Использование программы автоматического обнаружения и анализа образований на основе искусственного интеллекта S-Detect при ультразвуковом исследовании молочной железы: литературный обзор и собственные клинические наблюдения

Представлен обзор литературы с демонстрацией собственных клинических наблюдений использования программы автоматического обнаружения и анализа образований молочной железы на основе искусственного интеллекта S-Detect. В целом, по данным литературы, диагностическая точность S-Detect при выявлении злокачественных опухолей молочной железы достигает 86–93%. Ложноположительные результаты S-Detect часто имели место при доброкачественных образованиях больших размеров, а также наличии в них кальцинатов. Ложноотрицательные результаты S-Detect наблюдались при злокачественных опухолях малых размеров, а также отсутствии в них кальцинатов. Вместе с тем ряд авторов подчеркивают повышение диагностической точности при дифференциальной ультразвуковой диагностике маленьких (≤20 мм) образований молочной железы с использованием S-Detect. Имеются данные о том, что при межплоскостной дискордантности S-Detect (противоречащие заключения при оценке в разных плоскостях сканирования) результаты использования S-Detect следует подвергнуть сомнению. В целом диагностическая точность S-Detect сопоставима с результатами использования ультразвуковых контрастов (CEUS) и демонстрирует более высокую точность по сравнению с эластографией. Важное значение имеет использование различных режимов S-Detect (высокая чувствительность, высокая точность, высокая специфичность: в настоящее время представляется оптимальным использовать режим “высокая точность”). В целом S-Detect демонстрирует значительно более высокую специфичность по сравнению с врачом, особенно при оценке образований BI-RADS 4a, однако при этом могут быть пропущены от 1 до 7% злокачественных опухолей. Большинство авторов отмечают, что S-Detect демонстрирует более низкую чувствительность по сравнению с врачом. При этом диагностическая точность S-Detect оказалась выше, чем у доктора с небольшим опытом работы, но она сопоставима с результатами опытного врача. Оказалось, что S-Detect более эффективна при использовании врачами, имеющим небольшой опыт работы (1–2 года), это может значительно снизить количество неоправданных инвазивных вмешательств. При использовании S-Detect врачами-экспертами не отмечалось значимого увеличения точности диагностики. Ряд авторов считают, что S-Detect может быть использована в качестве учебного пособия для начинающих врачей, перспективно использование S-Detect в регионах с ограниченными медицинскими ресурсами, что позволит снизить нагрузку на врачей.

1. Состояние онкологической помощи населению России в 2024 году / Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. М.: МНИОИ им. П.А. Герцена − филиал ФГБУ “НМИЦ радиологии” Минздрава России, 2025. 275 с.

2. Рак молочной железы: клинические рекомендации. М.: Ассоциация онкологов России, 2021. 127 с. Утв. НПС Минздрава РФ, протокол № 17-4/4884 от 25.12.2020. URL: https://oncology-association.ru/wp-content/uploads/2021/02/rak-molochnoj-zhelezy-2021.pdf

3. Kim K., Song M.K., Kim E.K., Yoon J.H. Clinical application of S-Detect to breast masses on ultrasonography: a study evaluating the diagnostic performance and agreement with a dedicated breast radiologist. Ultrasonography. 2017; 36 (1): 3−9. http://doi.org/10.14366/usg.16012.

4. Фисенко Е.П., Постнова Н.А., Ветшева Н.Н. Классификация BI-RADS в ультразвуковой диагностике новообразований молочной железы: Методическое пособие для врачей ультразвуковой диагностики. М.: ООО “Фирма СТРОМ”, 2018 г. 36 с. ISBN 978-5-900094-55-7

5. Cho E., Kim E.K., Song M.K., Yoon J.H. Application of Computer-Aided Diagnosis on Breast Ultrasonography: Evaluation of Diagnostic Performances and Agreement of Radiologists According to Different Levels of Experience. J. Ultrasound Med. 2018; 37 (1): 209−216. http://doi.org/10.1002/jum.14332

6. Di Segni M., de Soccio V., Cantisani V. et al. Automated classification of focal breast lesions according to S-detect: validation and role as a clinical and teaching tool. J. Ultrasound. 2018; 21 (2): 105−118. http://doi.org/10.1007/s40477-018-0297-2

7. Zhao C., Xiao M., Liu H. et al. Reducing the number of unnecessary biopsies of US-BI-RADS 4a lesions through a deep learning method for residents-in-training: a cross-sectional study. BMJ Open. 2020; 10 (6): e035757. http://doi.org/10.1136/bmjopen-2019-035757

8. Choi J.H., Kang B.J., Baek J.E. et al. Application of computer-aided diagnosis in breast ultrasound interpretation: improvements in diagnostic performance according to reader experience. Ultrasonography. 2018; 37 (3): 217−225. http://doi.org/10.14366/usg.17046

9. Wu J.Y., Zhao Z.Z., Zhang W.Y. et al. Computer-Aided Diagnosis of Solid Breast Lesions With Ultrasound: Factors Associated With False-negative and False-positive Results. J. Ultrasound Med. 2019; 38 (12): 3193−3202. http://doi.org/10.1002/jum.15020

10. Wang X.Y., Cui L.G., Feng J., Chen W. Artificial intelligence for breast ultrasound: An adjunct tool to reduce excessive lesion biopsy. Eur. J. Radiol. 2021; 138: 109624. http://doi.org/10.1016/j.ejrad.2021.109624

11. Yongping L., Zhou P., Juan Z. et al. Performance of Computer-Aided Diagnosis in Ultrasonography for Detection of Breast Lesions Less and More Than 2 cm: Prospective Comparative Stud y. JMIR Med. Inform. 2020; 8 (3): e16334. http://doi.org/10.2196/16334

12. Xia Q., Cheng Y., Hu J. et al. Differential diagnosis of breast cancer assisted by S-Detect artificial intelligence system. Math. Biosci. Eng. 2021; 18 (4): 3680−3689. http://doi.org/10.3934/mbe.2021184

13. Nicosia L., Addante F., Bozzini A.C. et al. Evaluation of computer-aided diagnosis in breast ultrasonography: Improvement in diagnostic performance of inexperienced radiologists. Clin. Imaging. 2022; 82: 150−155. http://doi.org/10.1016/j.clinimag.2021.11.006

14. Marini T.J., Castaneda B., Parker K. et al. No sonographer, no radiologist: Assessing accuracy of artificial intelligence on breast ultrasound volume sweep imaging scans. PLOS Digit. Health. 2022; 1 (11): e0000148. http://doi.org/10.1371/journal.pdig.0000148

15. Wei Q., Zeng S.E., Wang L.P. et al. The Added Value of a Computer-Aided Diagnosis System in Differential Diagnosis of Breast Lesions by Radiologists With Different Experience. J. Ultrasound Med. 2022; 41 (6): 1355−1363. http://doi.org/10.1002/jum.15816

16. Cheng Y., Xia Q., Wang J. et al. Value of ultrasonic S-Detect technique in diagnosis of breast masses. Nan Fang Yi Ke Da Xue Xue Bao. 2022; 42 (7): 1044−1049. http://doi.org/10.12122/j.issn.1673-4254.2022.07.12 (In Chinese)

17. He P., Chen W., Bai M.Y. et al. Clinical Application of Computer-Aided Diagnosis System in Breast Ultrasound: A Prospective Multicenter Study. Wld J. Surg. 2023; 47 (12): 3205−3213. http://doi.org/10.1007/s00268-023-07207-x

18. Култаев А.С., Закиряров И.А. Функция S-Detect как новейший метод ультразвукового исследования образований молочных желез: Сравнительная характеристика. Онкология и радиология Казахстана. 2022; 4 (66): 24–32. http://doi.org/10.52532/2521-6414-2022-4-66-24-32

19. Xing B., Chen X., Wang Y. et al. Evaluating breast ultrasound S-detect image analysis for small focal breast lesions. Front. Oncol. 2022; 12: 1030624. http://doi.org/10.3389/fonc.2022.1030624

20. Zhu Y., Zhan W., Jia X. et al. Clinical Application of Computer-Aided Diagnosis for Breast Ultrasonography: Factors That Lead to Discordant Results in Radial and Antiradial Planes. Cancer Manag. Res. 2022; 14: 751–760. http://doi.org/10.2147/CMAR.S348463

21. Zhang P., Zhang M., Lu M. et al. Comparative Analysis of the Diagnostic Value of S-Detect Technology in Different Planes Versus the BI-RADS Classification for Breast Lesions. Acad. Radiol. 2025; 32 (1): 58–66. http://doi.org/10.1016/j.acra.2024.08.005

22. He P., Chen W., Bai M.Y. et al. Application of computer-aided diagnosis to predict malignancy in BI-RADS 3 breast lesions. Heliyon. 2024; 10 (2): e24560. http://doi.org/10.1016/j.heliyon.2024.e24560

23. Du L., Liu H., Cai M. et al. Ultrasound S-detect system can improve diagnostic performance of less experienced radiologists in differentiating breast masses: a retrospective dual-centre study. Br. J. Radiol. 2025; 98 (1167): 404–411. http://doi.org/10.1093/bjr/tqae233

24. Wu Y., Huang P., Guo W. et al. Clinical application value of ultrasound artificial intelligence technology in the diagnosis of breast nodules. Clin. Hemorheol. Microcirc. 2025; 89 (4): 356–362. http://doi.org/10.1177/13860291241305491

25. Марущак Е.А., Зубарева Е.А., Глушков П.С., Фисенко Е.П. Оценка результатов применения искусственного интеллекта в ультразвуковой диагностике новообразований молочных желез. REJR. 2025; 15 (1): 119–129. http://doi.org/10.21569/2222-7415-2025-15-1-119-129

26. Hong Y.T., Yu Z.H., Chou C.P. Comparative Study of AI Modes in Ultrasound Diagnosis of Breast Lesions. Diagnostics (Basel). 2025; 15 (5): 560. http://doi.org/10.3390/diagnostics15050560

27. Буланов М.Н., Верховская О.И. Использование программы автоматического обнаружения и анализа образований щитовидной железы на основе искусственных нейронных сетей S-Detect Thyroid. Ультразвуковая и функциональная диагностика. 2024; 4: 9–40. https://doi.org/ 10.24835/1607-0771-289