# Чому AI-скринінг раку молочної залози розчаровує радіологів

> AI-інструменти для мамографії в реальній практиці відстають від очікувань радіологів, попри сильні лабораторні результати на кшталт шведського MASAI.

- Опубліковано: 12 серпня 2026 р. (2026-08-12T17:17:32.185883+00:00)
- Розділ: Медицина і AI
- На основі публікації: [The Decoder](https://the-decoder.com/ai-tools-for-breast-cancer-detection-fall-short-of-radiologists-expectations/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=%D1%87%D0%BE%D0%BC%D1%83-ai-%D1%81%D0%BA%D1%80%D0%B8%D0%BD%D1%96%D0%BD%D0%B3-%D1%80%D0%B0%D0%BA%D1%83-%D0%BC%D0%BE%D0%BB%D0%BE%D1%87%D0%BD%D0%BE%D1%97-%D0%B7%D0%B0%D0%BB%D0%BE%D0%B7%D0%B8-%D1%80%D0%BE%D0%B7%D1%87%D0%B0%D1%80%D0%BE%D0%B2%D1%83%D1%94-%D1%80%D0%B0%D0%B4%D1%96%D0%BE%D0%BB%D0%BE%D0%B3%D1%96%D0%B2

---

Шведське дослідження MASAI (Lund University, 2023) показало: коли AI-система читає мамограми як другий радіолог, виявлення раку молочної залози зростає приблизно на 20%, а кількість хибних викликів на повторний огляд практично не змінюється. Це один з найцитованіших аргументів на користь AI-скринінгу — і саме тому нова хвиля відгуків із реальної клінічної практики звучить особливо різко.

За даними [The Decoder](https://the-decoder.com/ai-tools-for-breast-cancer-detection-fall-short-of-radiologists-expectations/), комерційні AI-інструменти для виявлення раку молочної залози, які лікарі впроваджують у щоденну роботу, не виправдовують очікувань, сформованих контрольованими дослідженнями та маркетинговими матеріалами виробників. Радіологи, які вже пропрацювали з такими системами місяці й роки, повідомляють про розрив між лабораторними бенчмарками і тим, що AI видає на реальному потоці пацієнток.

Для AI-білдерів це не разова новина про медицину — це чергове підтвердження проблеми, яка переслідує будь-який клінічний ML-продукт: модель, натренована й провалідована на одному датасеті, поводиться інакше на іншому обладнанні, іншій популяції пацієнток та в іншому робочому процесі клініки.

## Що саме розчаровує радіологів на практиці?

Головна скарга — нестабільність результату між різними умовами експлуатації. Модель для аналізу мамограм зазвичай тренують на знімках з апаратів одного-двох виробників (наприклад, Hologic або GE Healthcare), і її чутливість помітно падає, коли клініка використовує обладнання іншого бренда. Друга проблема — щільна тканина молочної залози, типова для молодших пацієнток: саме на таких знімках AI частіше або пропускає підозрілі ділянки, або, навпаки, генерує хибнопозитивні спрацювання, які збільшують навантаження на радіолога, а не знижують його.

- Падіння чутливості при переході на інший виробник мамографа чи протокол зйомки

- Вища частка хибнопозитивних на щільній тканині молочної залози

- Слабке представлення окремих демографічних груп у тренувальних даних

- Відсутність зрозумілого пояснення, чому саме модель позначила ділянку як підозрілу

Останній пункт — про довіру, а не про точність. Радіолог, який отримує від AI лише «score 0.87» без інтерпретованого обґрунтування, змушений або сліпо довіряти системі, або витрачати час на повторну перевірку кожного її висновку — а це прямо суперечить обіцянці «прискорити скринінг».

## Чому лабораторні метрики не переносяться на клініку напряму?

Reader-дослідження на кшталт MASAI зазвичай проводять на одному типі обладнання, в одній системі охорони здоров'я, з ретельно контрольованим потоком знімків. Це коректний спосіб довести, що AI-архітектура здатна допомогти, — але він не гарантує стабільність метрик після переїзду моделі в іншу лікарню з іншим казміксом пацієнток. У машинному навчанні це називають distribution shift: розподіл вхідних даних у продакшені відрізняється від того, на якому модель валідували, і точність деградує непередбачувано.

FDA у США вже видала дозвіл на десятки AI-систем для аналізу мамографій за спрощеною процедурою 510(k), яка спирається переважно на ретроспективні дані одного розробника, а не на проспективні мультицентрові випробування. Це прискорює вихід продуктів на ринок, але залишає прогалину саме там, де радіологи зараз відчувають розрив між обіцянкою і реальністю.

## Кому в індустрії AI-діагностики це найбільше вдарить по репутації?

Найбільший ризик — у вендорів, які продають AI як заміну другого радіолога, а не як допоміжний інструмент. Якщо регулятори чи страхові компанії почнуть вимагати проспективних мультицентрових даних замість ретроспективних бенчмарків одного постачальника, цикл виведення нового продукту на ринок помітно подовжиться — і невеликим стартапам буде складніше конкурувати з великими гравцями, які можуть собі дозволити довгі клінічні випробування.

Друга група ризику — команди, що продають узагальнене «AI diagnostic accuracy: 95%+» без розбивки по виробниках обладнання, щільності тканини й демографії. Такий маркетинг створює завищені очікування, які потім публічно розбиваються об досвід практикуючих лікарів — саме та динаміка, яку зараз фіксує The Decoder.

## Що з цього випливає для AI-білдерів у медицині?

Наша теза в AiiN проста: у клінічному ML розрив між лабораторною і реальною точністю — не побічний ефект, а системний ризик, який треба закладати в продукт з першого дня, а не лікувати після скарг лікарів. Практичні висновки для команд, що будують медичні AI-продукти:

- Валідуйте модель на даних щонайменше двох-трьох виробників обладнання до релізу, а не після перших скарг клієнтів

- Публікуйте метрики окремо для щільної й нещільної тканини — усереднена точність ховає найгірші сценарії

- Проєктуйте інтерфейс під роль «другого читача», що пояснює свій висновок, а не «чорної скриньки», яку або приймають, або ігнорують

- Плануйте бюджет на проспективну мультицентрову валідацію ще на етапі pre-seed — а не як щось, що можна відкласти до Series A

## Чи означає це, що AI-скринінг раку молочної залози не працює?

Ні. Контрольовані дослідження на кшталт MASAI показують реальний приріст у виявленні раку, коли AI використовують як другого читача поряд із радіологом. Проблема не в самій ідеї, а в розриві між умовами випробування та умовами масового розгортання в різних клініках.

## Чи замінить AI радіологів найближчим часом?

Наразі жодна схвалена регулятором система не позиціонується як повна заміна лікаря-діагноста. Поточна модель використання — асистент або другий читач, фінальне рішення й досі за радіологом.

## На що орієнтуватись клініці, що обирає AI-інструмент для мамографії?

Питати вендора про валідацію на власному обладнанні клініки та на подібному до вашого казміксі пацієнток, а не покладатись лише на опубліковані середні показники точності.

---

Теги: AI, медицина, мамографія, радіологія, MedTech, ШІ

Джерело: AiiN — https://aiin.news/article?slug=%D1%87%D0%BE%D0%BC%D1%83-ai-%D1%81%D0%BA%D1%80%D0%B8%D0%BD%D1%96%D0%BD%D0%B3-%D1%80%D0%B0%D0%BA%D1%83-%D0%BC%D0%BE%D0%BB%D0%BE%D1%87%D0%BD%D0%BE%D1%97-%D0%B7%D0%B0%D0%BB%D0%BE%D0%B7%D0%B8-%D1%80%D0%BE%D0%B7%D1%87%D0%B0%D1%80%D0%BE%D0%B2%D1%83%D1%94-%D1%80%D0%B0%D0%B4%D1%96%D0%BE%D0%BB%D0%BE%D0%B3%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.