AI для виявлення раку молочної залози: складніша модель не завжди точніша

Дослідники порівняли класичні алгоритми машинного навчання та глибокі нейромережі на шести наборах даних для виявлення раку молочної залози й отримали важливий практичний висновок: найкраща модель залежить від типу інформації, а не від модності архітектури. На структурованих медичних таблицях сильними виявилися Random Forest і Gradient Boosting, тоді як для гістології, мамографії та ультразвуку краще працювали згорткові мережі.

Шість наборів даних і два різні класи задач

Для структурованих записів автори використали Wisconsin Breast Cancer Dataset, CSAW-CC і базу SEER. Тут моделі отримують числа й категорії — наприклад характеристики клітин або клінічні параметри — і прогнозують клас. Команда перевірила Random Forest, Decision Tree, Logistic Regression, Gradient Boosting і Bayesian classifier.

Окремо тестували медичні зображення: мамограми, гістологічні препарати й ультразвукові скани. Для них застосували звичайну CNN, ResNet50, VGG16 і DenseNet. Такий поділ важливий: картинка містить просторові закономірності, для яких згорткові мережі створені спеціально, а таблиця часто не потребує настільки важкої архітектури.

Високі показники — але в межах ретроспективного тесту

На гістологічних зображеннях найкращі глибокі моделі досягали точності 97,88%, на ультразвукових — 92%. На структурованих даних ансамблеві та ймовірнісні алгоритми показували до 98%. Проте ці значення не можна прямо читати як «AI діагностує 98 зі 100 пацієнток». Дослідження порівнює моделі на вже зібраних і розмічених наборах, а не в реальній клініці з новими пацієнтами, різними апаратами та складними прикордонними випадками.

Чому самої точності недостатньо

У медичному прогнозі важливо не лише правильно назвати клас, а й чесно оцінити невпевненість. Якщо система показує «ризик 90%», але серед таких випадків правильними є лише 60%, лікар отримує оманливий сигнал. Це називається поганою калібровкою.

Автори встановили, що серед табличних моделей найкраще відкалібровані ймовірності давали Logistic Regression, Gradient Boosting і Random Forest. Decision Tree та Naive Bayes працювали гірше. Серед мереж калібрування було прийнятнішим на великих гістологічних наборах і слабшим на меншому ультразвуковому BUSI. Базова CNN, навчена з нуля, мала найвищу помилку калібрування на двох наборах.

Глибина мережі не гарантує переваги

DenseNet121 була найточнішою на гістології, але збільшення глибини архітектури саме по собі не дало стабільного виграшу. Багато числових відмінностей між моделями не були статистично значущими за довірчими інтервалами та тестами авторів. Це застерігає від рейтингу моделей за однією цифрою без урахування обсягу вибірки, дисбалансу класів і способу підготовки даних.

Для розробників медичного AI висновок практичний: спочатку потрібно визначити модальність, клінічний сценарій і ціну помилки, а вже потім вибирати архітектуру. Для таблиць простіша модель може бути швидшою, зрозумілішою і не менш точною. Для зображень трансферне навчання часто дає кращий результат, ніж CNN із випадковою ініціалізацією.

Чого ще бракує до клінічного застосування

Усі набори були ретроспективними й мали патологічне підтвердження. Це корисно для обчислювального бенчмарку, але не доводить зменшення кількості пропущених пухлин, поліпшення результатів лікування чи надійність у різних лікарнях. Потрібні проспективні багатоцентрові дослідження, порівняння з роботою лікарів, аналіз різних сканерів і протоколів, а також перевірка пояснюваності.

Тому технологію варто бачити як потенційний інструмент підтримки, а не автономного діагноста. Її цінність з’явиться лише тоді, коли модель працюватиме на нових пацієнтах, правильно повідомлятиме про невпевненість і вписуватиметься в клінічний процес без додаткового ризику.

Джерело: PLOS Digital Health, Deepthi, Ashalatha Nayak і Rani Oomman Panicker. Текст перекладено й адаптовано українською. Стаття та використані фігури поширюються за CC BY 4.0.