Перетворення догляду за раком грудей: інновації на основі штучного інтелекту в детекції, діагностиці та прогнозуванні

В останні роки штучний інтелект (ШІ) все більше інтегрується в різні сфери медицини, зокрема в онкологію та, більш конкретно, в дослідження та лікування раку грудей. Цей огляд розглядає чотири основні області, де ШІ і рак грудей перетинаються:

• Прогнозування цілей для раку грудей за допомогою ШІ з інтеграцією мультимодальних даних
• Хістопатологічна характеристика раку грудей за допомогою ШІ
• Плани лікування раку грудей, побудовані на ШІ
• Прогнозування виживаності внаслідок відповіді на лікування за допомогою ШІ

Логотип Better Healthcare with AI (bHAI)

Прогнозування цілей для раку грудей з інтеграцією мультимодальних даних за допомогою ШІ

Система звітності та даних для виявлення раку грудей (BI-RADS) є широко використовуваним інструментом для оцінки ризику раку грудей на основі зображень, таких як мамографія, ультразвукове дослідження та МРТ. Підтримана Американським онкологічним товариством (ACS) [1], BI-RADS покращує комунікацію серед медичних працівників, але залежить від досвіду радіологів, що вводить певну суб'єктивність. Це якісний інструмент, який фокусується лише на зображеннях, не враховуючи такі фактори, як репродуктивна історія, полігенні ризикові бали або гістопатологічні дані. Занадто велика залежність від зображень може призвести до непотрібних біопсій або пропущених злоякісних утворень, особливо у щільній тканині грудей, де чутливість зображення зменшена. Для покращення оцінки ризику раку грудей BI-RADS може бути доповнена інструментами на основі ШІ, які інтегрують різні типи даних.

Загалом, інструменти на основі ШІ для виявлення раку грудей швидко розвиваються, використовуючи машинне навчання (ML), інтеграцію мультимодальних даних та інноваційні стратегії впровадження для більш комплексної оцінки ризику раку грудей. Останні моделі інтегрують різноманітні типи даних для підвищення точності прогнозування. Хуссейн та ін. [2] розглянули глибоке навчання (DL) та традиційні методи, які включають зображення (наприклад, мамографії, ультразвукові дослідження, МРТ, ПЕТ сканування) і неізображувальні дані, такі як геномні ознаки, полігенні ризикові бали та фактори способу життя. Одним із помітних прикладів є модель Mirai, яка використовує глибоке навчання на основі щільності мамографії для ефективного виявлення пацієнтів із високим ризиком у різних наборах даних, вирішуючи проблему відсутніх даних про традиційні ризикові фактори та демонструючи надійні результати серед різних популяцій.

Накач та ін. [3] провели огляд мультимодальних технік глибокого навчання (MMDL) для класифікації раку грудей. Їхні результати показали, що більшість досліджень інтегрують клінічні дані з зображеннями або генами, хоча лише мала частина поєднує всі три модальності. Дослідження охоплюють різні цілі, зокрема прогнозування виживаності (44%), бінарну класифікацію злоякісних і доброякісних пухлин (21%), класифікацію молекулярних підтипів (13%) і прогнозування рецидивів (8%).

Зараз основний акцент мультимодальних інструментів глибокого навчання зміщується з простого підвищення точності прогнозування до поліпшення інтерпретованості, що є важливим для клінічного впровадження. Останнє дослідження Цянь та ін. [4] представило модель BMU-Net, яка інтегрує мамографії, ультразвукові зображення та клінічні метадані, використовуючи попередньо навчальні ваги з моделі Mirai. BMU-Net продемонстрував вищу ефективність при діагностиці на рівні патології та надав теплові карти для допомоги клініцистам у визначенні важливих областей, що збільшує довіру до прогнозів ШІ.

Методи пояснювального ШІ (XAI), такі як адитивні пояснення Шеплі (SHAP), місцеві інтерпретовані моделі (LIME) та градієнтно-вагове картографування активації класу (GRAD-CAM), все частіше використовуються для підвищення прозорості. Огляд Амірехсана Гасемі та ін. [5] показав, що SHAP є найбільш популярним методом XAI в дослідженнях раку грудей. Крім того, з'являються нові інструменти, такі як генеративні моделі з використанням GRAD-CAM або attention CAM, як зазначено у роботі Фасели Абдуллакуккі та ін.
[6] сприяють прогресу в мультимодальних XAI.

Ці досягнення обіцяють покращення точності та пояснюваності, підвищуючи довіру як серед клініцистів, так і серед пацієнтів.

Гістопатологічна характеристика раку грудей на основі ШІ

Штучний інтелект (ШІ) здійснив революцію в гістопатології раку грудей, надавши потужні інструменти для діагностики, прогнозування та планування лікування. Інтеграція алгоритмів машинного навчання (ML) та глибокого навчання (DL) з цифровою патологією значно підвищила точність діагностики.

Системи на основі ШІ, такі як алгоритм GALEN, досягають успіху в аналізі зображень цілих зрізів (WSI) для виявлення уражень грудей, включаючи інвазивний карциному та дактильний карциному in situ (DCIS). Вони мають вражаючі показники ефективності (AUC (площа під кривою) 0,99 і 0,98 відповідно) [7].

ШІ також має потенціал у гістологічній субтипізації раку грудей, досягаючи високої точності (93,2% на наборі даних BreaKHis) у виявленні дактильних, лобулярних та рідших підтипів [7,8]. Ці досягнення підкреслюють трансформаційний потенціал ШІ для покращення точності діагностики раку грудей. Окрім виявлення, інструменти ШІ також продемонстрували свою цінність у прогнозуванні та плануванні лікування. При оцінці лімфоцитів, що інфільтрують пухлину (TILs), критичних прогностичних маркерів раку грудей, методи на основі ШІ пропонують точні та автоматизовані можливості оцінки [9].

Подібним чином, оцінки індексу проліферації Ki-67, що є важливим для прийняття рішень щодо лікування, виграють від підвищення точності та стандартизації за допомогою ШІ, значно зменшуючи помилки в клінічній оцінці (2,1% помилок з ШІ порівняно з 5,9% без ШІ) [10]. Крім того, ШІ використовувався для прогнозування відповідей на неоад'ювантну хіміотерапію (NAC) шляхом аналізу патологічних ознак з біопсійних зразків, досягаючи високої прогностичної ефективності (AUC 0,90) порівняно з моделями, що використовують лише клінічні дані [11]. Інтеграція ШІ в оцінку біомаркерів, таких як прогнозування біомаркерів безпосередньо з слайдів H&E, пропонує шлях до спрощеної діагностики та зниження витрат [12].

З розвитком застосування ШІ в гістопатології комерційні платформи, такі як PathcoreFlow™, інтегруються в клінічні робочі процеси, надаючи інструменти для автоматизованого оцінювання та візуального аналізу [13]. Хоча ці досягнення обіцяють багато, вони все ще стикаються з викликами, такими як забезпечення узагальненості моделей ШІ на різноманітних наборах даних і вирішення проблеми "чорного ящика" деяких алгоритмів [13].

Поточні дослідження спрямовані на удосконалення цих моделей і розширення їхніх можливостей. З продовженням інновацій та валідації, гістопатологія, керована ШІ, має потенціал для підвищення точності діагностики, покращення прогностичних оцінок і підтримки персоналізованих стратегій лікування раку грудей, що зрештою трансформує лікування пацієнтів.

Шаплі Адитивні Пояснення — найбільш популярна XAI техніка

Планування лікування раку грудей, кероване ШІ

Досягнення ШІ в визначенні пухлин та плануванні лікування значно змінили радіотерапію для раку грудей, підвищуючи як ефективність, так і точність. Автоматизоване контурування, основний елемент цих досягнень, значно зменшило час, що витрачається на ручне визначення органів, що піддаються ризику (OAR) та цільових обсягів, як показано в дослідженнях, орієнтованих на планування радіотерапії для пацієнтів з раком грудей [14,15].

Наприклад, моделі, засновані на згорткових нейронних мережах (CNN), показали значний потенціал у створенні клінічно прийнятних планів радіотерапії для локально поширеного раку грудей.
Використовуючи 2D карти відстаней відповідних регіонів інтересу як вхідні дані, ці моделі досягли прогнозів доз, що відповідають усім клінічним цілям, з мінімальними відмінностями (≤0,5 Гр) порівняно з планами, створеними вручну, зберігаючи постійну якість плану при значному прискоренні процесу планування [16,17].

Окрім ефективності за часом, системи планування на основі ШІ продемонстрували покращення якості планів та адаптивності. Дослідження показали, що системи на основі ШІ можуть скоротити загальний час планування з середнього значення 163 ± 97 хвилин для ручних планів до всього 33 ± 5 хвилин для автоматизованих планів, а час взаємодії з користувачем зменшується з приблизно 130 хвилин до лише 5 хвилин [18].

Крім того, ці системи покращили покриття цільового обсягу планування (PTV) без шкоди для доз ОАР, особливо в складних випадках, таких як прискорене часткове опромінення грудей за допомогою об'ємної модуляції аркової терапії (VMAT) [18]. Адаптивність систем ШІ поширюється на реальні коригування в адаптивній радіотерапії, де платформи на основі ШІ аналізують щоденні зображення для зміни планів лікування на основі анатомічних змін або варіацій розміру пухлини, забезпечуючи точність і мінімізуючи опромінення здорових тканин [19].

Оскільки ця галузь розвивається, тривають зусилля, спрямовані на покращення узагальненості моделей ШІ та вирішення таких проблем, як "чорний ящик" деяких алгоритмів, прокладаючи шлях для подальших досягнень у радіотерапії раку грудей [20,21,22].

Прогнозування виживаності на основі відповіді на лікування

Прогноз для раку грудей часто є несприятливим, що підкреслює необхідність раннього прогнозування метастазів. Як і в інших аспектах управління раком грудей, ШІ знайшов значне застосування у прогнозуванні ризику рецидиву та виживаності серед пацієнтів після операції, тобто безрецидивної виживаності (DFS).

Wang et al. [23] спробували прогнозувати DFS при неметастатичному раку грудей за допомогою моделі (Deep Learning Clinical Medicine-Based Pathological Gene Multimodal або DeepClinMed-PGM), що інтегрує молекулярні дані, патологічні слайди та клінічну інформацію для покращення розуміння та прогнозу. Об'єднання мультимодальних даних у модель DeepClinMed-PGM значно покращило її прогностичну ефективність для DFS (1, 3 і 5 років), продемонструвавши сильні здатності до дискримінації серед тренувальних, валідаційних та зовнішніх когорт. Їхня робота відображає поточну зміну напрямку до використання алгоритмів ШІ для виконання складних завдань у медичній галузі.

Неоад'ювантна терапія (NAT), лікування, яке проводиться до основної операції, є стандартом для пацієнтів з неоперабельним, але резекційним раком грудей. Патологічний повний відповідь (pCR), який можна описати як відсутність залишкових інвазивних ракових клітин у гістопатологічних зразках грудей і аксилярних лімфатичних вузлів після NAT (ypT0/is, ypN0), пов'язаний з сприятливими результатами виживаності [24]. Хоча процедура NAT не демонструє великих варіацій в різних умовах, деякі пацієнти не реагують добре, що вказує на те, що, незважаючи на токсичність, лікування може не принести реальної користі для них. У такому випадку можна передбачити pCR у таких пацієнтів до початку NAT таким чином, щоб допомогти обмежити їхній підхід до інвазивного лікування за допомогою методів глибокого навчання. Gao et al. [24] створили систему прогнозування багатоцільової відповіді (MRP), орієнтовану на специфічний прогноз відповіді на неоад'ювантну терапію у пацієнтів з раком грудей.
Система MRP використовувала довготривалі дані протягом процесу NAT у реальних клінічних умовах, інтегруючи мультимодальні джерела даних, включаючи зображення, гістологію, особисті фактори, клінічні дані та деталі терапії для учасників з раком грудей, які відповідають вимогам.

Результати цього дослідження Gao [24] показали, що:

• Модель MRP демонструє перевагу в точності прогнозування патологічного повного відповіді
• MRP показала порівнянну надійність і узагальненість з радіологами грудей, значно перевершуючи людей у прогнозуванні pCR на етапі до NAT
• MRP продемонструвала свою інтерпретованість у проектуванні для навчання/висновків

Майбутній напрямок та підхід BHAI

Незважаючи на досягнення в дослідженні раку грудей, інтеграція різноманітних типів даних, таких як полігенні ризикові оцінки (PRS), дані зображень (наприклад, мамографії) та клінічна інформація, залишається обіцяючим, але недооціненим підходом. Останні дослідження вказують на те, що така інтеграція може покращити прогнозування ризику та стратифікацію пацієнтів [25,26], хоча обмежена доступність генетичних даних, особливо в неєвропейських популяціях [27], створює труднощі. Розвиток багатонаціональних когорт і інтерпретованих моделей машинного навчання для роботи з гетерогенними даними [28,29] є важливим для усунення цих прогалин і допомоги в наданні більш персоналізованих рішень щодо лікування [30,31].

Комбінування передових методів зображення, таких як радіоміка, з генетичними даними, показує потенціал для покращення раннього виявлення [25,32]. Гібридні підходи, що поєднують оцінки радіологів (наприклад, BI-RADS) з інструментами прогнозування на основі ШІ, продемонстрували значні переваги. Наприклад, дослідження PRAIM в Німеччині [33] повідомило про покращення на 17,6% у рівнях виявлення і зменшення навантаження на радіологів завдяки використанню інтегрованого з ШІ скринінгу.

Майбутні дослідження повинні зосередитися на стандартизації протоколів інтеграції даних [27,34] і вивченні взаємодії зображень, генетичних, екологічних і факторів способу життя у прогресуванні раку [30,35], використовуючи інтерпретовані мультимодальні техніки ШІ при включенні нових факторів ризику для кожної модальності.

У BHAI ми залишаємося відданими розвитку цих зусиль у 2025 році, прагнучи покращити результати пацієнтів і вирішити проблеми в охороні здоров'я.

Бібліографія

1. https://www.cancer.org/cancer/types/breast-cancer/screening-tests-and-early-detection/mammograms/understanding-your-mammogram-report.html?
2. Hussain S, Ali M, Naseem U, Nezhadmoghadam F, Jatoi MA, Gulliver TA, Tamez-Peña JG. Прогнозування ризику раку грудей за допомогою машинного навчання: систематичний огляд. Front Oncol. 2024 Mar 20;14:1343627. doi: 10.3389/fonc.2024.1343627. PMID: 38571502; PMCID: PMC10987819.https://pmc.ncbi.nlm.nih.gov/articles/PMC10987819/
3. Nakach, FZ., Idri, A. & Goceri, E. Комплексне дослідження мультимодальних стратегій злиття глибокого навчання для класифікації раку грудей. Artif Intell Rev 57, 327 (2024). https://doi.org/10.1007/s10462-024-10984-z
4. Qian, X., Pei, J., Han, C. et al. Мультимодальна модель машинного навчання для стратифікації ризику раку грудей. Nat. Biomed. Eng (2024). https://doi.org/10.1038/s41551-024-01302-7
5. Ghasemi A, Hashtarkhani S, Schwartz DL, Shaban-Nejad A. Інтерпретований штучний інтелект в діагностиці раку грудей та прогнозуванні ризику: систематичний огляд. Cancer Innov. 2024 Jul 3;3(5):e136. https://doi.org/10.1002/cai2.136
6. Abdullakutty F, Akbari Y, Al-Maadeed S, Bouridane A, Talaat IM and Hamoudi R (2024) Гістопатологія в фокусі: огляд інтерпретованих мультимодальних підходів до діагностики раку грудей. Front. Med. 11:1450103.https://doi.org/10.3389/fmed.2024.1450103
   7.
   Система MRP використовувала довготривалі дані протягом процесу NAT у реальних клінічних умовах, інтегруючи мультимодальні джерела даних, включаючи зображення, гістологію, особисті фактори, клінічні дані та деталі терапії для учасників з раком грудей, які відповідають вимогам.

Результати цього дослідження Gao [24] показали, що:

• Модель MRP демонструє перевагу в точності прогнозування патологічного повного відповіді
• MRP показала порівнянну надійність і узагальненість з радіологами грудей, значно перевершуючи людей у прогнозуванні pCR на етапі до NAT
• MRP продемонструвала свою інтерпретованість у проектуванні для навчання/висновків

Майбутній напрямок та підхід BHAI

Незважаючи на досягнення в дослідженні раку грудей, інтеграція різноманітних типів даних, таких як полігенні ризикові оцінки (PRS), дані зображень (наприклад, мамографії) та клінічна інформація, залишається обіцяючим, але недооціненим підходом. Останні дослідження вказують на те, що така інтеграція може покращити прогнозування ризику та стратифікацію пацієнтів [25,26], хоча обмежена доступність генетичних даних, особливо в неєвропейських популяціях [27], створює труднощі. Розвиток багатонаціональних когорт і інтерпретованих моделей машинного навчання для роботи з гетерогенними даними [28,29] є важливим для усунення цих прогалин і допомоги в наданні більш персоналізованих рішень щодо лікування [30,31].

Комбінування передових методів зображення, таких як радіоміка, з генетичними даними, показує потенціал для покращення раннього виявлення [25,32]. Гібридні підходи, що поєднують оцінки радіологів (наприклад, BI-RADS) з інструментами прогнозування на основі ШІ, продемонстрували значні переваги. Наприклад, дослідження PRAIM в Німеччині [33] повідомило про покращення на 17,6% у рівнях виявлення і зменшення навантаження на радіологів завдяки використанню інтегрованого з ШІ скринінгу.

Майбутні дослідження повинні зосередитися на стандартизації протоколів інтеграції даних [27,34] і вивченні взаємодії зображень, генетичних, екологічних і факторів способу життя у прогресуванні раку [30,35], використовуючи інтерпретовані мультимодальні техніки ШІ при включенні нових факторів ризику для кожної модальності.

У BHAI ми залишаємося відданими розвитку цих зусиль у 2025 році, прагнучи покращити результати пацієнтів і вирішити проблеми в охороні здоров'я.

Бібліографія

1. https://www.cancer.org/cancer/types/breast-cancer/screening-tests-and-early-detection/mammograms/understanding-your-mammogram-report.html?
2. Hussain S, Ali M, Naseem U, Nezhadmoghadam F, Jatoi MA, Gulliver TA, Tamez-Peña JG. Прогнозування ризику раку грудей за допомогою машинного навчання: систематичний огляд. Front Oncol. 2024 Mar 20;14:1343627. doi: 10.3389/fonc.2024.1343627. PMID: 38571502; PMCID: PMC10987819.https://pmc.ncbi.nlm.nih.gov/articles/PMC10987819/
3. Nakach, FZ., Idri, A. & Goceri, E. Комплексне дослідження мультимодальних стратегій злиття глибокого навчання для класифікації раку грудей. Artif Intell Rev 57, 327 (2024). https://doi.org/10.1007/s10462-024-10984-z
4. Qian, X., Pei, J., Han, C. et al. Мультимодальна модель машинного навчання для стратифікації ризику раку грудей. Nat. Biomed. Eng (2024). https://doi.org/10.1038/s41551-024-01302-7
5. Ghasemi A, Hashtarkhani S, Schwartz DL, Shaban-Nejad A. Інтерпретований штучний інтелект в діагностиці раку грудей та прогнозуванні ризику: систематичний огляд. Cancer Innov. 2024 Jul 3;3(5):e136. https://doi.org/10.1002/cai2.136
6. Abdullakutty F, Akbari Y, Al-Maadeed S, Bouridane A, Talaat IM and Hamoudi R (2024) Гістопатологія в фокусі: огляд інтерпретованих мультимодальних підходів до діагностики раку грудей. Front. Med. 11:1450103.https://doi.org/10.3389/fmed.2024.1450103
   7.
   Маріко Кавамура, Такеші Камомае, Масахіро Янаґава, Коджі Камагата, Шохей Фудзіта, Даіджу Уеда, Юсуке Мацуї, Ясутакі Фусімі, Томоюкі Фудзіока, Тайкі Нозаки, Акера Ямада, Кенджі Хірата, Рінтаро Іто, Норіюкі Фудзіма, Фумінарі Тацуґамі, Такеші Накаура, Такахіро Цубояма, Сінджі Наганава, Революція в радіаційній терапії: роль ШІ в клінічній практиці, Журнал радіаційних досліджень, том 65, випуск 1, січень 2024, сторінки 1–9, https://doi.org/10.1093/jrr/rrad090
7. Вірарратна ІН, Камбле АР, Лухарія А. Застосування штучного інтелекту для біомедичних досліджень раку: огляд. Cureus. 2023 Nov 5;15(11):e48307. doi:10.7759/cureus.48307. PMID: 38058345; PMCID: PMC10697339.
8. Цзянь С, Сюе Й, Лі М, Ян Ц, Чжан Д, Ван Ц, Ван Дж, Чен Дж, Юй Дж, Юань Ц, Ван Х, Чжан Х і Ван В (2022) Автоматизоване планування лікування після мастектомії за допомогою штучного інтелекту для об'ємної модульованої аркової радіотерапії. Front. Oncol. 12:871871. doi:10.3389/fonc.2022.871871
9. Баруді Х, Брок КК, Цао В, Чен Х, Чунг С, Курт ЛЕ, Ель Баша МД, Фархат М, Гей С, Гронберг МП, Гупта АК, Ернандес С, Хуан К, Джаффрей ДА, Лім Р, Маркес Б, Нілон К, Нетерсон ТД, Нгуєн КМ, Ребер Б, Рі ДжД, Салафар РМ, Шанкер МД, Сйогрін С, Вудленд М, Ян Дж, Ю Ц, Чжао І. Автоматизоване контурювання та планування в радіотерапії: що є «клінично прийнятним»? Diagnostics (Basel). 2023 Feb 10;13(4):667. doi: https://doi.org/10.3390/diagnostics13040667. PMID:36832155; PMCID: PMC9955359.
10. Чжехуа Ван, Руічхонг Лінь, Янчунь Лі, Цзінь Цзен, Янцзян Чень, Венхао Оуян, Хан Лі, Сюйянь Цзя, Цзіцзя Лай, Юньфан Ю, Херуї Яо, Вейфен Су, Мультимодальна інтеграція даних на основі глибокого навчання для покращення прогнозування безрецидивного виживання при раку грудей, Precision Clinical Medicine, Том 7, випуск 2, червень 2024, pbae012,https://doi.org/10.1093/pcmedi/pbae012
11. Гао, Й., Вентора-Діаз, С., Ван, Х. та ін. Пояснювальна довготривала мультимодальна модель для прогнозування відповіді на неоад'ювантну терапію у жінок з раком грудей. Nat Commun 15, 9613 (2024).https://doi.org/10.1038/s41467-024-53450-8
12. Шієх Й, Ху Д, Ма Л, Хантсман С, Гард КС, Льонг ДЖ, Тисе ЯА, Вахон КМ, Каммінгс СР, Керлікоське К, Зів Е. Прогнозування ризику раку грудей за допомогою клінічної моделі ризику та полігенного ризикового балу. Breast Cancer Res Treat. 2016 Oct;159(3):513–25. doi: 10.1007/s10549–016–3953–2. Epub 2016 Aug 26. PMID: 27565998; PMCID: PMC5033764.
13. Кара Н. Максвелл та ін.,Шлях до застосування полігенних ризикових балів для покращення та деінтенсифікації скринінгу раку грудей. JCO 42, 1462–1465(2024). DOI:10.1200/JCO.24.00029
14. Ланчбері, Дж.С., Педерсон, Х.Ж. Очевидна дилема: прийняття полігенних та генетичних панелей для персоналізованої стратифікації ризику раку грудей. BJC Rep 1, 15 (2023).https://doi.org/10.1038/s44276-023-00014-w
15. Цзянь, Л., Сюй, Ц., Бай, Й. та ін. Autosurv: інтерпретована глибока навчальна платформа для аналізу виживаності раку з включенням клінічних та мульти-оміксних даних. npj Precis. Onc. 8, 4 (2024).https://doi.org/10.1038/s41698-023-00494-6
    29.
    Тінг Джин, Нам Д Нгуєн, Фламінія Талос, Даїфенг Ван, ECMarker: інтерпретовані моделі машинного навчання для виявлення біомаркерів експресії генів, що прогнозують клінічні результати та розкривають молекулярні механізми людських захворювань на ранніх етапах, Bioinformatics, том 37, випуск 8, березень 2021, сторінки 1115–1124,https://doi.org/10.1093/bioinformatics/btaa935
16. Еліша Х’юз та ін., Інтеграція клінічних та полігенних факторів для прогнозування ризику раку грудей у жінок, які проходять генетичне тестування. JCO Precis Oncol 5, 307–316(2021). DOI:10.1200/PO.20.00246
17. Амбер Н Херсон, Парічой Пал Чоудгурі, Чі Гао, Анніка Хюсінг, Мікаель Ерікссон, Мін Ші, Майкл Е Джоунс, Д Гарт Р Іванс, Роджер Л Мілн, Мія М Гаудет, Селін М Вахон, Даніел І Часман, Дуглас Ф Істон, Мар'янка К Шмідт, Пітер Крафт, Монсеррат Гарсія-Клосас, Ніланджан Чаттерджі, для групи моделювання ризику B-CAST, Перспективна оцінка моделі ризику раку грудей, яка інтегрує класичні фактори ризику та полігенний ризик у 15 когорт з шести країн, Міжнародний журнал епідеміології, том 50, випуск 6, грудень 2021, сторінки 1897–1911,https://doi.org/10.1093/ije/dyab036
18. Гурмесса ДК, Джимма В. Інтерпретоване машинне навчання для діагностики раку грудей з використанням мамографії та ультразвукових зображень: систематичний огляд. BMJ Health Care Inform. 2024 Feb 2;31(1):e100954. doi: 10.1136/bmjhci-2023–100954. PMID: 38307616; PMCID: PMC10840064.
19. Айзманн, Н., Бунк, С., Мукама, Т. та ін. Реальне впровадження штучного інтелекту для виявлення раку на основі національного масового скринінгу мамографії. Nat Med (2025).https://doi.org/10.1038/s41591-024-03408-6
20. Робертс Е, Гауелл С, Іванс ДЖ. Полігенні ризикові бали та прогнозування ризику раку грудей. Breast. 2023 Feb;67:71–77. doi: 10.1016/j.breast.2023.01.003. Epub 2023 Jan 10. PMID: 36646003; PMCID: PMC9982311.
21. Лі, А., Мавадат, Н., Вілкокс, А.Н. та ін. BOADICEA: комплексна модель прогнозування ризику раку грудей, що включає генетичні та негенетичні фактори ризику. Genet Med 21, 1708–1718 (2019).https://doi.org/10.1038/s41436-018-0406-9

Перекладено з: Reshaping Breast Cancer Care: AI-Driven Advances in Detection, Diagnosis, and Prognosis