ИННОВАЦИОННЫЕ ПОДХОДЫ К ИСПОЛЬЗОВАНИЮ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ

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 protected] Бекимбетова Дурдона Икромжон қизи Ташкентский университет информационных технологий имени Мухаммада Ал-Хоразмий, E-mail: [email protected] Авезжанов Бобур Жамалович Ташкентский университет информационных технологий имени Мухаммада Ал-Хоразмий, E-mail: [email protected] DOI: https://doi.org/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 Transformers, 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, INbreast, CBISDDSM, MIAS, BCDR). 3. Успехи в обучении глубоких CNN, Vision Transformer и гибридных моделей. Стратегии цифровой медицины (EU Digital Health Strategy, USA FDA Digital Health Program, 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 Health [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 feature-representation. 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 Transformer-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 (RadImageNet) [5] показали, что специализированные модели, обученные на медицинских изображениях (а не на обычных ImageNet-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 ResNet и EfficientNet к малым выборкам, − применению гибридных CNN-моделей для анализа плотности ткани, − исследованию explainable AI (Grad-CAM, attention 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 Forest и Logistic Regression использовались в ранних CAD-системах (Computer-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 ResNet, DenseNet, EfficientNet, Inception-v4 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 UNet, U-Net++, Attention-U-Net, позволяющих точно выделять контуры в условиях низкого контраста. Vision Transformers 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 Transformer) 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 Diffusion-модели применяются для генерации синтетических маммограмм, балансировки классов (особенно редких BIRADS-5), улучшения качества (Super-Resolution GAN) и удаления артефактов компрессии. Успех AIдиагностики 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; − Reader Study – сравнение работы ИИ с врачами; − многоцентровые испытания; − регуляторное одобрение (FDA, CE); 136 − post-market surveillance. Особенности MLOps в медицине является сертификация моделей, непрерывный мониторинг качества, защита пациентских данных (HIPAA, GDPR), интерпретируемость (Explainable AI) и предотвращение деградации качества (model drift). 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. Self-Supervised Learning. Позволяет использовать неразмеченные медицинские архивы – это особенно важно в странах, где отсутствуют большие размеченные датасеты. 3. Federated Learning. 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 Reader. 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 Transformers, 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. et al. Vision Transformer-Based Transfer Learning for Breast Mass Mammograms. International Journal of Imaging Systems, 2023. 2. Kassis S. et al. Detection of Breast Cancer in Digital Breast Tomosynthesis Using Vision Transformers. Medical Image Analysis, 2024. 137 3. Google Health. International Evaluation of AI for Mammography. Nature, 2020. 4. McKinney S.M., Sieniek M. International evaluation of AI system for breast cancer screening. Nature, 2020. 5. RadImageNet: A Radiology-Specific Image Database. Mayo Clinic, 2021. 6. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 7. Smith T. Radiomics and Deep Learning in Breast Cancer Diagnosis. Radiology Review, 2022. 8. Sculley D. et al. Hidden Technical Debt in ML Systems. NIPS Proceedings, 2015. 9. Rajpurkar P., Irvin J. AI for Medical Imaging: A Survey. Nature Biomedical Engineering, 2022. 10. Ministry of Health of Uzbekistan. Digital Health Strategy 2030, Tashkent, 2023. 11. UNDP Uzbekistan. AI in Digital Medicine: Country Report, 2024. 12. He K., Zhang X. Deep Residual Learning for Image Recognition. CVPR, 2016. 13. Dosovitskiy A. An Image is Worth 16×16 Words: Transformers for Image Recognition. ICLR, 2021. 14. Litjens G. A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis, 2019. 15. Ronneberger O. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI, 2015.