Сравнительный анализ диагностической ценности систем компьютерного анализа маммограмм I и II поколений

Цель исследования: сравнительная оценка эффективности работы систем компьютерного анализа (CAD) I и II поколений собственной разработки на обширной базе неотобранных маммографических изображений, полученных в условиях рутинной клинической практики.

Материал и методы. Обе системы были протестированы на наборе из 1532 маммограмм 356 пациенток с верифицированным раком молочной железы (РМЖ) на способность обнаруживать подозрительные области с различными характеристиками на маммограммах различной степени плотности. Размер образований, соответствовавших РМЖ, варьировал от 4 до 35 мм (средний – 13,4 ± 6,3 мм). Исключали случаи РМЖ, проявлявшиеся только в виде скоплений микрокальцинатов, поскольку данная задача решается с использованием отдельного универсального блока.

Результаты. При использовании систем I и II поколения были получены следующие результаты соответственно: обнаружение малых раков (до 10 мм) с очаговым ростом – 41 (78,85%) из 52 и 48 (92,31%; p > 0,05) из 52; обнаружение РМЖ, проявляющегося в виде асимметрии, – 18 (100%) из 18 и 13 (72,2%; p > 0,05) из 18; обнаружение частично срезанных образований – 15 (83,3%) из 18 и 17 (94,4%; p > 0,05) из 18; обнаружение образований, плохо видимых или вообще невидимых на стандартных маммограммах ввиду плотной паренхимы МЖ (типы C-D согласно ACR 2013), – 9 (56,3%) из 16 и 7 (70,0%; p = 0,046) из 16. Общая частота обнаружения подозрительных образований составила 88,76% (316 из 356 случаев) – для CAD I и 90,73% (323 из 356 случаев; р>0,05) – для CAD II. Частота ложноположительных меток составила в среднем 1,8 и 1,3 соответственно на маммограмму при типах ACR А–В и 2,6 и 1,8 соответственно – при типах ACR C–D (p < 0,05).

Выводы. Эффективность CAD II сравнима с таковой CAD I во всех ситуациях, за исключением выявления плохо видимых и невидимых образований вследствие плотной паренхимы МЖ. Кроме того, CAD II, вероятно, превосходит CAD I в выявлении спикулизированных образований малых размеров. Частота ложноположительных меток при использовании CAD I была достоверно выше.

1. Комарова В.П., Комарова Л.Е., Поддубная И.В. Фулвестрант в современной терапии распространенного рака молочной железы: фармакоэкономическое обоснование. Современная онкология. 2007; 9 (3): 33–35.

2. Bleyer A., Welch H.G. Effect of Three Decades of Screening Mammography on Breast- Cancer Incidence. N. Engl. J. Med. 2012; 367: 1998–2005. DOI: 10.1056/NEJMoa1206809.

3. Состояние онкологической помощи населению России в 2014 году; Под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. М.: МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИРЦ» Минздрава России, 2015. 235 с.

4. Комарова Л.Е. Маммографический скрининг (состояние вопроса и перспективы). Российский онкологический журнал. 2015; 4: 9–16.

5. Клюшкин И.В., Пасынков Д.В., Бусыгина О.В., Пасынкова О.О. К вопросу о возможном повышении риска рака молочной железы у пациенток, перенесших оперативные вмешательства на ней по поводу доброкачественной патологии. Казанский медицинский журнал. 2015; 96 (3): 316–321. DOI: 10.17750/KMJ2015-316.

6. Baker J.A., Rosen E.L., Lo J.Y., Gimenez E.I., Walsh R., Soo M.S. Computer-Aided Detection (CAD) in Screening Mammography: Sensitivity of Commercial CAD Systems for Detecting Architectural Distortion. Am. J. Roentgenol. 2003; 181: 1083–1088. DOI: 10.2214/ajr.181.4.1811083.

7. Lehman C.D., Wellman R.D., Buist D.S., Kerlikowske K., Tosteson A.N., Miglioretti D.L. Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection. JAMA Intern. Med. 2015; 175 (11): 1828–1837. DOI: 10.1001/jamainternmed.2015.5231.

8. Пасынков Д.В., Клюшкин И.В., Бусыгина О.В. Способ повышения чувствительности и специфичности систем компьютерного анализа маммографических изображений при высокой плотности паренхимы молочной железы. Казанский медицинский журнал. 2016; 97 (3): 443–449. DOI: 10.17750/KMJ2016-.

9. Никитин О.Р., Пасечник А.С. Оконтуривание и сегментация в задачах автоматизированной диагностики пато логий. Методы и устройства передачи и обработки информации. 2009; 11: 300–309.

10. Chinu A.C. Overview and Comparative Analysis of Edge Detection Techniques in Digital Image Processing. Intern. J. Inform. Comput. Technol. 2014; 4 (10): 973–980.

11. Egoshin I., Pasynkov D., Kolchev A., Kliouchkin I. Value of nested contours analysis algorithm in mammographic image processing. Int. J. Comput. Assist. Radiol. Surg. 2016; 11 (1): S278.

12. Calas M.G.B., Gutfilen B., Pereira W.C.A. CAD and mammography: why use this tool? Radiol. Bras. 2012; 45 (1): 25–29.

13. Fuster D., Pagès M., Granados U. Update on PET/CT colonography in the diagnosis of colorectal cancer. Revista Española de Medicina Nuclear e Imagen Molecular. 2016; 35 (4): 246–252. DOI: 10.1016/j.remn.2016.05.001.

14. Kakinuma R., Ashizawa K., Kobayashi T. Comparison of sensitivity of lung nodule detection between radiologists and technologists on low-dose CT lung cancer screening images. Br. J. Radiol. 2012; 85 (1017): e603–e608. DOI: 10.1259/bjr/75768386

15. Cao J.Q., Olson R.A., Tyldesley S.K. Comparison of recurrence and survival rates after breast-conserving therapy and mastectomy in young women with breast cancer. Current Oncol. 2013; 20 (6): e593–e601. DOI: 10.3747/co.20.1543.

16. Пасынков Д.В., Клюшкин И.В., Бусыгина О.В. Контурный анализ маммографических изображений доброкачественной и злокачественной патологии молочной железы. Казанский медицинский журнал. 2015; 96 (3): 322–325. DOI: 10.17750/KMJ2015-322.