132
ИННОВАЦИОННЫЕ ПОДХОДЫ К ИСПОЛЬЗОВАНИЮ ТЕХНОЛОГИЙ
МАШИННОГО ОБУЧЕНИЯ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
ДИАГНОСТИКЕ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ
Дошанова Малика Юлдашовна
Ташкентский университет информационных технологий имени Мухаммада Ал-Хоразмий,
E-mail: [email p o ec ed]
Бекимбетова Дурдона Икромжон қизи
Ташкентский университет информационных технологий имени Мухаммада Ал-Хоразмий,
E-mail: [email p o ec ed]
Авезжанов Бобур Жамалович
Ташкентский университет информационных технологий имени Мухаммада Ал-Хоразмий,
E-mail: [email p o ec ed]
DOI: h ps://doi.o g/10.5281/zenodo.17665253
Рак молочной железы (РМЖ) является одной из ведущих причин
смертности среди женщин в мире. По данным Всемирной организации
здравоохранения (ВОЗ), ежегодно регистрируется более 2,3 млн новых случаев,
а смертность превышает 600 тысяч человек. Эффективность диагностики
напрямую зависит от качества первичной визуализации и раннего выявления
патологий.
Классическим «золотым стандартом» ранней диагностики остаётся
маммография, однако её точность (70–85%) ограничивается высокой
плотностью ткани, человеческим фактором и вариативностью интерпретации.
Технологии искусственного интеллекта и машинного обучения за
последние 10 лет радикально изменили подходы к анализу изображений
молочной железы. Системы компьютерного зрения на основе CNN, Vision
T ans o me s, гибридных моделей, генеративных архитектур и радиомики
значительно повышают чувствительность, специфичность и стабильность
диагностики.
Цель данной статьи – представить расширенный анализ стратегических и
инновационных подходов к применению ML/AI в диагностике рака молочной
железы, с учётом современных научных результатов, международной практики
и перспектив развития.
Переход к цифровой медицине предполагает глубокую перестройку
диагностических процессов. Алгоритмы AI в онкологии появились благодаря
трём факторам:
133
1. Рост вычислительных мощностей (GPU, TPU, HPC-кластеры).
2. Наличие больших открытых датасетов (DDSM, INb eas , CBIS-
DDSM, MIAS, BCDR).
3. Успехи в обучении глубоких CNN, Vision T ans o me и гибридных
моделей.
Стратегии цифровой медицины (EU Digi al Heal h S a egy, USA FDA
Digi al Heal h P og am, UK NHS AI Lab) делают акцент на:
− AI-поддержке ранней диагностики;
− стандартизации медицинских данных;
− клинической валидации;
− этическом и безопасном внедрении.
В Узбекистане внедрение технологий ИИ в медицину является
приоритетным направлением в программе «Цифровой Узбекистан – 2030».
Особое внимание уделяется:
− созданию цифровых архивов медицинских изображений,
− внедрению PACS/RIS систем на основе облачных технологий,
− развитию центров искусственного интеллекта и подготовке кадров,
− развитию исследований по медицинскому искусственному интеллекту.
Современные исследования в области применения искусственного
интеллекта в диагностике рака молочной железы отличаются высокой
интенсивностью и междисциплинарностью. Научные коллективы из США,
Европы, Китая, Южной Кореи и стран Центральной Азии активно развивают
направления компьютерного зрения, радиомики, радиогеномики, а также
клинической валидации AI-моделей.
Зарубежные исследования характеризуются системным подходом: от
создания больших анотированных датасетов до проведения
рандомизированных клинических испытаний.
Одним из наиболее значимых проектов является работа Google Heal h [1],
в которой была создана модель анализа маммографии, превосходящая
результаты опытных радиологов (AUC-ROC более 0,94). В исследовании
применены методы ансамблирования CNN, многостадийного обучения и
глубокой оптимизации ea u e- ep esen a ion. Модель показала существенное
снижение числа ложноположительных диагнозов, что важно для массового
скрининга.
Работы Ayana G. и др. [1] и Kassis S. и др. [2] внесли вклад в развитие
Vision T ans o me -архитектур для анализа двумерных маммограмм (MMG) и
134
трёхмерных томосинтезных изображений (DBT). ViT-модели позволили
улучшить пространственную интерпретацию структур ткани, выявление
микрокальцинатов и спикул, что повышает диагностическую точность в
сложных клинических случаях.
Исследования Mayo Clinic (RadImageNe ) [5] показали, что
специализированные модели, обученные на медицинских изображениях (а не
на обычных ImageNe -данных), обладают лучшей способностью
генерализировать знания на новые клинические датасеты. Это подтверждает
необходимость разработки локальных и региональных радиологических баз
данных.
Важный вклад в развитие методологии внесли исследования по
радиомике (Radiomics), где с помощью текстурных и морфологических
признаков проводится автоматизированная фенотипизация опухолей [6].
Радиомика используется как промежуточный уровень интерпретации между
CNN-моделями и клиническими параметрами.
В Узбекистане направления применения ИИ в онкологической
визуализации развиваются в контексте цифровизации системы здравоохранения
и модернизации онкологической службы [10]. Публикации узбекских
исследователей посвящены:
− разработке локальных датасетов маммограмм,
− адаптации архитектур ResNe и E icien Ne к малым выборкам,
− применению гибридных CNN-моделей для анализа плотности ткани,
− исследованию explainable AI (G ad-CAM, a en ion maps),
− интеграции AI-модулей в телерадиологические системы.
Также проводятся работы по применению методов машинного обучения
для классификации BI-RADS категорий, прогнозирования агрессивности
опухоли и рекуррентности заболевания.
Технологии машинного обучения и ИИ в диагностике рака молочной железы
Классические ML-методы
До появления глубоких нейронных сетей анализ маммограмм
основывался на инженерных признаках: текстурных векторах (GLCM),
статистических характеристиках, фрактальных признаках и морфологических
дескрипторах краёв. Методы SVM, Random Fo es и Logis ic Reg ession
использовались в ранних CAD-системах (Compu e -Aided Diagnosis). Их
точность ограничивалась качеством ручной сегментации и ограниченным
объёмом данных [6].
135
Глубинное обучение и CNN-архитектуры
CNN стали основой современных систем диагностики. Модели типа
ResNe , DenseNe , E icien Ne , Incep ion- 4 позволяют автоматически выделять
признаки различного уровня: от локальных контуров микрокальцинатов до
глобальных структурных особенностей опухоли [8-15].
Сегментация опухолей и областей интереса выполняется с помощью U-
Ne , U-Ne ++, A en ion-U-Ne , позволяющих точно выделять контуры в
условиях низкого контраста.
Vision T ans o me s и гибридные модели
ViT-архитектуры обладают способностью моделировать
дальнодействующие зависимости, что особенно важно при анализе
крупноформатных маммограмм 4000–6000 px. Гибриды CNN-ViT (например,
Swin T ans o me ) комбинируют преимущества свёрточных и трансформерных
архитектур, повышая точность классификации на 5–10%.
Радиомика и радиогеномика
Радиомика позволяет связывать количественные признаки изображения с
генетическими и молекулярными характеристиками опухоли. Это даёт
возможность прогнозировать агрессивность опухоли, ответ на терапию и
вероятность рецидива. Радиогеномика формирует основу персонализированной
онкологии.
Генеративные модели
GAN и Di usion-модели применяются для генерации синтетических
маммограмм, балансировки классов (особенно редких BIRADS-5), улучшения
качества (Supe -Resolu ion GAN) и удаления артефактов компрессии. Успех AI-
диагностики зависит от доступности высококачественных данных. Стратегия
включает стандартизацию DICOM-метаданных, создание локальных архивов
PACS, автоматизацию анонимизации снимков, единые правила аннотирования
и многоуровневую проверку качества разметки.
Валидация AI-алгоритмов – ключевой этап, позволяющий подтвердить
клиническую применимость. Валидация AI-алгоритмов включают следующие
этапы:
− ретроспективное тестирование на архивных данных;
− проспективные исследования в реальной клинике;
− Reade S udy – сравнение работы ИИ с врачами;
− многоцентровые испытания;
− регуляторное одобрение (FDA, CE);
136
− pos -ma ke su eillance.
Особенности MLOps в медицине является сертификация моделей,
непрерывный мониторинг качества, защита пациентских данных (HIPAA,
GDPR), интерпретируемость (Explainable AI) и предотвращение деградации
качества (model d i ).
Важна архитектурная поддержка: логирование, безопасное хранение
версий моделей.
Инновационные направления развития AI-диагностики рака молочной
железы подразумевает использование следующих:
1. Многомодальные модели. Объединение MMG, DBT, УЗИ, МРТ,
генетических данных и клинических признаков формирует более точную
модель, чем использование одного источника.
2. Sel -Supe ised Lea ning. Позволяет использовать неразмеченные
медицинские архивы – это особенно важно в странах, где отсутствуют большие
размеченные датасеты.
3. Fede a ed Lea ning. Технология распределённого обучения позволяет
использовать данные разных клиник без передачи изображений на центральный
сервер. Это решает проблему приватности и защищает от утечки данных.
4. AI как Second Reade . Системы второго чтения повышают
чувствительность диагностики, снижая нагрузку на врачей и сокращая время
анализа.
Развитие ИИ и ML предоставляет беспрецедентные возможности для
ранней и точной диагностики рака молочной железы. Современные CNN,
Vision T ans o me s, радиомика, генеративные модели и федеративное обучение
создают новые стандарты качества анализа медицинских изображений. Однако
внедрение AI-систем требует стратегической подготовки данных, клинической
и мультицентровой валидации, архитектуры MLOps для устойчивой работы,
соблюдения международных стандартов безопасности и этики, а также
взаимодействия инженеров, онкологов, радиологов и IT-специалистов.
В перспективе AI-диагностика станет основой персонализированного
мониторинга, прогнозирования и скрининга РМЖ, интегрированной в
интеллектуальные медицинские платформы.
Список литературы:
1. Ayana G. e al. Vision T ans o me -Based T ans e Lea ning o B eas Mass
Mammog ams. In e na ional Jou nal o Imaging Sys ems, 2023.
2. Kassis S. e al. De ec ion o B eas Cance in Digi al B eas Tomosyn hesis Using Vision
T ans o me s. Medical Image Analysis, 2024.
137
3. Google Heal h. In e na ional E alua ion o AI o Mammog aphy. Na u e, 2020.
4. McKinney S.M., Sieniek M. In e na ional e alua ion o AI sys em o b eas cance
sc eening. Na u e, 2020.
5. RadImageNe : A Radiology-Speci ic Image Da abase. Mayo Clinic, 2021.
6. Good ellow I., Bengio Y., Cou ille A. Deep Lea ning. MIT P ess, 2016.
7. Smi h T. Radiomics and Deep Lea ning in B eas Cance Diagnosis. Radiology Re iew,
2022.
8. Sculley D. e al. Hidden Technical Deb in ML Sys ems. NIPS P oceedings, 2015.
9. Rajpu ka P., I in J. AI o Medical Imaging: A Su ey. Na u e Biomedical Enginee ing,
2022.
10. Minis y o Heal h o Uzbekis an. Digi al Heal h S a egy 2030, Tashken , 2023.
11. UNDP Uzbekis an. AI in Digi al Medicine: Coun y Repo , 2024.
12. He K., Zhang X. Deep Residual Lea ning o Image Recogni ion. CVPR, 2016.
13. Doso i skiy A. An Image is Wo h 16×16 Wo ds: T ans o me s o Image Recogni ion.
ICLR, 2021.
14. Li jens G. A Su ey on Deep Lea ning in Medical Image Analysis. Medical Image Analysis,
2019.
15. Ronnebe ge O. U-Ne : Con olu ional Ne wo ks o Biomedical Image Segmen a ion.
MICCAI, 2015.
