ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ: СИСТЕМАТИЧЕСКИЙ ОБЗОР И МЕТА-АНАЛИЗ

Введение. Рак молочной железы является одной из ведущих причин смертности среди женщин по всему миру, и его ранняя диагностика играет решающую роль в улучшении клинических исходов и снижении смертности. Оценить эффективность применения методов искусственного интеллекта (ИИ) в диагностике рака молочной железы и провести метаанализ диагностической точности на основе данных из нескольких исследований, опубликованных с 2010 по 2023 годы. Материалы и методы. Систематический обзор был проведен в соответствии с руководящими принципами PRISMA. Поиск литературы осуществлялся в базах данных PubMed, Scopus и Web of Science, с использованием комбинаций ключевых слов и терминов MeSH, охватывающих темы «рак молочной железы», «искусственный интеллект», «машинное обучение» и «глубокое обучение». В метаанализ были включены 24 исследования, оценивающие диагностическую точность методов ИИ с использованием показателей чувствительности, специфичности и площади под ROC- кривой (AUC). Статистический анализ данных проводился с использованием модели случайных эффектов, а качество исследований оценивалось с помощью инструмента QUADAS-2. Результаты. Диапазон значений AUC для методов ИИ составил от 0.80 до 0.96, что свидетельствует о высокой диагностической точности. Наиболее высокие показатели были продемонстрированы в исследованиях McKinney et al. (2020) (AUC = 0.95, 95% ДИ: 0.92–0.98) и Ribli et al. (2018) (AUC = 0.95, 95% ДИ: 0.93–0.98). Сверточные нейронные сети (CNN) показали наивысшую точность среди всех методов. Гетерогенность данных между исследованиями была значительной, что требовало проведения анализа чувствительности и метарегрессионного анализа для выявления источников гетерогенности. Заключение. Методы ИИ имеют высокий потенциал в диагностике рака молочной железы, демонстрируя высокую чувствительность и специфичность. Однако дальнейшие исследования должны быть направлены на улучшение репродуктивности результатов, стандартизацию подходов и повышение прозрачности алгоритмов для их безопасного и эффективного применения в медицинской практике.