How to Cite
摘要
В статье представлен обзор литературы баз данных PubMed, MEDLINE, Springer, eLIBRARY, а также найденных с помощью Google Scholar актуальных российских научных статей. Для стратегии поиска использованы ключевые слова: «рак молочной железы», «искусственный интеллект», «скрининг». Полученная релевантная информация объединена, структурирована и проанализирована с целью рассмотрения текущей ситуации и проблематики в области скрининга рака молочной железы и использования в этой области технологий искусственного интеллекта в мире и в России. Обсуждены перспективы применения технологий искусственного интеллекта при организации программ скрининга рака молочной железы в условиях российского здравоохранения
参考
Каприн А.Д., Старинский В.В., Петрова Г.В. Злокачественные новообразования в России в 2018 году (заболеваемость и смертность) / А.Д. Каприн, В.В. Старинский, Г.В. Петрова. – М.: МНИОИ им. П.А. Герцена, 2019.
Houssami N., Lee C.I., Buist D.S.M. Artificial intelligence for breast cancer screening: Opportunity or hype? // Breast. – 2017. – Vol. 36. – P. 31–33. – DOI:10.1016/j.breast.2017.09.003.
Autier P., Boniol M. Mammography screening: A major issue in medicine // Eur J Cancer. – 2018. – Vol. 90. – P. 34–62. – doi:10.1016/j.ejca.2017.11.002.
Massat N.J., Dibden A., Parmar D. Impact of Screening on Breast Cancer Mortality: The UK Program 20 Years On // Cancer Epidemiol Biomarkers Prev. – 2016. – Vol. 25 (3). – P. 455–462. – doi:10.1158/1055-9965.EPI-15-0803.
Рассказова Е.А., Рожкова Н.И. Скрининг для ранней диагностики рака молочной железы // Исследования и практика в медицине. – 2014. – Т. 1 (1). – С. 45–51.
Семиглазова Т.Ю., Дашян Г.А., Семиглазов В.В. и др. Качество жизни – принципиальный критерий эффективности таргетной терапии метастатического НЕR2-положительного рака молочной железы // Современная онкология. – 2015. – №1. – С. 19–24.
Попова Т.Н., Кузеванова Е.А. Качество жизни больных местно-распространенным раком молочной железы с прогрессированием заболевания после комплексного лечения // Опухоли женской репродуктивной системы. – 2011. – №4. – C. 13–18.
Blumen H., Fitch K., Polkus V. Comparison of Treatment Costs for Breast Cancer, by Tumor Stage and Type of Service // Am Health Drug Benefits. – 2016. – Vol. 9. – №1. – P. 23–32.
Philpotts L.E. Can computer-aided detection be detrimental to mammographic interpretation? // Radiology. – 2009. – Vol. 253. – № 1. – P. 17–22. – doi:10.1148/radiol.2531090689.
Ekpo E.U., Alakhras M., Brennan P. Errors in Mammography Cannot be Solved Through Technology Alone // Asian Pac J Cancer Prev. – 2018. – Vol. 19. – № 2. – P. 291–301. – doi:10.22034/APJCP.2018.19.2.29.
Shi W., Nagler R.H., Fowler E.F. et al. Predictors of Women's Awareness of the Benefits and Harms of Mammography Screening and Associations with Confusion, Ambivalence, and Information Seeking // Health Commun. – 2019. – P. 1–12. – doi:10.1080/10410236.2019.1687129.
Seely J.M., Alhassan T. Screening for breast cancer in 2018-what should we be doing today? // Curr Oncol. – 2018. – Vol. 25 (Suppl 1). – P. S115–S124. – doi:10.3747/co.25.3770.
DeFrank J.T., Rimer B.K., Bowling J.M. et al. Influence of false-positive mammography results on subsequent screening: do physician recommendations buffer negative effects // J Med Screen. – 2012. – Vol. 19. – №1. – P. 35–41. – doi:10.1258/jms.2012.01112.
Houssami N., Hunter K. The epidemiology, radiology and biological characteristics of interval breast cancers in population mammography screening // NPJ Breast Cancer. – 2017. – Vol. 3. – №12. – doi:10.1038/s41523-017-0014-x.
Nelson H.D., O'Meara E.S., Kerlikowske K. et al. Factors Associated With Rates of False-Positive and False-Negative Results From Digital Mammography Screening: An Analysis of Registry Data // Ann Intern Med. – 2016. – Vol. 164. – №4. – P. 226−235. – doi:10.7326/M15-0971.
Siu A.L. Screening for Breast Cancer: U.S. Preventive Services Task Force Recommendation Statement // Ann Intern Med. – 2016. – Vol. 164. – №4. – P. 279−296. – doi:10.7326/M15-2886.
Geras K.J., Mann R.M., Moy L. Artificial Intelligence for Mammography and Digital Breast Tomosynthesis: Current Concepts and Future Perspectives // Radiology. – 2019. – Vol. 293, №2. – P. 246–259. – DOI:10.1148/radiol.2019182627.
Chan H.P., Samala R.K., Hadjiiski L.M. CAD and AI for breast cancer-recent development and challenges // Br J Radiol. – 2020. – Vol. 93. – doi:10.1259/bjr.20190580.
Sechopoulos I., Mann R.M. Stand-alone artificial intelligence – The future of breast cancer screening? // The Breast. – 2020. – Vol. 49. – P. 254–260. – doi:10.1016/j.breast.2019.12.014.
Rodriguez-Ruiz A., Lång K., Gubern-Merida A. et al. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study // Eur Radiol. – 2019. – Vol. 29, №9. – P. 4825–4832. – doi:10.1007/s00330-019-06186-9.
Wu N., Phang J., Park J. et al. Deep Neural Networks Improve Radiologists' Performance in Breast Cancer Screening // IEEE Trans Med Imaging. – 2020. – Vol. 39. №4. – P. 1184–1194. – doi:10.1109/TMI.2019.2945514.
Kooi T., Litjens G., van Ginneken B. et al. Large scale deep learning for computer aided detection of mammographic lesions // Med Image Anal. – 2017. – Vol. 35. – P. 303–312. – doi:10.1016/j.media.2016.07.007.
Медло А.А., Уткин Л.В., Моисеенко В.М. Алгоритмы диагностики XXI века. Искусственный интеллект в распознавании рака легкого // Практическая онкология. – 2018. – Т. 19(3). – С. 292–298. – doi.org/10.31917/1903292.
Le E.P.V., Wang Y., Huang Y. et al. Artificial intelligence in breast imaging // Clin Radiol. – 2019. – Vol. 74. – № 5. – P. 357–366. – doi:10.1016/j.crad.2019.02.006.
Trister A.D., Buist D.S.M., Lee C.I. Will Machine Learning Tip the Balance in Breast Cancer Screening? // JAMA Oncol. – 2017. – Vol. 3. – № 11. – P. 1463–1464. – doi:10.1001/jamaoncol.2017.0473.
Ганцев Ш.Х., Франц М.В. Искусственный интеллект в онкологии: взгляд в будущее // Практическая онкология. – 2019. – Т. 20 (1). – С. 21–28. – doi.org/10.31917/2001021.
McKinney S.M., Sieniek M., Godbole V. et al. International evaluation of an AI system for breast cancer screening // Nature. – 2020. – Vol. 577. – № 7788. – P. 89–94. – doi:10.1038/s41586-019-1799-6.
Houssami N., Kirkpatrick-Jones G., Noguchi N. et al. Artificial Intelligence (AI) for the early detection of breast cancer: a scoping review to assess AI's potential in breast screening practice // Expert Rev Med Devices. – 2019. – Vol. 16. – № 5. – P. 351–362. – doi:10.1080/17434440.2019.1610387.
Егорова А.В. Цифровизация системы здравоохранения регионов в условиях цифровой экономики // Научный ежегодник Центра анализа и прогнозирования. – 2018. – №2. – C. 256–261.
Rodriguez-Ruiz A., Lång K., Gubern-Merida A. et al. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists // J Natl Cancer Inst. – 2019. – Vol. 111. – №9. – P. 916–922. – doi:10.1093/jnci/djy222.
Kretz T., Anton M., Schaeffter T., Elster C. et al. Determination of contrast-detail curves in mammography image quality assessment by a parametric model observer // Physica medica. – 2019. – Vol. 62. – P. 120–128. – doi: https://doi.org/10.1016/j.ejmp.2019.05.008.
Lakhani P., Prater A.B., Hutson R.K. et al. Machine Learning in Radiology: Applications Beyond Image Interpretation // J Am Coll Radiol. – 2018. – Vol. 15. – №2. – P. 350–359. – doi:10.1016/j.jacr.2017.09.044.
Новикова Т.С., Доможирова А.С., Аксенова И.А. Состояние профилактических программ в онкологии в Челябинской области // Онкология. Журнал им. П.А. Герцена. – 2017. – Т. 6 (5). – С. 50–55. – doi: https://doi.org/10.17116/onkolog20176550-55.
Li Y., Ye X., Li. Y. Image quality assessment using deep convolutional networks // AIP Advances. – 2017. – Vol. 7. – №12. – doi: https://doi.org/10.1063/1.5010804.
Çelik L. Role of Artificial Intelligence in Imaging: From A Radiologist's Point of View with A Focus on Breast Imaging // Anatol J Cardiol. – 2019. – Vol. 22 (Suppl 2). – P. 13–14. – doi:10.14744/AnatolJCardiol.2019.35625.
Lee J.G., Jun S., Cho Y.W. et al. Deep Learning in Medical Imaging: General Overview // Korean J Radiol. – 2017. – Vol. 18, № 4. – P. 570–584. – doi:10.3348/kjr.2017.18.4.57.
Sasaki M., Tozaki M., Rodríguez-Ruiz A. et al. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women // Breast Cancer. – 2020. – Vol. 27. – № 4. – P. 642–651. –https://doi.org/10.1007/s12282-020-01061-8.
Lunit Insight MMG. Fore breast cancer detection. / Electronic data. — Seoul. — URL: https://www.lunit.io/en/product/insight_mmg/ (accessed: 18.07.20).
Kheiron Medical Technologies. Meet Mia™ Mammography Intelligent Assessement. / Electronic data. — London. — URL: https://www.kheironmed.com/meet-mia (accessed: 18.07.20).
Curemetrix. Pursuing A New Standard For Breast Health Exams / Electronic data. — California. — URL: https://curemetrix.com/ (accessed: 18.07.20).
Цельс. Маммография. Искусственный интеллект для выявления онкологии на ранней стадии. [Электронный ресурс]. — Электрон. дан. — Калуга. — URL: https://celsus.ai/products-mammography/ (дата обращения: 18.07.20).
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
© АННМО «Вопросы онкологии», Copyright (c) 2020