Лучевая диагностика → наблюдательное → искусственный интеллект

ИИ в скрининговой маммографии: зачем клинике оценивать не только точность, но и уверенность алгоритма

Гибридное чтение может уменьшить нагрузку на радиологов, если система умеет отделять случаи, где ее вывод надежен, от исследований, требующих врачебного разбора.

Редакция Маммология Сегодня· источник опубликован 2025-08-19· проверено· Источник: RSNA / Radiology

Уверенность ИИ как фильтр в гибридном чтении маммографии

Коротко

Что проверяли в исследовании

Исследователи ретроспективно оценили гибридный подход к чтению скрининговой маммографии. Логика такого процесса отличается от сценария полной автоматизации: алгоритм не должен «читать все вместо врача». Его задача — выделить группу исследований, где он дает результат с высокой уверенностью, а случаи с неопределенностью оставить радиологу. В этой модели показатель уверенности ИИ становится отдельным рабочим фильтром. Он помогает не просто ранжировать снимки по вероятности злокачественной находки, а определить, какие исследования потенциально можно обработать с меньшим участием врача и какие нельзя выводить из стандартного врачебного чтения.

Маршрут маммограмм зависит от риска и уверенности ИИ

Главный результат для рабочего процесса

По сообщению RSNA/Radiology, гибридная стратегия позволила снизить нагрузку радиологов на 38% без изменения частоты вызова пациенток на дообследование и выявляемости рака. Для службы лучевой диагностики это принципиальная формулировка: выигрыш был показан не за счет заявленного повышения чувствительности, а за счет перераспределения потока исследований. Практический смысл результата — в контролируемой сортировке. Если система надежно распознает ситуации, где ее собственный вывод сомнителен, клиника получает инструмент для разгрузки специалистов без автоматического вывода сложных случаев из зоны врачебной ответственности.

Почему одной средней точности недостаточно

При закупке или пилотировании ИИ-модуля легко сосредоточиться на интегральных метриках — например, площади под ROC-кривой. Но для скринингового кабинета этого мало. Даже модель с хорошей средней точностью может быть неудобна или рискованна, если не показывает, где ее результат нестабилен. Для внедрения важны операционные свойства: как система маркирует случаи низкой уверенности, можно ли настроить пороги, видит ли радиолог причину перенаправления исследования в ручное чтение, сохраняются ли эти решения в журнале и доступны ли они для последующего разбора. Без такой трассируемости ИИ превращается в «черный ящик», который трудно включить в контроль качества.

Как это можно использовать в клинике

На уровне маршрутизации поток скрининговых маммограмм можно разделять не только по подозрительности находки, но и по уверенности алгоритма. Исследования с низкой уверенностью должны оставаться в стандартном врачебном контуре. Именно они требуют ясного регламента: кто читает такие случаи, меняется ли порядок двойного чтения, как фиксируется окончательная категория BI-RADS и как отслеживаются расхождения между алгоритмом и радиологом. Перед внедрением такой схемы клинике потребуется локальная проверка на собственном потоке изображений. Ретроспективные результаты из публикации не снимают вопросов к составу популяции, типам оборудования, качеству снимков, плотности молочной железы и принятой практике вызова на дообследование. Если эти параметры отличаются, экономия времени и профиль ошибок могут измениться.

Где остаются риски

Главный риск гибридной модели — неверно определить, какие исследования можно считать «достаточно надежными» для автоматизированного этапа. Слишком широкий порог разгрузит врачей, но может вывести часть сложных случаев из полноценного анализа. Слишком узкий порог сохранит безопасность, но уменьшит эффект для расписания и кадровой нагрузки. Поэтому показатель уверенности должен быть не маркетинговой характеристикой, а частью программы качества. Нужны регулярный аудит частоты вызова на дообследование, выявляемости рака, распределения BI-RADS, доли случаев низкой уверенности и разбор интервалов, где алгоритм и врач расходятся. Только так гибридное чтение можно оценивать как управляемый рабочий процесс, а не как отдельную демонстрацию точности модели.

Практический разбор

Гибридное чтение маммограмм

Быстрый фильтр для клинического чтения: что известно, где граница вывода и что проверять дальше.

Нагрузка

-38%

потенциальное снижение объема чтения

Recall

без изменений

по данным пресс-релиза RSNA

Выявляемость

без изменений

cancer detection rate сохранен

Навигация по журналу
Предыдущий материалМаркерная клипса после вакуум-ассистированной биопсии: что можно вынести из российской публикации 2025 года2025-06-30 · ИнтервенцииСледующий материалВАЭ под УЗ-навигацией через ретромаммарное пространство: что дает новый доступ и где нужна осторожность2025-11-06 · Интервенции

Еще по теме