининга РМЖ является цифровая маммография, признанная «золотым стандартом» на протяжении нескольких десятилетий. Регулярное проведение маммографии у женщин в возрасте 50–69 лет снижает смертность от РМЖ на 20–25%

В условиях растущей заболеваемости, дефицита кадров и необходимости повышения качества диагностики особую актуальность приобретают цифровые технологии, в частности системы искусственного интеллекта (ИИ). Современные ИИ-алгоритмы способны не только ускорить анализ изображений, но и повысить точность выявления ранних форм опухоли, особенно в сложных случаях (например, при высокой плотности молочной железы)

Целью настоящей статьи является анализ современных подходов к скринингу и диагностике РМЖ с акцентом на интеграцию ИИ в российскую клиническую практику, а также обсуждение перспектив и барьеров внедрения этих технологий.

Настоящая работа представляет собой аналитический обзор, основанный на данных эпидемиологического мониторинга, нормативно-правовых актов Российской Федерации, а также результатах клинических и пилотных исследований, проведённых в России и за рубежом в период с 2019 по 2024 год.

Источниками данных выступили глобальные эпидемиологические данные ВОЗ, национальный канцер-регистр Российской Федерации, региональные данные по Самарской области, а также нормативные документы (Федеральный закон №323-ФЗ «Об основах охраны здоровья граждан в РФ»; приказ Минздрава России от 27.04.2021 №404н (ред. от 19.07.2024) называется «Об утверждении Порядка проведения профилактического медицинского осмотра и диспансеризации определённых групп взрослого населения»; приказ Минздрава России от 20.10.2020 №1130н «Об утверждении Порядка оказания медицинской помощи по профилю „акушерство и гинекология“»).

Методами анализа настоящего исследования выступили: сравнительный анализ показателей заболеваемости и смертности от РМЖ в России и мире; оценка диагностической точности маммографии и ИИ-систем по следующим параметрам: чувствительность, специфичность, частота ложноположительных и ложноотрицательных результатов; анализ организационных и технических аспектов внедрения ИИ в скрининговые программы, а также качественный синтез данных по эффективности ИИ на основе пилотных проектов и клинических исследований.

Эпидемиологический контекст и социально-экономическое бремя. Глобальный анализ заболеваемости РМЖ демонстрирует выраженную географическую гетерогенность: в странах Северной Америки и Западной Европы показатели превышают 80 случаев на 100 тыс. женщин, тогда как в Азии и Африке они в 3–4 раза ниже. Однако смертность в развивающихся странах выше из-за поздней диагностики и ограниченного доступа к лечению. В России наблюдается уникальная эпидемиологическая картина: высокая заболеваемость при относительно молодом возрасте пациенток. Это требует пересмотра возрастных рамок скрининга и адаптации протоколов к особенностям российской популяции.

Экономическое бремя РМЖ значительное: прямые затраты на лечение одного случая варьируют от 500 тыс. до 2 млн рублей, а косвенные потери (утрата трудоспособности) достигают 1,5–3 млн рублей. Учитывая, что РМЖ преимущественно поражает женщин трудоспособного возраста (40–60 лет), повышение эффективности ранней диагностики имеет не только медицинское, но и социально-экономическое значение.

Ограничения традиционного маммографического скрининга. Несмотря на доказанную эффективность, маммография имеет ряд фундаментальных ограничений. К методологическим ограничениям возможно отнести чувствительность, которая варьирует от 60% до 85% в зависимости от плотности молочной железы, а ложноотрицательные результаты достигают 10–40%, ложноположительные — 5–15%, что ведёт к избыточным биопсиям. К техническим трудностям относят зависимость качества изображения от оборудования, субъективность интерпретации, а также трудности выявления опухолей на фоне плотной ткани. Проблемы организационного характера обусловлены дефицитом рентгенологов, высокой стоимость оборудования, низким охватом скринингом в отдельных регионах. При этом введение в России обязательного двойного прочтения маммограмм, хотя и повышает чувствительность, но увеличивает нагрузку на специалистов на 88%, что делает систему уязвимой к человеческому фактору и усталости.

Потенциал искусственного интеллекта. ИИ-системы предлагают решение многих из перечисленных проблем. Исследования в ряде стран показывают, что ИИ обеспечивает чувствительность 92–96% (против 75–85% у врачей), специфичность 85–90% и общую точность 88–93%

Практическое внедрение технологий искусственного интеллекта (ИИ) в систему лучевой диагностики рака молочной железы в Российской Федерации уже реализуется в ряде регионов. В частности, в Самарской области за пятилетний период был накоплен массив цифровых маммографических исследований, включающий более 17 000 изображений, пригодных для последующего анализа с использованием алгоритмов машинного обучения

– автоматизированный первичный скрининг с выявлением и маркировкой подозрительных морфологических изменений;

– функцию поддержки принятия диагностических решений;

– объективный контроль качества интерпретации рентгенологических изображений;

– генерацию стандартизированных структурированных заключений в соответствии с рекомендованными протоколами.

Подобная интеграция ИИ в диагностический процесс не предполагает замену врача-рентгенолога, а направлена на создание гибридной модели диагностики, в которой алгоритмы снижают когнитивную нагрузку на специалиста и способствуют минимизации диагностических ошибок, обусловленных субъективными и организационными факторами.

Организационные и этические вызовы. Несмотря на продемонстрированную высокую диагностическую эффективность и потенциал повышения качества скрининга рака молочной железы, широкое клиническое внедрение систем ИИ сопряжено с рядом существенных барьеров. К числу ключевых ограничений относятся отсутствие унифицированных национальных и международных стандартов валидации, верификации и сертификации ИИ-алгоритмов в медицинской практике; недостаточная цифровая компетентность медицинского персонала, что затрудняет интеграцию новых технологий в рутинную клиническую практику, а также нерешённые вопросы обеспечения кибербезопасности и защиты персональных данных пациентов в условиях обработки больших массивов медицинской информации. Кроме того, остаётся неурегулированным правовой аспект распределения ответственности за диагностические ошибки, возникшие при использовании ИИ-систем, что создаёт дополнительные риски как для медицинских учреждений, так и для самих специалистов.

Важно подчеркнуть, что алгоритмы ИИ, несмотря на высокую точность в распознавании визуальных паттернов на маммограммах, не способны учитывать контекстуальные клинические данные — такие как семейный и генетический анамнез, гормональный статус, сопутствующая патология или динамика изменений в течение времени. Следовательно, применение ИИ вне рамок комплексной клинической оценки может привести к диагностическим ошибкам и усилению феномена «технологического детерминизма». В этих условиях наиболее перспективной представляется гибридная диагностическая модель, в которой ИИ выступает в роли цифрового ассистента, обеспечивающего стандартизированный предварительный анализ изображений и снижающего когнитивную нагрузку врача, тогда как окончательное диагностическое решение принимается специалистом на основе интегральной оценки как инструментальных, так и клинических данных.

Перспективы персонализированного скрининга. Будущее скрининга РМЖ заключается в трансформации от универсального популяционного подхода к персонализированной стратегии раннего выявления, основанной на индивидуальном профиле риска. Современные системы ИИ обладают потенциалом для интеграции мультимодальных данных, включая результаты цифровой маммографии, показатели плотности молочной железы, данные генетического профилирования (в частности, наличие мутаций в генах BRCA1/BRCA2 и других онкосупрессорных генах), семейный анамнез, репродуктивный и гормональный статус, а также сопутствующие соматические заболевания. На основе такого комплексного анализа ИИ-алгоритмы способны рассчитывать персонализированный риск развития РМЖ и определять оптимальную частоту и методы скрининговых обследований для каждой пациентки. Подобный подход позволит не только повысить чувствительность и прогностическую ценность скрининга, но и минимизировать количество избыточных вмешательств, включая ненужные биопсии и повторные исследования, тем самым снижая как медицинские, так и психологические риски для пациенток.

Рак молочной железы остаётся серьёзной медико-социальной проблемой в России, характеризующейся ростом заболеваемости и «омоложением» контингента пациенток. Традиционный маммографический скрининг, несмотря на доказанную эффективность, имеет существенные ограничения, усугубляемые организационными трудностями, особенно в условиях обязательного двойного прочтения. Системы искусственного интеллекта на основе глубокого обучения демонстрируют высокую диагностическую точность (чувствительность до 96%), способны выявлять ранние формы опухоли и значительно ускорять анализ изображений. Российский опыт внедрения ИИ (включая пилотные проекты в Самарской области) подтверждает клиническую ценность этих технологий как инструмента поддержки принятия решений, а не замены врача. Наиболее перспективной является гибридная диагностическая модель, сочетающая стандартизированную обработку данных ИИ и клиническое мышление врача-рентгенолога. Для масштабного внедрения ИИ необходима разработка единых стандартов валидации и контроля качества алгоритмов, подготовка кадров, а также нормативно-правовое регулирование ответственности. Дальнейшие исследования должны быть направлены на оценку медико-экономической эффективности ИИ в скрининге и разработку персонализированных алгоритмов раннего выявления РМЖ с учётом индивидуальных факторов риска.