Лахтарина Р. Ю.

ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ПРИ ДІАГНОСТИЦІ РАКУ ГРУДНОЇ ЗАЛОЗИ: БІБЛІОМЕТРИЧНИЙ АНАЛІЗ

---

Показати/Завантажити PDF

Про автора:

Лахтарина Р. Ю.

Рубрика:

ОГЛЯДИ ЛІТЕРАТУРИ

Тип статті:

Наукова стаття

Анотація:

Рак грудної залози (РГЗ) залишається основною причиною смертності серед жіночого населення у всьому світі. Діагностика та лікування РГЗ обумовлюється складною взаємодією генетичних, екологічних і соціально-економічних факторів ризику.Оптимізація діагностики даної патології відбулася завдяки впровадженню скринінгу раку грудної залози за допомогою променевих методів візуалізації, але широке залучення скринінгу РГЗ потребує значних фінансових вкладень. Використання штучного інтелекту (ШІ) може покращити ефективність діагностики РГЗ, використовуючи при цьому менше ресурсів, ніж сучасна стандартна схема діагностики. Метою роботи було провести бібліометричний аналіз та систематизацію даних щодо застосування штучного інтелекту для покращення променевої діагностики раку грудної залози. Автори провели пошук, аналіз та систематизацію наукових публікацій щодо застосування штучного інтелекту в променевій діагностиці раку грудної залози в електронних базах даних, таких як PubMed, Scopus, Web of Science та GoogleScholar, за останні 40 років за ключовими словами «штучний інтелект» та «рак грудної залози». Для візуалізації результатів дослідження застосовувалися інструменти бібліометричного аналізу бази даних Scopus та система побудови бібліометричних мереж VOSviewer. За результатами бібліометричного аналізу публікацій у базі даних Scopus за ключовими словами «штучний інтелект» та «рак грудної залози», було встановлено, що за останні 5 років значно збільшилась кількість статей у даній галузі, а найбільше досліджень проводиться в Сполучених Штатах Америки, Індії, Китаю та Великій Британії. Дані публікації можна розподілити на 11 предметних областей, переважна більшість яких належить до медицини, комп’ютерних наук, біохімії, інженерії та математики За допомогою інструментів візуалізації бібліометричних мереж VOSviewer 4751 публікацій у базі даних Scopus за ключовими словами «штучний інтелект» та «рак грудної залози» можна розподілити на 3 тематичні кластери: штучний інтелект та машинне навчання, променеві методи візуалізації РГЗ, патоморфологічна діагностика та лікування РГЗ. Також можна виділити 3 хронологічні етапи: дослідження за допомогою статистичних та математичних методів, розвиток штучний інтелекту та машинного навчання, застосування штучного інтелекту для автоматизації аналізу результатів методів візуалізації, початок залучення штучного інтелекту до аналізу патогістологічних зображень.

Теги:

Список цитованої літератури:

1. Nicolis O, De Los Angeles D, Taramasco CA. Contemporary review of breast cancer risk factors and the role of artificial intelligence. Front Oncol. 2024;14:1356014. DOI: 10.3389/fonc.2024.1356014.
2. Mann RM, Athanasiou A, Baltzer PAT, Camps-Herrero J, Clauser P, Fallenberg EM, et al. European Society of Breast Imaging (EUSOBI). Breast cancer screening in women with extremely dense breasts: Recommendations of the European Society of Breast Imaging (EUSOBI). Eur Radiol. 2022;32(6):4036-4045. DOI: 10.1007/s00330-022-08617-6.
3. Ren W, Chen M, Qiao Y, Zhao F. Global guidelines for breast cancer screening: A systematic review. Breast. 2022;64:85-99. DOI: 10.1016/j.breast.2022.04.003.
4. Mars N, Kerminen S, Tamlander M, Pirinen M, Jakkula E, Aaltonen K, et al. Comprehensive inherited risk estimation for risk-based breast cancer screening in women. J Clin Oncol. 2024;42(13):1477-1487. DOI: 10.1200/JCO.23.00295.
5. Sprague BL, Ichikawa L, Eavey J, Lowry KP, Rauscher G, O’Meara ES, et al. Breast cancer risk characteristics of women undergoing whole-breast ultrasound screening versus mammography alone. Cancer. 2023;129(16):2456-2468. DOI: 10.1002/cncr.34768.
6. Li M, Wang H, Qu N, Piao H, Zhu B. Breast cancer screening and early diagnosis in China: a systematic review and meta-analysis on 10.72 million women. BMC Womens Health. 2024;24(1):97. DOI: 10.1186/s12905-024-02924-4.
7. Alsharif WM. The utilization of artificial intelligence applications to improve breast cancer detection and prognosis. Saudi Med J. 2023;44(2):119-127. DOI: 10.15537/smj.2023.44.2.20220611.
8. Larsen M, Olstad CF, Lee CI, Hovda T, Hoff SR, Martiniussen MA, et al. Performance of an Artificial Intelligence System for Breast Cancer Detection on Screening Mammograms from BreastScreen Norway. Radiol Artif Intell. 2024;6(3):e230375. DOI: 10.1148/ryai.230375.
9. Wilkinson AN, Billette JM, Ellison LF, Killip MA, Islam N, Seely JM. The Impact of Organised Screening Programs on Breast Cancer Stage at Diagnosis for Canadian Women Aged 40-49 and 50-59. Curr Oncol. 2022;29(8):5627-5643. DOI: 10.3390/curroncol29080444.
10. Christiansen SR, Autier P, Støvring H. Change in effectiveness of mammography screening with decreasing breast cancer mortality: a population-based study. Eur J Public Health. 2022;32(4):630-635. DOI: 10.1093/eurpub/ckac047.
11. Song SY, Park B, Hong S, Kim MJ, Lee EH, Jun JK. Comparison of Digital and Screen-Film Mammography for Breast-Cancer Screening: A Systematic Review and Meta-Analysis. J Breast Cancer. 2019;22(2):311-325. DOI: 10.4048/jbc.2019.22.e24.
12. Sprague BL, Kerlikowske K, Bowles EJA, Rauscher GH, Lee CI, Tosteson ANA, et al. Trends in Clinical Breast Density Assessment From the Breast Cancer Surveillance Consortium. J Natl Cancer Inst. 2019;111(6):629-632. DOI: 10.1093/jnci/djy210.
13. Evans A, Trimboli RM, Athanasiou A, Balleyguier C, Baltzer PA, Bick U, et al. European Society of Breast Imaging (EUSOBI) , with language review by Europa Donna–The European Breast Cancer Coalition. Breast ultrasound: recommendations for information to women and referring physicians by the European Society of Breast Imaging. Insights Imaging. 2018;9(4):449-461. DOI: 10.1007/s13244-018-0636-z.
14. Bick U, Trimboli RM, Athanasiou A, Balleyguier C, Baltzer PAT, Bernathova M, et al. European Society of Breast Imaging (EUSOBI), with language review by Europa Donna–The European Breast Cancer Coalition. Image-guided breast biopsy and localisation: recommendations for information to women and referring physicians by the European Society of Breast Imaging. Insights Imaging. 2020;11(1):12. DOI: 10.1186/s13244-019-0803-x.
15. Schaffter T, Buist DSM, Lee CI, Nikulin Y, Ribli D, Guan Y, et al. Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Netw Open. 2020;3(3):e200265. DOI: 10.1001/jamanetworkopen.2020.0265. Erratum in: JAMA Netw Open. 2020;3(3):e204429. DOI: 10.1001/jamanetworkopen. 2020.4429.
16. Larsen M, Olstad CF, Lee CI, Hovda T, Hoff SR, Martiniussen MA, et al. Performance of an Artificial Intelligence System for Breast Cancer Detection on Screening Mammograms from BreastScreen Norway. Radiol Artif Intell. 2024;6(3):e230375. DOI: 10.1148/ryai.230375.
17. Becker AS, Mueller M, Stoffel E, Marcon M, Ghafoor S, Boss A. Classification of breast cancer in ultrasound imaging using a generic deep learning analysis software: a pilot study. Br J Radiol. 2018;91(1083):20170576. DOI: 10.1259/bjr.20170576.
18. Eskreis-Winkler S, Onishi N, Pinker K, Reiner JS, Kaplan J, Morris EA, et al. Using Deep Learning to Improve Nonsystematic Viewing of Breast Cancer on MRI. J Breast Imaging. 2021;3(2):201-207. DOI: 10.1093/jbi/wbaa102.
19. Yi PH, Singh D, Harvey SC, Hager GD, Mullen LA. Deep CAT: Deep Computer-Aided Triage of Screening Mammography. J Digit Imaging. 2021;34(1):27-35. DOI: 10.1007/s10278-020-00407-0.
20. Ou WC, Polat D, Dogan BE. Deep learning in breast radiology: current progress and future directions. Eur Radiol. 2021;31(7):4872-4885. DOI: 10.1007/s00330-020-07640-9.
21. Choi JS, Han BK, Ko ES, Bae JM, Ko EY, Song SH, et al. Effect of a Deep Learning Framework-Based Computer-Aided Diagnosis System on the Diagnostic Performance of Radiologists in Differentiating between Malignant and Benign Masses on Breast Ultrasonography. Korean J Radiol. 2019;20(5):749-758. DOI: 10.3348/kjr.2018.0530.
22. Chan HP, Hadjiiski LM, Samala RK. Computer-aided diagnosis in the era of deep learning. Med Phys. 2020;47(5):e218-e227. DOI: 10.1002/mp.13764.
23. Sheth D, Giger ML. Artificial intelligence in the interpretation of breast cancer on MRI. J Magn Reson Imaging. 2020;51(5):1310-1324. DOI: 10.1002/jmri.26878.
24. Adachi M, Fujioka T, Mori M, Kubota K, Kikuchi Y, Xiaotong W, et al. Detection and Diagnosis of Breast Cancer Using Artificial Intelligence Based assessment of Maximum Intensity Projection Dynamic Contrast-Enhanced Magnetic Resonance Images. Diagnostics (Basel). 2020;10(5):330. DOI: 10.3390/diagnostics10050330.
25. Ayatollahi F, Shokouhi SB, Mann RM, Teuwen J. Automatic breast lesion detection in ultrafast DCE-MRI using deep learning. Med Phys. 2021;48(10):5897-5907. DOI: 10.1002/mp.15156.
26. Van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021;31(6):3797-3804. DOI: 10.1007/s00330-021-07892-z.
27. Strohm L, Hehakaya C, Ranschaert ER, Boon WPC, Moors EHM. Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. Eur Radiol. 2020;30(10):5525-5532. DOI: 10.1007/s00330-020-06946-y.
28. Larsen M, Olstad CF, Lee CI, Hovda T, Hoff SR, Martiniussen MA, et al. Performance of an Artificial Intelligence System for Breast Cancer Detection on Screening Mammograms from BreastScreen Norway. Radiol Artif Intell. 2024;6(3):e230375. DOI: 10.1148/ryai.230375.

Публікація статті:

«Вісник проблем біології і медицини», 2024 Випуск 4, 175, 46-54 сторінки, код УДК 618.19-006-071:004.8:001.891

DOI:

10.29254/2077-4214-2024-4-175-46-54