Согласно исследованию, опубликованному  в журнале Radiology: Artificial Intelligence , модели искусственного интеллекта для классификации злокачественных новообразований в легких на компьютерной томографии грудной клетки демонстрируют высокую чувствительность, но лишь умеренную специфичность при тестировании на внешних наборах данных.

Результаты исследования позволяют предположить, что подобные модели могут играть «потенциальную роль в качестве вспомогательных инструментов для исключения злокачественных новообразований», а не для их классификации, написала группа исследователей во главе с доктором Оке Димасом Асмарой из медицинского центра Фризиус в Леувардене, Нидерланды.

«Современные модели искусственного интеллекта могут помочь исключить злокачественность узлов в легких; однако умеренная специфичность ограничивает их использование для окончательной классификации злокачественных узлов», — отметила группа исследователей.

Рак легких является основной причиной смерти от рака и наиболее часто диагностируемым видом рака в мире, отметила группа исследователей. Недавние исследования показали, что классификация злокачественных новообразований на основе КТ-изображений с использованием ИИ демонстрирует многообещающие результаты, но как интегрировать эту технологию в клиническую практику пока неясно, пояснили они, добавив, что «существует важный пробел в понимании того, как эффективность ИИ обобщается в различных клинических условиях» — то есть, в группах бессимптомного скрининга по сравнению с пациентами с симптомами.

В январе 2025 года исследователи провели поиск в базах данных PubMed, Embase, Web of Science, CINAHL и Cochrane Library, чтобы выявить исследования, в которых оценивались модели искусственного интеллекта для классификации злокачественности узлов в легких на КТ грудной клетки с использованием патологических данных и/или как минимум двухлетнего наблюдения в качестве эталонных стандартов. В результате поиска было найдено 21 исследование, включающее 7454 узла в легких; распространенность рака легких варьировалась от 5,7% до 91,5%.

Все модели ИИ, использованные в этих исследованиях, были основаны на глубоком обучении. Из включенных в исследование работ 17 (81%) были посвящены азиатским популяциям, 15 (71%) — популяциям, не подвергавшимся скринингу, 14 (67%) — архитектурам сверточных нейронных сетей (CNN) в 2D или 3D, а восемь (38%) были сосредоточены на заранее определенных пороговых значениях злокачественности.

Группа сообщила о следующих общих результатах:

• Суммарная чувствительность составила 88%.
• Совокупная специфичность составила 75%.
• Положительное отношение правдоподобия составило 3,55, а отрицательное — 0,16.
• Площадь под кривой рабочей характеристики приемника (AUROC) составила 0,89.
• Отношение шансов диагностики составило 22,4.
• Различия между алгоритмами ИИ были высокими, показатель I² ^{превышал} 90%.
• Более высокая специфичность архитектуры моделей в исследованиях была связана с исследованиями, в которых использовались 2D или 3D сверточные нейронные сети, по сравнению с исследованиями, в которых архитектура не была указана (83% против 58%, p = 0,03).

Асмара и его коллеги настоятельно призвали к проведению дальнейших исследований, включающих более широкое использование стандартизированных пороговых значений, изучение различных групп населения и подробное описание архитектуры образования, чтобы оценить реальное клиническое воздействие использования ИИ для классификации легочных узлов.

С полным текстом исследования можно ознакомиться здесь .

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.