Программная реализация системы принятия диагностических решений на основе мультипараметрических ультразвуковых показателей образований молочной железы

Цель исследования: построение системы принятия диагностических решений на основании данных мультипараметрического ультразвукового исследования (УЗИ) молочной железы.

Материал и методы. Обследованы 277 женщин с различными жалобами на заболевания молочных желез с помощью широкого спектра технологий УЗИ, включающих эластографию и контрастное усиление (КУ). Для верификации образований пациенткам было проведено гистологическое или цитологическое исследование. Результаты УЗИ, гистологического и цитологического заключения вносились в базу данных. Из базы данных выделена «обучающая» выборка в количестве 219 пациенток, проведена группировка выборки пациенток по визуальным характеристикам УЗИ, выполнен анализ групп данных, составлена таблица относительных частот встречаемости (вероятности) симптомов при данном диагнозе. На основании свертки и метода Байеса построена система поддержки принятия врачебного решения по возрасту, клинической картине и результатам ультразвуковой диагностики. По исходной базе данных для программной реализации определены чувствительность и специфичность.

Заключение. Предложенная система поддержки принятия решения позволяет определить вероятность малигнизации, стандартизировать принятие решения в дифференциальной диагностике образований молочной железы.

1. Dietzel M., Baltzer P.A.T. How to use the Kaiser score as a clinical decision rule for diagnosis in multiparametric breast MRI: A pictorial essay. Insights Imaging. 2018;9(3):325–335. DOI: 10.1007/s13244-018-0611-8.

2. Li J., Guo L., Yin L., Fang H., Ye W., Zhao B. et al. Can different regions of interest influence the diagnosis of benign and malignant breast lesions using quantitative parameters of contrast-enhanced sonography? Eur. J. Radiol. 2018;108:1–6. DOI: 10.1016/j.ejrad.2018.09.005.

3. Cheng R., Li J., Ji L., Liu H., Zhu L. Comparison of the diagnostic efficacy between ultrasound elastography and magnetic resonance imaging for breast masses. Exp. Ther. Med. 2018;15(3):2519–2524. DOI: 10.3892/etm.2017.5674.

4. Itoh A., Ueno E., Tohno E., Kamma H., Takahashi H., Shiina T. et al. Breast disease: clinical application of US elastography for diagnosis. Radiology. 2006;239(2):341–350. DOI: 10.1148/radiol.2391041676.

5. Бусько Е.А., Мищенко А.В., Семиглазов В.В. Определение порогового значения соноэластографического коэффициента жесткости в дифференциальной диагностике доброкачественных и злокачественных новообразований молочной железы. Кремлевская медицина. Клинический вестник. 2013;(1):112–115.

6. Гончарова А.В. Постановка предварительного медицинского диагноза на основе теории нечетких множеств с использованием меры Сугено. Вестник Санкт-Петербургского университета. Серия. 10. Прикладная математика. Информатика. Процессы управления. 2019;15(4):529–543. DOI: 10.21638/11702/spbu10.2019.409.

7. Бусько Е.А. Паттерны контрастного ультразвукового исследования молочной железы. Радиология – Практика. 2017;(4):6–17.

8. Гончарова А.В., Аржаник А.А. Сравнение способов преобразования количественных данных в бинарные при предсказании рисков осложнений внебольничной пневмонии. Процессы управления и устойчивость: труды 51-й международной научной конференции аспирантов и студентов. 2020;7(1):148–152. URL: https://dspace.spbu.ru/handle/11701/18515.

9. Бейли Н. Математика в биологии и медицине. М.: Мир; 1970:327.