ldtЛучевая диагностика и терапияDiagnostic radiology and radiotherapy2079-5343Baltic Medical Education Center10.22328/2079-5343-2026-17-2-86-97ldt-1251Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHДиагностическая точность и согласованность ИИ-сервисов между собой и с врачом-экспертом при оценке маммографических исследований по шкале BI-RADS: ретроспективное аналитическое исследованиеDiagnostic accuracy and agreement of AI services among themselves and with medical expert in evaluating mammography using the BI-RADS scale: a retrospective analytical studyhttps://orcid.org/0009-0007-8975-0017АзарянА. С.AzaryanA. S.

Азарян Авет Сергеевич -аспирант ; ассистент кафедры рентгенологии и ультразвуковой диагностики 

127051, Москва, ул. Петровка, д. 24; 121359, Москва, ул. Маршала Тимошенко д. 19, с. 1А

Avet S. Azaryan - postgraduate student; assistant Professor at the Department 

24 Petrovka St., Moscow, 127051; Timoshenko St., 19, p. 1A, Moscow, 121359

Dr.Azaryan@yandex.ruhttps://orcid.org/0009-0001-1381-0809ХрустачеваМ. Ю.KhrustachevaM. Yu.

Хрустачева Маргарита Юрьевна - аспирант 

127051, Москва, ул. Петровка, д. 24

Margarita S. Khrustacheva - postgraduate student

24 Petrovka St., Moscow, 127051

https://orcid.org/0000-0002-1786-4329ПестренинЛ. Д.PestreninL. D.

Пестренин Лев Дмитриевич - младший научный сотрудник отдела медицинской информатики, радиомики и радиогеномики

127051, Москва, ул. Петровка, д. 24

Lev D. Pestrenin - junior Research Fellow, Department of Medical Informatics, Radiomics and Radiogenomics

24 Petrovka St., Moscow, 127051

PestreninLD@zdrav.mos.ruhttps://orcid.org/0000-0002-5283-5961ВасильевЮ. А.VasilevYu. A.

Васильев Юрий Александрович - доктор медицинских наук, директор

127051, Москва, ул. Петровка, д. 24

Yuriy А. Vasilev - Dr. of Sci. (Med.), Medical Director

24 Petrovka St., Moscow, 127051

npcmr@zdrav.mos.ruhttps://orcid.org/0000-0002-2990-7736ВладзимирскийА. В.VladzymyrskyyA. V.

Владзимирский Антон Вячеславович - доктор медицинских наук, заместитель директора по научной работе

127051, Москва, ул. Петровка, д. 24

Anton V. Vladzymyrskyy - Dr. of Sci. (Med.), Deputy Director for R&D

24 Petrovka St., Moscow 127051

VladzimirskijAV@zdrav.mos.ruhttps://orcid.org/0000-0002-0245-4431ОмелянскаяО. В.OmelyanskayaO. V.

Омелянская Ольга Васильевна - руководитель по управлению подразделениями Дирекции наука

127051, Москва, ул. Петровка, д. 24

Olga V. Omelyanskaya - Chief Administrative Officer of R&D/CAO of R&D S

24 Petrovka St., Moscow 127051

OmelyanskayaOV@zdrav.mos.ruhttps://orcid.org/0000-0003-0806-3164ДоможироваА. С.DomozhirovaA. S.

Доможирова Алла Сергеевна - доктор медицинских наук, председатель научной проблемной комиссии, ученый секретарь 

127051, Москва, ул. Петровка, д. 24

Alla S. Domozhirova -Dr. of Sci. (Med.), Chair of the Scientific Problem Commission, Scientific Secretary

Moscow

2356563@mail.ruhttps://orcid.org/0000-0001-7786-0349АрзамасовК. М.ArzamasovK. M.

Арзамасов Кирилл Михайлович - доктор медицинских наук, заведующий отдела медицинской информатики, радиомики и радиогеномики 

127051, Москва, ул. Петровка, д. 24

Kirill M. Arzamasov - Dr. of Sci. (Med.), Head of Department of Medical Informatics, Radiomics, and Radiogenomics

24 Petrovka St., Moscow, 127051

ArzamasovKM@zdrav.mos.ruГацукА. С.GatsukA. S.

Гацук Андрей Сергеевич - младший научный сотрудник отдела медицинской информатики, радиомики и радиогеномики 

127051, Москва, ул. Петровка, д. 24

Anderei S. Gatsuk - junior Research Fellow, Department of Medical Informatics, Radiomics and Radiogenomics

24 Petrovka St., Moscow, 127051

GatsukAS@zdrav.mos.ruНаучно-практический клинический центр диагностики и телемедицинских технологий; Центральная государственная медицинская академияРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies; Central State Medical Academy of Department of Presidential AffairsRussian FederationНаучно-практический клинический центр диагностики и телемедицинских технологийРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine TechnologiesRussian FederationНаучно-практический клинический центр диагностики и телемедицинских технологий; МИРЭА Российский технологический университетРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies; MIREA Russian Technological UniversityRussian FederationНаучно-практический клинический центр диагностики и телемедицинских технологий; Первый Московский государственный медицинский университет имени И. М. СеченоваРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies; I. M. Sechenov First Moscow State Medical UniversityRussian FederationНаучно-практический клинический центр диагностики и телемедицинских технологий; МИРЭА Российский технологический университетРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine TechnologiesRussian FederationНаучно-практический клинический центр диагностики и телемедицинских технологий; МИРЭА Российский технологический университет; Самарский государственный медицинский университетРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies; MIREA Russian Technological University; Samara State Medical UniversityRussian Federation2026240720261728697Copyright © Азарян А.С., Хрустачева М.Ю., Пестренин Л.Д., Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Доможирова А.С., Арзамасов К.М., Гацук А.С., 20262026Азарян А.С., Хрустачева М.Ю., Пестренин Л.Д., Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Доможирова А.С., Арзамасов К.М., Гацук А.С.Azaryan A.S., Khrustacheva M.Y., Pestrenin L.D., Vasilev Y.A., Vladzymyrskyy A.V., Omelyanskaya O.V., Domozhirova A.S., Arzamasov K.M., Gatsuk A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://radiag.bmoc-spb.ru/jour/article/view/1251ВВЕДЕНИЕ

ВВЕДЕНИЕ: По данным литературы, диагностическая точность маммографических ИИ-сервисов при определении категории BI-RADS может колебаться в достаточно широком диапазоне. При этом отсутствуют исследования, посвященные оценке согласованности между ИИ-сервисами и врачом-рентгенологом при определении категории BI-RADS.

ЦЕЛЬ

ЦЕЛЬ: Оценить диагностическую точность и согласованность трех ИИ-сервисов между собой и с врачом-экспертом при оценке маммографических исследований по шкале BI-RADS.

МАТЕРИАЛЫ И МЕТОДЫ

МАТЕРИАЛЫ И МЕТОДЫ: Выполнено смешанное исследование, включавшее ретроспективный диагностический и аналитический компоненты. В анализ вошли 99 анонимизированных маммографических исследований. Исследования оценивались врачом-экспертом с определением категории BI-RADS 1–5 отдельно для правой и левой молочной железы; полученные оценки использовались в качестве референсного стандарта. Набор данных был обработан тремя коммерческими ИИ-сервисами, также определявшими категории BI-RADS 1–5.

Статистика

Статистика: Статистический анализ проводился на уровне отдельных молочных желёз (n=198). Оценивали ROC AUC, чувствительность, специфичность и точность с 95% доверительными интервалами для двух бинарных шкал BI-RADS: BI-RADS 1–3 против 4–5 и BI-RADS 1–2 против 3–5. Согласованность между ИИ-сервисами и врачом-экспертом оценивали с помощью внутриклассовой корреляции и каппы Коэна. Для сравнения диагностических показателей применяли тест Мак-Немара, для оценки различий согласованности bootstrap-анализ с 5000 повторений.

РЕЗУЛЬТАТЫ

РЕЗУЛЬТАТЫ: Оценки диагностической точности представлены в виде диапазонов значений, полученных для отдельных ИИ-сервисов, оценки согласованности включают значения, полученные для отдельных пар ИИ-сервисов или пар «ИИ-сервис + врач». Диагностическая точность ИИ-сервисов по бинарной шкале BI-RADS № 1: ROC AUC — 0,644–0,876, точность — 0,788–0,909, специфичность — 0,816–0,977, чувствительность — 0,333–0,883. По бинарной шкале BI-RADS № 2: ROC AUC — 0,795–0,915, точность — 0,808–0,939, специфичность — 0,818–0,961, чувствительность — 0,739–0,870. Согласованность между парами ИИ-сервисов по бинарной шкале BI-RADS № 1 находилась в диапазоне от 0,232 до 0,504, по бинарной шкале BI-RADS № 2 — от 0,416 до 0,663, по полной шкале BI-RADS — от 0,387 до 0,564. Согласованность между ИИ-сервисами и врачом-экспертом по бинарной шкале BI-RADS № 1 находилась в диапазоне от 0,288 до 0,641, по бинарной шкале BI-RADS № 2 — от 0,518 до 0,832, по полной шкале BI-RADS — от 0,570 до 0,701.

ОБСУЖДЕНИЕ

ОБСУЖДЕНИЕ: Диагностическая точность ИИ-сервисов по бинарной шкале BI-RADS № 1 и бинарной шкале BI-RADS № 2 соответствует диапазонам в аналогичных исследованиях. По сравнению с результатами нашего предыдущего исследования согласованность по бинарной шкале BI-RADS № 1, бинарной шкале BI-RADS № 2 и полной шкале оказалась в подавляющем большинстве случаев ниже, чем согласованность между врачами-рентгенологами.

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ: Полученные результаты подтверждают данные литературы, свидетельствующие о широких диапазонах колебаний диагностической точности ИИ-сервисов. С учетом различных шкал BI-RADS согласованность ИИ-сервисов и врача-эксперта оказалась в подавляющем большинстве случаев ниже, чем согласованность между врачами-рентгенологами, которую мы оценивали в предыдущем исследовании.

INTRODUCTION

INTRODUCTION: According to the literature, the diagnostic accuracy of mammographic AI services in determining the BIRADS category can vary quite widely. However, there are no studies that evaluate agreement between AI systems and radiologists in determining the BI-RADS category.

OBJECTIVE

OBJECTIVE: Evaluation of the diagnostic accuracy and agreement of three AI systems with each other and with an expert reader in mammographic examinations through BI-RADS.

MATERIALS AND METHODS

MATERIALS AND METHODS: A mixed study was performed, which included retrospective diagnostic and analytical components. The analysis included 99 anonymized mammographic studies. The studies were evaluated by an expert reader with the definition of BI-RADS 1–5 categories separately for the right and left breast; the scores obtained were used as a reference standard. The data set was processed by three commercial AI services, which also identified BI-RADS 1–5 categories.

Statistics

Statistics: Statistical analysis was performed at the level of individual breasts (n=198). ROC AUC, sensitivity, specificity, and accuracy were evaluated with 95% confidence intervals for two binary BI-RADS scales: BI-RADS 1–3 vs. 4–5 and BI-RADS 12 vs. 3–5. Agreement was calculated using the Pearson and Cohen intraclass correlation method for similar scales and the full BI-RADS scale. The McNemar test was used to compare diagnostic parameters, and a bootstrap analysis with 5,000 repetitions was used to assess consistency differences.

RESULTS

RESULTS: Diagnostic accuracy estimates are presented as ranges of values obtained for individual AI services, and consistency estimates include values obtained for individual pairs of AI services or pairs of «AI service + reader». Diagnostic accuracy of AI services on the BI-RADS binary scale No. 1: ROC AUC — 0.644–0.876, accuracy — 0.788–0.909, specificity — 0.816–0.977, sensitivity — 0.333–0.883. According to the BI-RADS No. 2 binary scale: ROC AUC — 0.795–0.915, accuracy — 0.808–0.939, specificity — 0.818–0.961, sensitivity — 0.739–0.870. Agreement between pairs of AI services on the BI-RADS binary scale No. 1 ranged from 0.232 to 0.504, on the BI-RADS binary scale No. 2 — from 0.416 to 0.663, on the full BI-RADS scale — from 0.387 to 0.564. Agreement between AI services and an expert reader on the binary scale BI-RADS No. 1 ranged from 0.288 to 0.641, on the binary scale BI-RADS No. 2 — from 0.518 to 0.832, on the full BI-RADS scale — from 0.570 to 0.701. 

DISCUSSION

DISCUSSION: The diagnostic accuracy of AI services on the BI-RADS No. 1 binary scale and BI-RADS No. 2 binary scale corresponded to the ranges in similar studies. Compared to the results of our previous study, the agreement on the BI-RADS No. 1 binary scale, BI-RADS No. 2 binary scale, and the full scale was in the vast majority of cases was lower than the agreement between radiologists.

CONCLUSION

CONCLUSION: In most cases, there were no statistically significant differences between the diagnostic accuracy parameters of the AI services calculated for the BI-RADS binary scale No. 1 and No. 2. There were also no statistically significant differences in the agreement between pairs of AI services and between AI services and an expert doctor, depending on the type of BI-RADS scale. Considering the various BI-RADS scales, the agreement between AI services and an expert reader was in the vast majority of cases lower than the agreement between radiologists that we evaluated in a previous study.

маммографияискусственный интеллектBI-RADSточностьсогласованностьрак молочной железыmammographyartificial intelligenceBI-RADSaccuracyagreementbreast cancerДанная статья подготовлена авторским коллективом в рамках НИР «Создание системы контроля качества автономного искусственного интеллекта», в соответствии с приказом от 27.11.2025 № 1213 Департамента здравоохранения города Москвы.This paper was prepared by a group of authors as a part of the research and development effort titled «Development of a quality control system for autonomous artificial intelligence», in accordance with the Order No. 1213 dated November 27, 2025 issued by the Moscow Health Care Department.ReferencesBray F., Laversanne M., Sung H. et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries // CA: A Cancer Journal for Clinicians. 2024. Vol. 74, No. 3. Р. 229–263. doi: 10.3322/caac.21834.Bray F., Laversanne M., Sung H. et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries // CA: A Cancer Journal for Clinicians . 2024. Vol. 74, No. 3. Р. 229–263. doi: 10.3322/caac.21834.Владзимирский А.В., Васильев Ю.А., Шахов А.В. и др. Влияние технологий искусственного интеллекта на активную выявляемость рака молочной железы: эффективность и масштабирование // Здравоохранение стран СНГ. 2026. Т. 2, № 1. С. 11–19.Vladzymyrskyy A.V., Vasilev Yu.A., Shakhov A.V. et al. The impact of artificial intelligence technologies on active breast cancer detection: efficiency and scalability. The CIS Healthcare , 2026, Vol. 2, No. 1, pp. 11–19 (In Russ.)]. doi: 10.21045/3033-6341-2026-2-1-11-19.Мерабишвили В.М. Состояние онкологической помощи в России: рак молочной железы среди женского населения. Заболеваемость, смертность, достоверность учета, детальная локализационная и гистологическая структура. Популяционное исследование на уровне федерального округа // Вопросы онкологии 2022. Т. 68, № 3. С. 286–293.Merabishvili V.M. The state of oncological care in Russia: breast cancer among the female population. Morbidity, mortality, reliability of accounting, detailed localization and histological structure. Population-based research at the federal district level. Issues of oncology , 2022, Vol. 68, No. 3, pp. 286293 (In Russ.)]. doi: 10.37469/0507-3758-2022-68-3-286-293.Ren W., Chen M., Qiao Y., Zhao F. Global guidelines for breast cancer screening: A systematic review // Breast. Churchill Livingstone. 2022. Vol. 64. Р. 85–99. doi: 10.1016/j.breast.2022.04.003.Ren W., Chen M., Qiao Y., Zhao F. Global guidelines for breast cancer screening: A systematic review // Breast. Churchill Livingstone . 2022. Vol. 64. Р. 85–99. doi: 10.1016/j.breast.2022.04.003.Spak D.A., Plaxco J.S., Santiago L., Dryden M.J., Dogan B.E. BI-RADS® fifth edition: A summary of changes // Diagnostic and Interventional Imaging. 2017. Vol. 98, No. 3. Р. 179–190. doi: 10.1016/j.diii.2017.01.001.Spak D.A., Plaxco J.S., Santiago L., Dryden M.J., Dogan B.E. BI-RADS® fifth edition: A summary of changes // Diagnostic and Interventional Imaging . 2017. Vol. 98, No. 3. Р. 179–190. doi: 10.1016/j.diii.2017.01.001.Васильев Ю.А., Сон И.М., Пестренин Л.Д., Владзимирский А.В. Результативность профилактической маммографии в Российской Федерации: сравнение итогов первого этапа диспансеризации в 2019 и 2022 гг. // Менеджер здравоохранения. 2024. T. 11. С. 63–76.Vasiliev Yu.A., Son I.M., Pestrenin L.D., Vladzimirsky A.V. Effectiveness of preventive mammography in the Russian Federation: comparison of the results of the first stage of medical examination in 2019 and 2022. Healthcare Manager , 2024, Vol. 11, pp. 63–76 (In Russ.)]. doi: 10.21045/1811-0185-2024-11-63-76.Cai H., Wang J., Dan T. et al. An Online Mammography Database with Biopsy Confirmed Types // Scientific Data. 2023. Vol. 10. Р. 123. doi: 10.1038/s41597-02302025-1.Cai H., Wang J., Dan T. et al. An Online Mammography Database with Biopsy Confirmed Types // Scientific Data . 2023. Vol. 10. Р. 123. doi: 10.1038/s41597-02302025-1.Васильев Ю.А., Тыров И.А., Владзимирский А.В. и др. Двойной просмотр результатов маммографии с применением технологий искусственного интеллекта: новая модель организации массовых профилактических исследований // Digital Diagnostics. 2023. Т. 4, № 2. С. 93–104.Vasiliev Yu.A., Tyrov I.A., Vladzimirsky A.V. et al. Double viewing of mammography results using artificial intelligence technologies: a new model for organizing mass preventive research. Digital Diagnostics , 2023, Vol. 4, No. 2, pp. 93–104 (In Russ.)]. doi: 10.17816/DD321423.Арзамасов К.М., Васильев Ю.А., Владзимирский А.В. и др. Применение компьютерного зрения для профилактических исследований на примере маммографии // Профилактическая медицина. 2023. Т. 26, № 6. С. 117–123.Arzamasov K.M., Vasiliev Yu.A., Vladzimirsky A.V. et al. Application of computer vision for preventive examinations using mammography as an example. Preventive Medicine , 2023, Vol. 26, No. 6, pp. 117–123 (In Russ.)]. doi: 10.17116/profmed202326061117.Dang L.A., Chazard E., Poncelet E. et al. Impact of artificial intelligence in breast cancer screening with mammography // Breast Cancer. 2022. Vol. 29, No. 6. Р. 967–977. doi: 10.1007/s12282-022-01375-9.Dang L.A., Chazard E., Poncelet E. et al. Impact of artificial intelligence in breast cancer screening with mammography // Breast Cancer . 2022. Vol. 29, No. 6. Р. 967–977. doi: 10.1007/s12282-022-01375-9.Liu J., Lei J., Ou Y. et al. Mammography diagnosis of breast cancer screening through machine learning: a systematic review and meta-analysis // Clin. Exp. Med 2022. Vol. 23, No. 6. Р. 2341–2356. doi: 10.1007/s10238-022-00895-0.Liu J., Lei J., Ou Y. et al. Mammography diagnosis of breast cancer screening through machine learning: a systematic review and meta-analysis // Clin. Exp. Med 2022. Vol. 23, No. 6. Р. 2341–2356. doi: 10.1007/s10238-022-00895-0.Le Boulc’h M., Bekhouche A., Kermarrec E. et al. Comparison of breast density assessment between human eye and automated software on digital and synthetic mammography: Impact on breast cancer risk // Diagn. Interv. Imaging. 2020. Vol. 101, No. 12. Р. 811–819. doi: 10.1016/j.diii.2020.07.004.Le Boulc’h M., Bekhouche A., Kermarrec E. et al. Comparison of breast density assessment between human eye and automated software on digital and synthetic mammography: Impact on breast cancer risk // Diagn. Interv. Imaging . 2020. Vol. 101, No. 12. Р. 811–819. doi: 10.1016/j.diii.2020.07.004.Ji H., Jang Mjin, Chang J.M. Variability in Breast Density Estimation and Its Impact on Breast Cancer Risk Assessment // J. Breast Cancer. 2024. Vol. 27, No. 5. Р. 334–342. doi: 10.4048/jbc.2024.0101.Ji H., Jang Mjin, Chang J.M. Variability in Breast Density Estimation and Its Impact on Breast Cancer Risk Assessment // J. Breast Cancer . 2024. Vol. 27, No. 5. Р. 334–342. doi: 10.4048/jbc.2024.0101.Rigaud B., Weaver O.O., Dennison J.B. et al. Deep Learning Models for Automated Assessment of Breast Density Using Multiple Mammographic Image Types // Cancers (Basel). 2022. Vol. 14, No. 20, Р. 5003. doi: 10.3390/cancers14205003.Rigaud B., Weaver O.O., Dennison J.B. et al. Deep Learning Models for Automated Assessment of Breast Density Using Multiple Mammographic Image Types // Cancers (Basel) . 2022. Vol. 14, No. 20, Р. 5003. doi: 10.3390/cancers14205003.Бобровская Т.М., Васильев Ю.А., Никитина Н.Ю. и др. Объем выборки для оценки диагностической точности программного обеспечения на основе технологий искусственного интеллекта в лучевой диагностике // Сибирский журнал клинической и экспериментальной медицины. 2024. Т. 39, № 3. С. 188–198.Bobrovskaya T.M., Vasiliev Yu.A., Nikitina N.Yu. et al. Sample size for assessing the diagnostic accuracy of software based on artificial intelligence technologies in radiation diagnostics. Siberian Journal of Clinical and Experimental Medicine , 2024, Vol. 39, No. 3, pp. 188–198 (In Russ.)]. doi: 10.29001/2073-8552-2024-39-3-188-198.Tan H., Wu Q., Wu Y. et al. Mammography-based artificial intelligence for breast cancer detection, diagnosis, and BI-RADS categorization using multi-view and multi-level convolutional neural networks // Insights Imaging. 2025. Vol. 16, No. 1. Р. 109. doi: 10.1186/s13244-025-01983-x.Tan H., Wu Q., Wu Y. et al. Mammography-based artificial intelligence for breast cancer detection, diagnosis, and BI-RADS categorization using multi-view and multi-level convolutional neural networks // Insights Imaging . 2025. Vol. 16, No. 1. Р. 109. doi: 10.1186/s13244-025-01983-x.Васильев Ю.А., Владзимирский А.В., Арзамасов К.М. и др. Первые 10 000 маммографических исследований, выполненных в рамках услуги «описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» // Менеджер здравоохранения. 2023. № 8. С. 54–67.Vasiliev Yu.A., Vladzimirsky A.V., Arzamasov K.M. et al. The first 10,000 mammographic examinations performed within the framework of the service «description and interpretation of mammographic examination data using artificial intelligence». Healthcare Manager , 2023, No. 8, pp. 54–67 (In Russ.)]. doi: 10.21045/18110185-2023-8-54-67.Sasaki M., Tozaki M., Rodríguez-Ruiz A. et al. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women // Breast Cancer. 2020. Vol. 27, No. 4. Р. 642–651. doi: 10.1007/S12282-020-01061-8.Sasaki M., Tozaki M., Rodríguez-Ruiz A. et al. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women // Breast Cancer . 2020. Vol. 27, No. 4. Р. 642–651. doi: 10.1007/S12282-020-01061-8.Arzamasov K., Vasilev Y., Vladzymyrskyy A. et al. An International Non-Inferiority Study for the Benchmarking of AI for Routine Radiology Cases: Chest X-ray, Fluorography and Mammography // Healthcare. 2023. Vol. 11, No. 12. Р. 1684. doi: 10.3390/healthcare11121684.Arzamasov K., Vasilev Y., Vladzymyrskyy A. et al. An International Non-Inferiority Study for the Benchmarking of AI for Routine Radiology Cases: Chest X-ray, Fluorography and Mammography // Healthcare . 2023. Vol. 11, No. 12. Р. 1684. doi: 10.3390/healthcare11121684.Li H.Y., Lin Y., Hong Y.T., Chou C.P. Comparative Study of Artificial Intelligence-based System Alone in Synthesized Mammography Versus Radiologist’s Interpretation of Digital Breast Tomosynthesis in Screening Women // Journal of Radiological Science. 2024. Vol. 49. No. 1. Р. 59–65. doi: 10.4103/jradiolsci.JRADIOLSCI-D-23-00027.Li H.Y., Lin Y., Hong Y.T., Chou C.P. Comparative Study of Artificial Intelligence-based System Alone in Synthesized Mammography Versus Radiologist’s Interpretation of Digital Breast Tomosynthesis in Screening Women // Journal of Radiological Science . 2024. Vol. 49. No. 1. Р. 59–65. doi: 10.4103/jradiolsci.JRADIOLSCI-D-23-00027.Caldas F.A.A., Caldas H.C., Henrique T. et al. Evaluating the performance of artificial intelligence and radiologists accuracy in breast cancer detection in screening mammography across breast densities // European Journal of Radiology Artificial Intelligence. 2025. Vol. 2. Р. 100013. doi: 10.1016/j.ejrai.2025.100013.Caldas F.A.A., Caldas H.C., Henrique T. et al. Evaluating the performance of artificial intelligence and radiologists accuracy in breast cancer detection in screening mammography across breast densities // European Journal of Radiology Artificial Intelligence . 2025. Vol. 2. Р. 100013. doi: 10.1016/j.ejrai.2025.100013.Азарян А.С., Пестренин Л.Д., Васильев Ю.А., Ахмад Е.С., Арзамасов К.М. Согласованность между рентгенологами города Москвы при интерпретации маммографических исследований по шкале BI-RADS // Альманах клинической медицины. 2024. Т. 52, № 7. С. 377–384.Azaryan A.S., Pestrenin L.D., Vasiliev Yu.A., Akhmad E.S., Arzamasov K.M. Agreement between Moscow radiologists in the interpretation of mammographic studies using the BI-RADS scale. Almanac of Clinical Medicine , 2024, Vol. 52, No. 7, pp. 377–384 (In Russ.)]. doi: 10.18786/2072-0505-2024-52-035.Taya M. Comparative Performance of Artificial Intelligence Algorithms for Screening Mammography. Radiol. Imaging Cancer. 2020. Vol. 2, No. 6. Р. e209034. doi: 10.1148/rycan.2020209034.Taya M. Comparative Performance of Artificial Intelligence Algorithms for Screening Mammography. Radiol. Imaging Cancer . 2020. Vol. 2, No. 6. Р. e209034. doi: 10.1148/rycan.2020209034.Renard X., Laugel T., Detyniecki M. Understanding Prediction Discrepancies in classification // Machine Learning. 2024. Vol. 113, No. 3. Р. 7997–8026. doi: 10.1007/s10994-024-06557-4.Renard X., Laugel T., Detyniecki M. Understanding Prediction Discrepancies in classification // Machine Learning . 2024. Vol. 113, No. 3. Р. 7997–8026. doi: 10.1007/s10994-024-06557-4.Han T., Yun H., Sur Y.K., Park H. Optimizing Artificial Intelligence Thresholds for Mammographic Lesion Detection: A Retrospective Study on Diagnostic Performance and Radiologist-Artificial Intelligence Discordance // Diagnostics. 2025. Vol. 15, No. 11. Р. 1368. doi: 10.3390/diagnostics15111368Han T., Yun H., Sur Y.K., Park H. Optimizing Artificial Intelligence Thresholds for Mammographic Lesion Detection: A Retrospective Study on Diagnostic Performance and Radiologist-Artificial Intelligence Discordance // Diagnostics . 2025. Vol. 15, No. 11. Р. 1368. doi: 10.3390/diagnostics15111368Chen Y., Partridge G.J.W., Vazirabad M. et al. Performance of Algorithms Submitted in the 2023 RSNA Screening Mammography Breast Cancer Detection AI Challenge // Radiology. 2025. Vol. 316, No. 2. Р. e241447. doi: 10.1148/radiol.241447.Chen Y., Partridge G.J.W., Vazirabad M. et al. Performance of Algorithms Submitted in the 2023 RSNA Screening Mammography Breast Cancer Detection AI Challenge // Radiology . 2025. Vol. 316, No. 2. Р. e241447. doi: 10.1148/radiol.241447.

The authors declare that there are no conflicts of interest present.