О журнале Издательская этика Редколлегия Редакционный совет Редакция Для авторов Контакты
Russian

Экспорт новостей

Журнал в базах данных

eLIBRARY.RU - НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА



crossref.org
vak.ed.gov.ru/vak

GoogleАкадемия

Google Scholar

Главная arrow Архив номеров arrow №3 2025 (71) arrow АНАЛИЗ ТЕОРИИ И ПРАКТИКИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ ЗЛОКАЧЕСТВЕННЫХ ОБРАЗОВАНИЙ. АНАЛИТИЧЕСКИЙ ОБЗОР
АНАЛИЗ ТЕОРИИ И ПРАКТИКИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ ЗЛОКАЧЕСТВЕННЫХ ОБРАЗОВАНИЙ. АНАЛИТИЧЕСКИЙ ОБЗОР Печать
30.07.2025 г.

DOI: 10.21045/2071-5021-2025-71-3-5

Волобуева Т.В., Волобуев С.М.
БУЗ Сосковская ЦРБ, Орловская область, с. Сосково, Россия

Резюме

Актуальность. Поиск и реализация передовых технологий в диагностике злокачественных новообразований, в частности, искусственного интеллекта как наиболее прогрессивной формы анализа медицинских данных, является перспективным направлением в борьбе с онкологией и актуализирует тему и результаты нашего исследования. Представленная работа не претендует на всеобъемлющий охват проблемы диагностики новообразований с применением искусственного интеллекта, но восполняет пробелы в анализе, систематизации и обобщении существующих исследований теоретического и эмпирического характера.

Цель работы. Проанализировать и оценить теорию и практику применения искусственного интеллекта в диагностике злокачественных заболеваний.

Материалы и методы. Контент-анализ, аналитический, статистический методы. Использовались статистические материалы, представленные на сайтах: Официальный портал Минздрава России об онкологических заболеваниях, «Если быть точным», Федеральная служба государственной статистики, Министерство здравоохранения Российской Федерации, Платформа прогнозной аналитики «Webiomed», Ассоциация онкологов России. Проанализированы публикации по теме исследования, опубликованные в базах данных Cyberleninka, Springeropen, PubMed, Elibrary.ru, Scopus.

Результаты. Искусственный интеллект имеет широкий спектр применения в диагностике злокачественных образований: распознавание и классификация опухоли, определение гистологического варианта опухоли, верификация диагноза уже после первой биопсии, оценка уровня риска развития рака, распознавание рисков в постоперационный период и т.д. В статье выявлены и описаны возможности, ограничения и перспективы применения искусственного интеллекта в диагностике злокачественных образований кожи, почек, молочной железы, предстательной железы, легких, мочевого пузыря. Установлено, что искусственный интеллект обеспечивает высокую диагностическую ценность в постановке диагноза, в том числе, редких онкологических заболеваний. Несмотря на безапелляционные преимущества искусственного интеллекта в диагностике злокачественных новообразований, продемонстрированные в рамках многочисленных эмпирических исследований, база обеспечения обучения и самообучения глубоких нейронных сетей является недостаточной. Для разработки и развития модели и алгоритмов искусственного интеллекта и их применения в реальной клинической практике нужны высококачественные клинические данные в действительно большом объеме.

Выводы. Сегодня применение искусственного интеллекта в диагностике злокачественных новообразований и, в целом, в российской медицине носит экспериментальный характер. Для внедрения искусственного интеллекта в клиническую практику отечественных лечебных учреждений на систематической основе, необходимо формирование целой экосистемы. В том числе, полной совместимой базы с качественными данными для разработки алгоритма искусственного интеллекта, единой платформы для унификации данных разных алгоритмов и версий искусственного интеллекта при обработке исследований, а также медицинских изображений, полученных с помощью разных аппаратов; инфраструктуры для сотрудничества между клиниками, направленной на обмен данными результатов применения искусственного интеллекта.

Ключевые слова: искусственный интеллект; диагностика злокачественных новообразований; теория и практика применения искусственного интеллекта.

Контактная информация: Волобуева Татьяна Владимировна, email:  Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script ,
Финансирование. Исследование не имело спонсорской поддержки.
Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.
Соблюдение этических стандартов. Данный вид исследования не требует прохождения экспертизы локальным этическим комитетом.
Для цитирования: Волобуева Т.В., Волобуев С.М. Анализ теории и практики применения искусственного интеллекта в диагностике злокачественных образований. Аналитический обзор. Социальные аспекты здоровья населения [сетевое издание] 2025;

ANALYSIS OF THE THEORY AND PRACTICE OF ARTIFICIAL INTELLIGENCE IN THE DIAGNOSTICS OF MALIGNANT TUMORS. ANALYTICAL REVIEW
Volobueva T.V., Volobuev S.M.
Soskovskaya CRH, s. Soskovo, Russia

Abstract

Significance. The search and implementation of advanced technologies in the diagnosis of malignant neoplasms, in particular, artificial intelligence as the most progressive form of medical data analysis, is a promising direction in the fight against oncology and actualizes the topic and results of our study. The presented work does not claim to comprehensively cover the problem of diagnosing neoplasms using artificial intelligence, but fills the gaps in the analysis, systematization and generalization of existing studies of a theoretical and empirical nature.

Purpose. Analysis and evaluation of the theory and practice of using artificial intelligence in the diagnosis of malignant diseases.

Materials and methods. Content analysis, analytical, statistical methods. The statistical materials presented on the websites were used: Official portal of the Ministry of Health of Russia on oncological diseases, "If byt'chnom", Federal State Statistics Service, Ministry of Health of the Russian Federation, Predictive analytics platform "Webiomed", Association of oncologists of Russia. Publications on the topic of the study, published in the databases Cyberleninka, Springeropen, PubMed, Elibrary.ru, Scopus, were analyzed.

Results. Artificial intelligence has a wide range of applications in the diagnosis of malignant tumors: recognition and classification of tumors, determination of the histological variant of the tumor, verification of the diagnosis after the first biopsy, assessment of the risk level of cancer development, recognition of risks in the postoperative period, etc. The article identifies and describes the possibilities, limitations and prospects for the use of artificial intelligence in the diagnosis of malignant tumors of the skin, kidneys, mammary glands, prostate gland, lungs, bladder. It has been established that artificial intelligence provides high diagnostic value in diagnosis, including rare oncological diseases. Despite the categorical advantages of artificial intelligence in the diagnosis of malignant neoplasms, demonstrated in numerous empirical studies, the base for providing training and self-training of deep neural networks is insufficient. High-quality clinical data in a really large volume are needed to develop and advance the artificial intelligence model and algorithms and their application in real clinical practice.

Conclusions. Today, the use of artificial intelligence in the diagnosis of malignant neoplasms and, in general, in Russian medicine is experimental in nature. To introduce artificial intelligence into the clinical practice of domestic medical institutions on a systematic basis, it is necessary to form an entire ecosystem. Including a complete compatible database with high-quality data for the development of an artificial intelligence algorithm, a single platform for unifying data from different algorithms and versions of artificial intelligence when processing studies, as well as medical images obtained using different devices; infrastructure for cooperation between clinics aimed at exchanging data on the results of artificial intelligence use.

Keywords: artificial intelligence; diagnostics of malignant neoplasms; theory and practice of artificial intelligence application.

Corresponding author: Tatyana V. Volobueva, email: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script ,
Information about authors:
Volobueva TV,
Volobuev SM
,
Acknowledgments. The study had no sponsorship.
Competing interests. The authors declare the absence of any conflicts of interest regarding the publication of this paper.
Compliance with ethical standards. This study does not require a conclusion from the Local Ethics Committee.
For citation: Volobueva T.V., Volobuev S.M. Analysis of the theory and practice of artificial intelligence in the diagnostics of malignant tumors. Analytical review. Social'nye aspekty zdorov'a naselenia [serial online] 2025; (In Rus).

Введение

Инноватизация, роботизация системы диагностики злокачественных образований в условиях многократного масштабирования проблемы, обусловленной интенсификацией экзогенных факторов риска, в том числе, малоподвижного образа жизни, загрязнения воздуха в городских массивах, инфекционных заболеваний (в частности, COVID-19), депрессивных состояний, тревоги на фоне последних геополитических событий и внутреннего саморазрушения, выраженного в алкоголизме, наркомании.

Статистический анализ динамики онкологии в России свидетельствует о ритмичном росте числа заболеваний и смертности от злокачественных новообразований (далее - ЗНО). Так, если в 2018 г. зафиксировано 624709 случаев ЗНО в стране, то в 2023 г. показатель составил 674787, в процентном соотношении рост случаев ЗНО за последние пять лет равен 8%. В среднем, ежегодно в России регистрируется более 600 тыс. новых случаев ЗНО, половина из которых приводит к смерти. В целом, почти 4 млн. чел., т.е. 2,7% населения страны сегодня находится под диспансерным наблюдением в связи с ЗНО, из них 30 тыс. – дети [1].

Злокачественные новообразования находятся на втором месте в перечне причин смертности после сердечно-сосудистых заболеваний в мире и России. В постановлении Правительства РФ [2] онкология признана социально значимым заболеванием, наносящим ущерб обществу, государству, что аргументируется масштабом проблемы как явления. Помимо осязаемых, поддающихся оценке последствий ЗНО (инвалидность, нетрудоспособность, смертность), болезнь становится тяжелым бременем и ударом судьбы для отдельной личности, его семьи, близких.

Согласно статистике, в России наиболее распространенными видами рака являются меланома, рак молочной железы и рак легких (рисунок 1), что закономерно обуславливает наличие большого массива теоретических и эмпирических исследований по применению искусственного интеллекта (ИИ) в диагностике ЗНО именно по перечисленным локализациям.

Рис. 1
Рис. 1. Основные локализации злокачественных новообразований у населения Российской Федерации, % [3]

Снижение заболеваемости и смертности от ЗНО – первоочередная задача в отечественной медицине и здравоохранении, о чем свидетельствует наличие многочисленных государственных программ, направленных на борьбу с ЗНО. Согласно Указу Президента РФ [4], к 2025 г. целевой показатель по смертности от ЗНО должен снизиться до 185 на 100 тыс. населения. Основополагающие возможности по достижению данного показателя лежат в плоскости усиления, наращивания эффективности диагностики, терапии, наблюдения за пациентами с ЗНО. Диагностике, при этом, как инструменту выявления аномалии до того, как болезнь приобретет очевидную клиническую картину или на ранней стадии отводится доминирующая роль. Согласно статистике, 30-32% ЗНО выявляется на ранней стадии, 25% - на второй стадии и остальные случаи приходятся на поздние стадии, что свидетельствует об объективной необходимости развития диагностического инструментария выявления ЗНО. Несмотря на высокую значимость в рутинной клинической практике канцеропревенции, ее эффективность остается недостаточной. Поиск и реализация передовых технологий в диагностике ЗНО, в частности, искусственного интеллекта как наиболее прогрессивной формы анализа медицинских данных, является перспективным направлением в борьбе с онкологией и актуализирует тему и результаты нашего исследования.

Цель: Проанализировать и оценить теорию и практику применения искусственного интеллекта в диагностике злокачественных заболеваний.

Материалы и методы

Применялись контент-анализ, аналитический, статистический методы. Использовались статистические материалы, представленные на сайтах: «Если быть точным», Официальном портале Минздрава России об онкологических заболеваниях, на сайте Федеральной службы государственной статистики, Министерства здравоохранения Российской Федерации, Ассоциации онкологов России. Платформа прогнозной аналитики «Webiomed», Проанализированы публикации по теме исследования, опубликованные в базах данных Cyberleninka, Springeropen, PubMed, Elibrary.ru, Scopus.

По результатам изучения статей, соответствующих теме исследования, по ключевым словам: «искусственный интеллект в медицине», «искусственный интеллект в онкологии», «диагностика злокачественных образований», «искусственный интеллект в диагностике злокачественных образований», «искусственный интеллект в диагностике злокачественных образований кожи», «искусственный интеллект в диагностике почечно-клеточного рака» (и далее по каждому виду рака) - авторами избрано 37 статей. Отобранные статьи, на базе которых осуществлены анализ, систематизация и обобщение теоретических и эмпирических работ в сфере применения ИИ в диагностике злокачественных образований, в свою очередь, тоже содержат результаты других исследований. Таким образом, в общей сложности авторами статьи в работе охвачено более 80 работ по теме исследования.

Результаты

В первую очередь, следует описать и оценить общую картину: масштаб интегрированности искусственного интеллекта (далее - ИИ) в отечественную практику диагностики ЗНО, области применения, результативность. Следует постулировать, что сегодня в свободном доступе отсутствует полная статистика применения в российских медицинских учреждениях ИИ, а также общая информационная база, содержащая данные по применению ИИ в практике медучреждений. Данное обстоятельство является серьезным ограничивающим фактором в результативном применении ИИ в диагностике ЗНО, поскольку в развитии ИИ как диагностического инструментария архиважен обмен данными, что связано с самой природой ИИ. Системы обработки, сбора и анализа данных, базирующиеся на машинном обучении и ИИ, имеют огромные возможности в области диагностирования онкологических заболеваний, валидации диагнозов прогностической оценки дальнейшего течения болезни, выживаемости и т.д.

Для обучения алгоритмов ИИ требуются действительно большие данные, сбор которых должен производиться по реальным клиническим случаям и испытаниям, проводимым в различных лечебных учреждениях. Проблема сбора и обработки данных возникает уже на этапе обращения к источникам этих данных, поскольку в России отсутствует унифицированная система учета и ведения медицинской карты пациента, что препятствует их использованию на практике [5]. В каждой клинике, где применяется ИИ, требуется ведение комплексных электронных историй болезней, отличающихся полнотой и совместимостью, годных для использования по критерию наличия данных по всем стандартным диагностическим индикаторам, применяемым в онкологии. Только прозрачная, унифицированная, полная база с качественными данными может обеспечить достаточную выборку для анализа, модернизации и оптимизации алгоритма ИИ с минимизацией допускаемых ошибок и изучением границ применения ИИ. В дальнейшем, должна быть сформирована инфраструктура для развертывания ИИ, обеспечивающая сбор, автоматический анализ и обмен между клиниками прогностической информацией из диагностических исследований.

В ходе формирования инфраструктуры ИИ на практике следует решить несколько задач: сохранение конфиденциальности данных, унификация данных разных алгоритмов и версий ИИ при обработке исследований, обмен данными между клиниками. Необходимым условием для решения приведенных задач выступает базирование информационной системы клиник на единой платформе – автономной от поставщиков, с контейнерным сценарием обработки, хранения и архивирования данных. Целесообразным представляется сохранение уже существующих версий ИИ, применяемых в диагностике ЗНО клиниками, но с передачей на аутсорсинг ресурсоемких элементов инфраструктуры единому поставщику облачных услуг (что требует учреждения специального органа, ответственного за формирование профильной экосистемы в медицине), что в свою очередь, позволит решить проблему использования разных алгоритмов ИИ в медучреждениях. При этом клиники сами контролируют передаваемую на аутсорсинг информацию, что обеспечивает конфиденциальность пациентов, а также обратную связь между врачами и специалистами по обработке данных.

В конечном итоге, должна быть сформирована инфраструктура, которая позволит масштабировать внедрение ИИ в клиническую практику путем сбора, анализа, хранения данных всех клиник, где используется ИИ для диагностики и лечения ЗНО; обеспечения сотрудничества между клиниками, направленное на обмен данными результатов применения ИИ; участия экспертов и пациентов в устранении ошибок алгоритмов ИИ. Результаты применения ИИ в диагностике ЗНО, охватывающие максимальный массив данных в клинической практике со статистической выборкой, составляющей не менее 80% клиник от общего числа клиник, использующих ИИ, должны составляться и размещаться в свободном доступе ежегодно. Материалы могут быть опубликованы на официальном сайте в сборниках и изданиях здравоохранения на официальном сайте Министерства здравоохранения РФ. Формирование инфраструктуры ИИ с вовлечением максимально широкого круга участников в тестирование исследовательских алгоритмов и публичное освещение результатов применения ИИ в клинической практике позволит достичь реального успеха и прогресса в исследуемой сфере.

К сожалению, необходимо констатировать, что сегодня применение ИИ в диагностике ЗНО и, в целом, в российской медицине носит экспериментальный характер. Существует множество зарубежных и отечественных теоретических исследований, посвященных вопросам использования ИИ в онкологии, однако недостаточно практических доказательств, что не позволяет свидетельствовать о потенциале и эффективности применения ИИ в реальных условиях. Тем не менее, определенные успехи имеются, например, специалисты Сеченовского университета обучили ИИ определять метастазы в лимфоузлах. Однако, даже в рамках данного проекта для интеграции разработанной технологии в реальную практику, доказательства ее успешности и дальнейшего обучения ИИ, нужно увеличение базы данных.

Достижение релевантности данных и верифицированных результатов в практике применения ИИ в диагностике онкологических заболеваний возможно только при условии проведения клинической апробации. Проанализировав 34 исследования, систематических обзора и клинических случая по применению ИИ в диагностике ЗНО, представленных на eLIBRARY, включенных в Scopus, ВАК и ядро РИНЦ, авторами статьи выделены следующие сферы применения ИИ в диагностике ЗНО, требующие клинической апробации (таблица 1).

Таблица 1

Перспективные сферы диагностики злокачественных новообразований с помощью искусственного интеллекта

Сфера применения

Спектр применения ИИ

Возможности ИИ

Ограничения ИИ

Злокачественные образования кожи

Распознавание и классификация заболеваний кожи.

Определение злокачественного заболевания кожи на дерматоскопических изображениях, точность постановления верного диагноза за счет распознавания мельчайших признаков и – 96%. В некоторых случаях может заменить необходимость в биопсии [6].

Необходимость больших объемов данных: для достижения высокой точности требуется обучение на большом количестве разнообразных изображений.

Недостаток контекста: в отличие от дерматологов, могут не учитывать широкий контекст и дополнительные факторы при диагностике, такие как медицинская история пациента.

Может пропускать неоднозначные меланоцитарные пролиферации.

Почечно-клеточный рак (ПКР)

Определение гистологического варианта опухоли.

Дифференциация доброкачественной и злокачественной опухоли.

Распознавание и визуализация опухолей почки, почечных сосудов, мочеточников и прилежащих органов.

Распознавание рисков в постоперационный период.

Прогнозирование общей выживаемости, риска рецидива и других исходов у больных раком почки.

Автоматизация процесса выделения ключевых показателей для дифференциальной диагностики хромофобного рака почки и онкоцитомы. 

Диагностическая точность составляет более 0,85.

Точность предсказания степени злокачественности светлоклеточного ПКР достигает от 0,781 до 0,839 AUC.

Точность дифференциальной диагностики хромофобного ПКР равна AUC 0,95.

Достижение 100% чувствительности и 97,1% специфичности дифференцировки нормальной ткани и ПКР.

Возможность снижения систематической ошибки в патологоанатомической оценке [7].

Сложность адаптации к меняющейся интраоперационной среде.

Рак молочной железы

Второе чтение и интерпретация маммографических снимков.

Дифференциация типа опухоли.

Оценка уровня риска развития рака молочной железы.

Исключение человеческого субъективного фактора в постановке диагноза.

Классификация плотности молочной железы на основании текстурных признаков.

Распределение женщин с высоким и или низким риском развития рака молочной железы на основе индивидуального тестирования.

Диагностическая эффективность ИИ при чтении изображений (0,940, 95% ДИ 0,91–0,96) выше в сравнении с прочтением рентгенологом (0,810, 95% ДИ 0,77–0,85) [8].

 

Рак предстательной железы

Нейронные сети обнаруживают и оценивают заболевание по данным биопсии.

Верификация диагноза уже после первой биопсии, снижение гипердиагностики.

Снижение количества ненужных биопсий на основе клинических характеристик.

Прогнозирование местно-распространенного РПЖ.

Автоматическая дифференциация грейд Глисона 3 с грейд Глисона 4 с общей точностью 82% в материале после простатэктомии.

Точное различие РПЖ низкого, среднего и высокого риска и предсказание вероятности значимой клинической неудачи в течение 8 лет с С-индексом 0,82 и HR 6,7 [9].

 

Рак легких

Обнаружение рака лёгких по томографическим снимкам.

Комплексное прочтение изображения и составление его целостного образа.

Предсказание локализации будущей опухоли и вероятности ее развития на данной локализации, участке.

Прогнозирование риска развития рака на несколько лет вперед.

Улучшение показателей чувствительности и  специфичности.

 

Уротелиальный рак

Определение степени инвазии опухоли (Т) в стенку мочевого пузыря.

Определение степени инвазии опухоли в стенку мочевого пузыря на основе выявления значимых 3D-текстурных признаков опухоли.

Прогнозирование рецидива рака мочевого пузыря посредством выявления микро-РНК мочи.

Дифференцирование высокого и низкого грейда рака мочевого пузыря на основе текстурных особенностей и цистоскопических изображения.

 

Злокачественные образования кожи

Злокачественные образования кожи представлены меланомой, базалиомой и плоскоклеточным раком. В рамках данной статьи внимание сфокусировано на меланоме, поскольку данная форма является наиболее распространенной и агрессивной, а также по ней имеется значительно больше исследований. Говоря о диагностике меланомы, следует констатировать, что раннее ее обнаружение существенно улучшает прогноз. Так, при обнаружении меланомы на первой стадии 5-ти летняя выживаемость достигает 95%, а десятилетняя 86-95%, на второй стадии 5-ти летняя выживаемость – 53-81%, а десятилетняя – 40-67%, 5-ти летняя выживаемость на третьей стадии – 40-78%, а десятилетняя – 24-68%, что свидетельствует о значимости диагностического инструментария, высокая роль в развитии которой принадлежит ИИ [10].

Основной спектр применения ИИ в диагностике кожных новообразований связан с их дифференциацией, что на практике, в виду сложности строения и наличия различных форм кожных поражений, характеризующихся схожей клинической картиной, представляет собой объективно сложную задачу даже для опытных онкологов. Уже сегодня визуальный осмотр врачом существенно уступает ИИ по точности обнаружения и постановки диагноза кожного ЗНО, о чем свидетельствуют результаты ряда эмпирических исследований. Например, исследователи Haenssle H.A., Fink C., Schneiderbauer R., et al. [11] обучили сверточную нейронную сеть на примере 100 тыс. изображений определять рак кожи. По завершении обучения был проведен эксперимент: группе реальных врачей и ИИ требовалось установить диагноз по изображению по дерматоскопии (уровень I). По результатам эксперимента дерматологи правильно идентифицировали в среднем 86,6% злокачественных меланом и 71,3% доброкачественных невусов, а ИИ – 95%.

ИИ имеет принципиально отличный от визуализации механизм и алгоритм выявления признаков меланомы. Глубокие нейронные сети позволяют по информативным признакам на базе корреляции количественных признаков с признаками на качественном уровне определить диагноз. Корреляционная связь устанавливается путем измерения различий в нормализованных распределениях образования; количественной оценки цвета поражения; количественного диаметра поражения и его границ.

В настоящее время разработано и применяется множество приложений, фреймворков и программ для диагностической классификации меланомы по правилу ABCDE, базирующиеся на едином алгоритме: загрузка фотографии в систему, сегментация и классификация изображения на основании сравнения имеющихся в системе изображений новообразований кожи с установленными экспертами-дерматологами и онкологами диагнозами. Системы отличаются, в основном, функциональным диапазоном, спектром решаемых задач. Например, FotoFinder производства Германии, помимо прямой задачи по классификации новообразования, сохраняет их в «памяти» и анализирует в ретроспекции, на базе чего выявляет признаки малигнизации. В 2016 г., благодаря FotoFinder ATBM bodystudio, визуализирована самая маленькая в мире меланома, диаметр которой составил 0,9 мм.

Прогрессивные возможности по выявлению меланомы имеет приложение Moleanalyzer pro также производства Германии:

  1. измерение, классификация и дифференцировка новообразований в автоматическом режиме по нескольким диагностических шкалам:
    • трехточечная оценка (автора Argenziano G. [12]);
    • семиточечная оценка (размер, цвет, структура, диаметр, наличие воспалений, патологические выделения, чувствительность) [13];
    • правило ABCD (асимметрия, границы, цвет, диаметр);
  2. сравнительный анализ новообразования в динамике с обозначением роста визуализируемой области в процентном соотношении;
  3. установление вероятности наличия злокачественного процесса;
  4. возможность привлечения к постановке диагноза «второго мнения» в лице экспертов, зарегистрированных в приложении.

Основополагающая задача Moleanalyzer pro заключается в определении различий между доброкачественным невусом и злокачественной меланомой, для этого в приложение загружено более 75 тыс. изображений гистологически доказанных кожных патологий. Как показывает практика, в дифференцировке новообразований кожи Moleanalyzer pro достигает 96,7% чувствительности и 85,4% специфичности.

Для отечественной онкологии основная проблема в интеграции немецких систем в диагностику и массовый скрининг кожных новообразований связана с их высокой стоимостью. Альтернативным решением, которое уже реализуется на рынке ИИ-решений в медицине, является развитие отечественных программ с применением ИИ для ранней диагностики меланомы. На момент написания статьи российский рынок ИИ-решений в онкологии представлен несколькими разработками:

  • нейронная сеть с архитектурой Inception v. 3 Д.А. Гаврилова и соавт. [14], обученная классифицировать кожные патологии с результативностью в 91%;
  • приложение Р.И. Хабировой и С.А. Кулевой [15] с использованием фреймворков машинного обучения Tensor-Flow 2.0, позволяющее прямо на мобильном устройстве осуществлять дерматоскопию с оперативной выдачей результатов;
  • платформа Scanderm [16], разработанная с применением 6 технологий, выявляющая 6 кожных болезней с точностью более 90%
  • сервис CheckDerm [17], позволяющий в режиме онлайн сканировать и анализировать тканевую принадлежность и морфологическую верификацию опухоли;
  • мобильное приложение «ПроРодинки» [18], разработанное на основе нейросети, обученное распознавать и классифицировать новообразования кожи, активно применяемое в российских регионах и обеспечившее только за первые два годы работы раннее выявление меланомы на доинвазивной стадии в 9428 случаях.

Основные проблемы в построении и применении глубоких нейронных сетей в диагностике кожных патологий связаны с ограниченностью публичной выборки изображений для обучения ИИ (данная мысль является сквозной в нашем исследовании, она справедлива по отношению ко всем видам ЗНО). На практике часто для обогащения базы изображений применяется методика аугментации, когда в исходные изображения вносятся искажения (повороты, «отзеркаливание», масштабирование, сжатие, изменение световой схемы и т.д.), что позволяет получить новую клиническую картину опухоли [19]. Однако, такое искусственное расширение базы не может обеспечить самообучение ИИ, для этого требуются реальные клинические случаи.

Исходя из этого, дальнейшее техническое развитие алгоритмов ИИ в диагностике кожных ЗНО связано с созданием обширной верифицированной базы изображений с разнообразной обработкой тканей, широким спектром патологий и артефактов. Как пишет К.А. Ускова [20], модернизация нейросети для диагностики кожных патологий лежит в плоскости оптимизации критериев изображений для обучения, наращивания возможностей детекции, проведения дополнительных раундов обучения для формирования новых параметров, в том числе, анализа клинических и демографических данных пациентов и, на базе этого, составления статистической картины значимых факторов риска развития меланомы. Перспективным направлением применения глубокого обучения, по мнению других авторов [21], является развитие сверточных нейронных сетей для анализа изображений и данных с пространственной структурой, что позволит автоматически идентифицировать, извлекать и обрабатывать объекты, находить признаки малигнизации и интерпретировать их.

На наш взгляд, важным этапом в развитии ИИ для диагностики меланомы и других кожных ЗНО является прогрессирование ИИ и машинного обучения с уровня I, когда нейросеть осуществляет дифференцировку злокачественных и доброкачественных новообразований только по дерматоскопии, до уровня II, на котором принимается решение о дальнейшей тактике – операция, наблюдение или отсутствие необходимости в каких-либо действиях. При этом, задача по динамическому наблюдению за новообразованием также должна возлагаться на ИИ как безупречный инструмент ретроспективного анализа, который «помнит» характеристики новообразования и может его интерпретировать его изменения.

В целом, следует отметить, что кожные ЗНО, в частности, меланома и, вообще, дерматология, в виду того, что кожа является наружным покровом, являются идеальной областью для развития диагностического инструментария применения ИИ. В отличие от других видов ЗНО, кожные новообразования могут диагностироваться и мониторироваться населением самостоятельно, до похода к врачу, что, кроме того, продуцирует вторичные выгоды – снижает нагрузку на медицинские и патологоанатомические службы.

Почечно-клеточный рак

По данным последних исследований [21], только в 10-17% случаев опухоль почек оказывается доброкачественной. При этом, в 60% случаев обнаружение новообразования является случайным, что связано с несовершенством методов лучевой диагностики, служащих основным диагностическим инструментарием в выявлении рака почек. Окончательный диагноз, как правило, формулируется по результатам гистологического исследования, поскольку существующие методы неинвазивной диагностики не обладают высокой точностью. Основным направлением в развитии диагностического инструментария для предсказания гистологии новообразования почек служит обеспечение более качественной и точной дифференцировки почечно-клеточного рака от доброкачественных видов опухоли почек - ангиомиолипомы и онкоцитомы [22].

Для обнаружения и предсказания вида опухоли почек ИИ применяется в аналитике клинических (МРТ и КТ-сканы) и рентгенологических признаков в венозной фазе компьютерной томографии. С помощью ИИ аналитики процесс выделения ключевых показателей и извлечения дополнительной информации из медицинских изображений (воксельный, текстурный и гистограммный анализы) существенно автоматизируется [23]. Также архитектура ИИ применяется в анализе гистологических изображений опухолей почек для дифференцировки основных типов рака еще до постановки диагноза патологоанатом. Типичный рабочий процесс гистологического анализа изображений тканей с помощью искусственного интеллекта включает получение изображений всего препарата, выбор интересующих областей и их обработку, ручную аннотацию экспертом и классификацию с использованием глубоких нейронных сетей, генерирующих клинически ориентированные результаты. Подробно процесс и этапы анализа гистологических изображений опухоли почек с помощью ИИ описаны в работе российских авторов [24]. Также ИИ применяется на интраоперационном этапе для прогнозирования риска развития осложнений в послеоперационном периоде и предсказания отдаленных результатов (общая выживаемость, риск рецидива и другие исходы у больных раком почек). Соответственно, ИИ в исследовании образований почек обладает как диагностическими, так и прогностическими возможностями [24].

Сегодня в области применения ИИ в обнаружении и интерпретации рака почек осуществлено множество исследований, свидетельствующих о высоком потенциале нейронных сетей. Нами в таблице 2 осуществлена систематизация результатов данных исследований, охвачены все направления применения ИИ: обнаружение, диагностика и прогностика опухолей почек.

Таблица 2

Результаты исследований в сфере применения искусственного интеллекта в диагностике и прогностике злокачественных новообразований почек

Авторы исследования

Суть исследования

Результаты и эффективность ИИ

Менгдан Чжу и др. [26]

Классификация оцифрованных сканов гистологических образцов после хирургической резекции и биопсии на пять групп: светлоклеточная ПКК, папиллярная ПКК, хромофобная ПКК, онкоцитома почки и нормальная ткань. 

Показатели для данных из «Атласа генома рака» составили 0,98 (95% доверительный интервал (ДИ): 0,97-1,00), 0,98 (95% ДИ: 0,96-1,00) и 0,97 (95% ДИ: 0,96-1,00), (95% ДИ: 0,96-0,98), соответственно. 

Gondim, D.D.; Al-Obaidy, K.I.; Idrees, M.T.; Eble, J.N.; Cheng, L. [27]

Классификация четырех классов тканей (жировая, паренхима почки, сПКК и пПКК) на гистологических сканах.

Пиксельная точность: 0,89 по ResNet18; предложенная: 0,89 по ResNet18 предложенная: 0.92

Abdeltawab, H.; Khalifa, F.; Ghazal, M.; Cheng, L.; Gondim, D.; El-Baz, A. A. [28]

Определение антител к CD31, Ki67 и PDL1.

Новое представление о природе редких видов рака почки.

Paner, G.P.; Amin, M.B.; Alvarado-Cabrero, I.; Young, A.N.; Stricker, H.J.; Moch, H.; Lyles [29]

Дифференциация ПКК от нормальной ткани, определение места расположения опухолей с высокой вероятностью риска и построение тепловой карты вероятности. 

Определение места расположения опухолей с высокой вероятностью риска и построили тепловую карту вероятности. 

Chen, S.; Jiang, L.; Gao, F.; Zhang, E.; Wang, T.; Zhang, N.; Wang, X.; Zheng, J. [30]

Классификация гистологических сканов различных типов ПКК на основании четырех классов Фурман на основе цвета и текстуры ядер.

Точность по классификации Фурман составила 90,4%.

Stenzel, P.J.; Schindeldecker, M.; Tagscherer, K.E.; Foersch, S.; Herpel, E.; Hohenfellner, M.; Hatiboglu, G.; Alt, J.; Thomas, C.; Haferkamp, A. [31]

Дифференциация типов рака почки и нормальной ткани, а также классификация опухоли по Фурман. 

Общая точность 99,1%, чувствительность 100%, специфичность 97,1%. Точность дифференцировки светлоклеточного, папиллярного и хромофобного гистотипов ПКК составила 97,5%. Точность классификации по Фурман составила 98,4%.

Анализ и прогностическая оценка злокачественного потенциала тканей почек на базе данных иммуногистохимических исследований с антителами, выявляющими опухолеинфильтрирующие лимфоциты,  с помощью платформы HALO.

Установлено, что увеличение количества инфильтрирующих опухоль В-клеток, Т-клеток и PD-1-позитивных клеток достоверно ассоциировалось с хорошим прогнозом, а высокий уровень внутриопухолевых гранулоцитов, макрофагов, цитотоксических Т-клеток и PD-L1 - с плохим прогнозом.

De Filippis, R.; Wölflein, G.; Um, I.H.; Caie, P.D.; Warren, S.; White, A.; Suen, E.; To, E.; Arandjelović, O.; Harrison, D.J. [32]

Распознавание высоко- и низкодифференцированного рака с использованием классификации Фурман и прогнозирование выживаемости пациентов на основе эпидемиологических и клинических данных.

Чувствительность и специфичность составили 84,6% и 81,3% соответственно.

Определение высокого и низкого класса опухоли посредством автоматической оценки размера ядер на базе созданной авторами тепловой карты и определения диаметра ядра, характерного для каждого класса.

Точность определения составила 96,7%, а чувствительность и специфичность для каждой градации были различными и составляли от 87,3 до 99,3%. 

Y. Li et al. [33]

Использование многофазных компьютерных томограмм для дифференциальной диагностики хромофобного рака почки и онкоцитомы.

Примененные алгоритмы МО продемонстрировали высокую диагностическую точность (показатель площади под кривой (AUC) составляет более 0,85).

Q. Xu et al. [34]

Дифференциация доброкачественных и злокачественных образований почек на основе комбинирования радиомики и ГО.

Показатель площади под кривой составил AUC 0,925 и 0,826 по сравнению с анализом, выполненным радиологами.

Менгдан Чжу и др.

Классификация оцифрованных сканов гистологических образцов после хирургической резекции и биопсии на пять групп: светлоклеточная ПКК, папиллярная ПКК, хромофобная ПКК, онкоцитома почки и нормальная ткань.

Показатели для данных из «Атласа генома рака» составили 0,98 (95% доверительный интервал (ДИ): 0,97-1,00), 0,98 (95% ДИ: 0,96-1,00) и 0,97 (95% ДИ: 0,96-1,00), (95% ДИ: 0,96-0,98), соответственно. 

S. Tabibu et al. [7]

Дифференциальная диагностика светлоклеточного и хромофобного подтипов ПКР. 

Достигнуто значение AUC 0,98 для светлоклеточного ПКР и AUC 0,95 - для хромофобного.

Разработан индекс риска, основанный на форме и особенностях ядер.

Достигнута возможность прогнозировать увеличение выживаемости пациентов.

K. Tian et al [35]

Использована обученная модель для предсказания степени злокачественности светлоклеточного ПКР (по Фурману).

Точность финальных моделей достигает от 0,781 до 0,839 AUC.

H.M. Kim et al. [36]

Прогнозирование позднего рецидива после хирургического лечения пациентов с ПКР на базе авторского алгоритма.

Чувствительность - 0,673, специфичность - 0,807, точность - 0,799, площадь под кривой - 0,740.

Алгоритм обеспечивает выявление пациентов с высоким риском позднего рецидива и позволяет разработать индивидуальные стратегии лечения и наблюдения.

В России также производятся и применяются в клинической практике разработки авторских ИИ-моделей в диагностике рака почек. Так, Билайн и Сеченевский университет создали ИИ-модель для классификации клеток почечно-клеточного рака в гистологических исследованиях, для реализации которой используется совместное решение МедТех ИИ [37]. Модель призвана оптимизировать рутинные процессы и задачи по изучению среза опухоли под микроскопом, находящиеся в компетенции врачей-патологоанатомов. Далее, компания VisionLabs разработала решение для распознавания злокачественных образований почек на КТ [38]. Решение основано на предобученных нейронных сетях, которые автоматически находят и локализуют на изображении объемные участки, отличающиеся по плотности от окружающих тканей почки, что позволяет увеличить скорость первичной обработки снимков и оптимизировать работу врача.

Основные направления развития ИИ-моделей связаны с формированием их дополнительной диагностической и прогностической ценности. Во-первых, требуется дальнейшее развитие их способностей в проецировании полученных знаний на новые ситуации для выявления редких атипичных поражений почек и оценки их клинического поведения.

Во-вторых, ИИ может использоваться для анализа генных дефектов при почечно-клеточном раке, в частности, для изучения микроРНК в качестве биомаркеров для выявления рака и выдвижения гипотез о влиянии различных типов генетических повреждений на прогноз и выживаемость [25].

В-третьих, практическое применение ИИ-модель может иметь ценность в проведении молекулярно-генетических исследований для выявления почечно-клеточного рака, ассоциированного с Хр11-транслокацией гена TFE3 (TFE3-RCC), для этого требуется расширение базы данных и характеристик пациентов на протяжении всего процесса лечения.

Рак молочной железы

Диагностическим инструментарием для выявления рака молочной железы традиционно служат цифровая маммография и УЗИ молочных желез. Несмотря на их достаточно высокую диагностическую ценность, имеются субъективные (человеческий когнитивный фактор) и объективные проблемы в применении указанных технологий, которые в международной практике минимизируются методом двойного чтения. Однако, в России данный метод не стандартизирован и данное обстоятельство зачастую приводит к гипердиагностике рака молочной железы [39]. Альтернативой второго чтения является нейронная сеть, применяемая для расшифровки маммографических изображений, и продемонстрировавшая на практике высокую диагностическую ценность.

Множество исследований в области применения ИИ в диагностике рака молочной железы проведено в США, Южной Корее и Великобритании. Так, в южнокорейском исследовании по результатам оценки глубокой нейронной сети на основании показателя кривой AUROC (Area Under ROC, AUC) установлено, что диагностическая эффективность ИИ при чтении изображений (0,940, 95% ДИ 0,91–0,96) выше в сравнении с прочтением рентгенологом
(0,810, 95% ДИ 0,77–0,85). Чувствительность и специфичность оценки ИИ маммограм также оказались выше прочтения рентгенологом, причем во всех подгруппах: независимо от возраста, плотности молочной железы, наличия кальцификаций и гистологического типа. Например, при плотной молочной железе чувствительность ИИ на 16% выше, чем рентгенологов (p<0,0001), а специфичность – на 14,7%. Аналогичное исследование проведено в Швеции с применением южнокорейской разработки, по результатам которого выявлено, что ИИ позволяет на 49% снизить количество неверных расшифровок при прочтении маммограмм [40].

В России применение ИИ для интерпретации маммографических изображений реализуется через программу Цельс, используемую в клиниках 13 субъектов РФ в рамках пилотных проектов. Также компанией «Интеллоджик» разработан сервис для анализа медицинских изображений с использованием самообучающегося искусственного интеллекта Botkin.AI [41], обеспечивающего классификацию и сегментацию новообразований молочной железы. Сервисы ИИ для анализа маммографических изображений разработаны также ООО «Платформа Третье Мнение» и ООО «Кэременторэйай» (Сare Mentor AI), по результатам исследований которых зафиксировано, что ИИ идентифицирует признаки патологий молочной железы еще на стадии, когда они не видны врачам.

Направления развития ИИ-моделей в диагностике рака молочной железы связаны с применением ИИ в прогнозировании риска развития рака молочной железы. В перспективе ИИ может позволить распределять женщин с высоким и или низким риском развития рака молочной железы на основе индивидуального тестирования, а не эпидемиологических исследований. ИИ может обеспечить классификацию плотности молочной железы по признакам, основанным на текстурных признаках, извлеченных из паренхимы молочной железы, что позволит более надежно выявлять риски развития опухоли молочной железы, связанные с плотной грудью. ИИ может помочь в распределении женщин по разным группам скрининга молочной железы для определения краткосрочного риска развития рака молочной железы на основе характеристик, извлечённых из отрицательных результатов скрининговой маммографии, на которых была повышена плотность тканей молочной железы. Также в перспективе ИИ может выявить генетические факторы риска развития рака молочной железы на основе 38 текстурных признаков, извлечённых из паренхимы молочной железы [42].

В виду ограниченности требуемого объема работы, не представляется возможным освещение и анализ применения ИИ в диагностике других видов ЗНО. Данная область исследований остается перспективой дальнейшей работы авторов в направлении анализа теории и практики применения искусственного интеллекта в диагностике злокачественных образований. Однако, в качестве задела для будущих исследований в таблице 2 нами систематизированы данные по сферам диагностики ЗНО с помощью ИИ (спектр, результаты, возможности и ограничения применения ИИ), включая новообразования предстательной железы, легких, мочевого пузыря.

Выводы

По результатам исследования, можно постулировать, что искусственный интеллект имеет огромный спектр возможностей в эффективной диагностике злокачественных новообразований на всех этапах:

  1. организация диагностики – искусственный интеллект ускоряет процесс вычислительной обработки данных;
  2. скрининг и оценка опухоли – искусственный интеллект обеспечивает дифференциацию и классификацию опухоли неинвазивным методом с высокой диагностической и прогностической точностью [43];
  3. стратификация риска – искусственный интеллект прогнозирует общую выживаемость, риски рецидива, вероятность дальнейшего прогрессирования опухоли, ответ на терапию и отдаленные результаты на основе индивидуальных специфических признаков и маркеров визуализации;
  4. планирование терапии – искусственный интеллект позволяет с более высокой степенью точности и надежности составить тактику лечения пациента на основе оценки остаточной опухоли.

Искусственный интеллект обладает высокой диагностической ценностью в постановке диагноза, в том числе, редких онкологических заболеваний, с атипичными симптомами, «симптомами-миражами» и «симптомами-хамелеонами». Некоторые патологии могут диагностироваться искусственным интеллектом (например, новообразования кожи) пользователем в автономном режиме до похода к врачу, что позволяет существенно снизить нагрузку на медицинские учреждения, сократить рутинные процессы, выявить болезнь на ранней стадии и, тем самым, повысить уровень выживаемости.

Несмотря на безапелляционные преимущества искусственного интеллекта в диагностике злокачественных новообразований, продемонстрированные в рамках многочисленных эмпирических исследований, возможностям искусственного интеллекта корреспондируют риски и ограничения, связанные с базой их обучения. Эффективность, точность и надежность алгоритмов искусственного интеллекта прямо коррелирует с качеством и количеством используемых данных. Как показывает практика, увеличение репрезентативных данных в 100 раз, в 10 раз уменьшает ошибку проверки искусственного интеллекта [39]. Для разработки и развития модели и алгоритмов искусственного интеллекта и их применения в реальной клинической практике нужны высококачественные клинические данные в действительно большом объеме.

В большинстве исследований, описанных в литературе, обучение моделей искусственного интеллекта осуществлялось на небольшом наборе данных – менее 500 изображений. Следствием чего является предвзятость модели, что, в свою очередь, приводит к недостаточной производительности и верификации результатов, а значит, их ненадежности для применения в клинической практике. Требования к базе данных не ограничиваются количеством изображений, значение имеет также сложность клинических случаев, представленных на этих изображениях, что обеспечивает разнообразие и неоднородность базы данных, а значит, широкие возможности для самообучения модели искусственного интеллекта и обеспечения ее диагностической ценности.

Проблема наличия больших данных для формирования алгоритмов искусственного интеллекта связана преимущественно с их недоступностью в медицинских учреждениях, что, в свою очередь, обусловлено отсутствием унифицированных, совместимых информационных систем учета и ведения комплексных электронных историй болезней пациентов в лечебных учреждениях. Как отмечалось в статье выше, медицинские карты должны быть годными для использования по критерию наличия полной информации по 8 стандартным диагностическим индикаторам, содержать записи врачей, данные лабораторных анализов, данные проводимых процедур и назначений.

Для внедрения искусственного интеллекта в клиническую практику отечественных лечебных учреждений на систематической, а не экспериментальной основе, необходимо формирование целой экосистемы:

  • полной совместимой базы с качественными данными для разработки алгоритма искусственного интеллекта с минимизацией допускаемых ошибок и изучением границ применения искусственным интеллектом;
  • единой платформы для унификации данных разных алгоритмов и версий искусственного интеллекта при обработке исследований, а также медицинских изображений, полученных с помощью разных аппаратов, произведённых разными компаниями, и с использованием разных протоколов получения изображений;
  • инфраструктуры для сотрудничества между клиниками, направленной на обмен данными результатов применения искусственного интеллекта.

Формирование инфраструктуры искусственного интеллекта в диагностике злокачественных новообразований должно производиться с вовлечением максимально широкого круга участников в тестирование исследовательских алгоритмов и публичное освещение результатов применения искусственного интеллекта в клинической практике позволит достичь реального успеха и прогресса в исследуемой сфере. Материалы могут быть опубликованы в сборниках и изданиях здравоохранения на официальном сайте Министерства здравоохранения Российской Федерации.

Библиография

  1. Онкология в России. Режим доступа: https://tochno.st/problems/oncology (Дата обращения: 22.02.2025).
  2. Об утверждении Порядка оказания медицинской помощи взрослому населению при онкологических заболеваниях: приказ Министерства здравоохранения РФ от 19 февраля 2021 г. № 116н (с изменениями и дополнениями). Режим доступа: https://base.garant.ru/400533605/?ysclid=mdicw3me5d248051314 (Дата обращения: 22.02.2025).
  3. Шуть Е.М., Куликов А.А. Перспективные направления применения искусственного интеллекта в борьбе с онкологическими заболеваниями: российский опыт. Инновации и инвестиции 2023; (2):122-126
  4. О Стратегии развития здравоохранения в Российской Федерации на период до 2025 года: указ Президента РФ от 6 июня 2019 г. N 254 (с изменениями и дополнениями). Режим доступа: https://base.garant.ru/72264534/?ysclid=mdicxwr81j753530428 (Дата обращения: 22.02.2025).
  5. Ганцев Ш.Х., Франц М.В. Искусственный интеллект в онкологии: взгляд в будущее. Практическая онкология. [сетевое издание] 2019;1:21–28. Режим доступа: https://practical-oncology.ru/articles/652.pdf (Дата обращения: 22.02.2025).
  6. Краюшкин П.В. Возможности искусственного интеллекта в диагностике онкологических заболеваний кожи. Косметика и медицина. [сетевое издание] 2018;3:91–99. Режим доступа: https://www.premium-a.ru/wp-content/uploads/post/5404/kiz_3_fotofinder.pdf (Дата обращения: 22.02.2025).
  7. Tabibu S, Vinod PK, Jawahar CV. Pan-Renal Cell Carcinoma classification and survival prediction from histopathology images using deep learning. Sci Rep. 2019;9(1):10509.
  8. Заридзе Д.Г. Перспективы применения искусственного интеллекта для повышения эффективности cкрининга злокачественных новообразований. Общественное здоровье. [сетевое издание] 2024;4(4):24–42. DOI:10.21045/278216762024
  9. Donovan MJ, Fernandez G, Scott R, Rupp N, Hermanns T, Fankhauser C, et al. Development and validation of a novel automated Gleason grade and molecular profile that define a highly predictive prostate cancer progression algorithm-based test. Prostate Cancer and Prostatic Diseases 2018;21(4):594-603. 
  10. American Cancer Society. Режим доступа: www.cancer.org/cancer/melanoma-skin-cancer/detection-diagnosis-staging/survival-rates-for-melanoma-skin-cancer-by-stage.html. (Дата обращения: 22.02.2025)
  11. Haenssle H.A., Fink C., Schneiderbauer R., et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol; 2018.
  12. Argenziano G. 3-point checklist of dermoscopy. Режим доступа: https://dermoscopy-ids.org/wp-content/uploads/2015/05/3pt.tutorial.pdf (Дата обращения: 22.02.2025)
  13. NICE urgent referral guidance for suspected malignant melanoma. Режим доступа: www.gpnotebook.co.uk/simplepage.cfm?ID=-221249461 (Дата обращения: 01.08.2018).
  14. Гаврилов Д.А., Закиров Э.И., Гамеева Е.В., Семенов В.Ю., Александрова О.Ю. Автоматизированная диагностика меланомы кожи на основе математической модели искусственной сверточной нейронной сети. Исследования и практика в медицине. [сетевое издание] 2018;5(3):110-116. DOI: 10.17709/2409-2231-2018-5-3-11
  15. Хабарова Р.И., Кулева С.А. Искусственный интеллект в диагностике доброкачественных новообразований кожи у пациентов детского возраста. Интеграция нейронной сети в мобильное приложение. Вопросы онкологии. [сетевое издание] 2022;68(6):820-826. DOI 10.37469/0507-3758-2022-68-6-820-826
  16. Scanderm. Режим доступа: https://scanderm.pro/ (Дата обращения: 22.02.2025).
  17. Checkderm.ru. Режим доступа: https://checkderm.ru/ (Дата обращения: 22.02.2025).
  18. Патент на изобретение № 2814539, Российская Федерация, С1, МПК G61H 50/00; G06T 7/00; G06N 3/02. Система диагностики злокачественных и доброкачественных новообразований кожи. И.Л. Шливко, И.А. Клеменова, О.Е. Гаранина, А.М. Миронычева, К.А. Ускова, Я.Л. Степанова, В.А. Сайфуллина, Е.В. Донченко, В.И. Дардык, А.В. Бурдаков, А.О. Ухаров, В.О. Шалаева. Патентообладатель: федеральное государственное бюджетное образовательное учреждение высшего образования «Приволжский исследовательский медицинский университет» Министерства здравоохранения Российской Федерации. – 2022135010, заявл. 28.12.2022; опубл. 29.02.2024, Бюл. № 7.
  19. Гаврилов Д.А., Мелерзанов А.В, Щелкунов Н.Н., Закиров Э.И. Диагностика меланомы с использованием нейронной сети Inception. Научное сообщество Графикон [сетевое издание] 2018;18:266-269. Режим доступа: https://www.graphicon.ru/html/2018/papers/266-269.pdf (Дата обращения: 22.02.2025).
  20. Ускова К.А. Автоматизированная диагностика новообразований кожи с использованием искусственного интеллекта: автореф. дис. … канд. мед. наук. Москва. 2024. 24 с.
  21. Самохин С.О., Патрушев А.В., Акаева Ю.И., Парфёнов С.А., Кутелев Г.Г. Ранняя диагностика злокачественных новообразований кожи с помощью технологий искусственного интеллекта. Вестник дерматологии и венерологии [сетевое издание] 2024; 1(3):8. Режим доступа: https://vestnikdv.ru/jour/article/view/16746 DOI.org/10.25208/vdv16746 (Дата обращения: 22.02.2025).
  22. Enikeev D, Morozov A, Bazarkin A, Shpikina A, Brill B, Teoh JY, et al; ESUT Ablative Group. Thermal ablation vs. active surveillance for renal masses: a systematic review and network meta-analysis. Minerva Urol Nephrol. 2023;75(2):154-162.
  23. Rabinowitz MJ, Esfandiary T, Cheaib J, Patel SH, Alam R, Metcalf M, et al. Characterizing Tumor Thrombus Arising from Non-Clear Cell Renal Cell Carcinoma. Eur Urol Open Sci. 2022;43:28-34.
  24. Тимофеева Е.Ю., Азильгареева К.Р., Морозов А.О., Тараткин М.С., Еникеев Д.В. Использование искусственного интеллекта в диагностике, лечении и наблюдении за пациентами с раком почки. Вестник урологии. [сетевое издание] 2023;11(3):142-148. Режим доступа: https://www.urovest.ru/jour/article/view/764 (Дата обращения: 22.02.2025).
  25. Как искусственный интеллект помогает лечить рак почек. Патология, диагностика, прогноз. Режим доступа: https://habr.com/ru/companies/beeline_tech/articles/833792/ (Дата обращения: 22.02.2025).
  26. Zhu M.; Ren, B., Richards R., Suriawinata M., Tomita N., Hassanpour S. Development and evaluation of a deep neural network for histologic classification of renal cell carcinoma on biopsy and surgical resection slides. Sci. Rep. 2021; 11: 7080.
  27. Gondim D.D., Al-Obaidy, K.I., Idrees M.T., Eble J.N., Cheng L. Artificial intelligence-based multi-class histopathologic classification of kidney neoplasms. J. Pathol. Inform. 2023; 14.
  28. Abdeltawab H., Khalifa F., Ghazal M., Cheng, L., Gondim D., El-Baz A. A pyramidal deep learning pipeline for kidney whole-slide histology images classification. Sci. Rep. 2021; 11: 20189.
  29. Paner G.P., Amin M.B., Alvarado-Cabrero I., Young A.N., Stricker H.J., Moch H., Lyles R.H. A Novel Tumor Grading Scheme for Chromophobe Renal Cell Carcinoma: Prognostic Utility and Comparison with Fuhrman Nuclear Grade. Am. J. Surg. Pathol. 2010; 34: 1233–1240.
  30. Chen, S.; Jiang, L.; Gao, F.; Zhang, E.; Wang, T.; Zhang, N.; Wang, X.; Zheng, J. Machine learning-based pathomics signature could act as a novel prognostic marker for patients with clear cell renal cell carcinoma. Br. J. Cancer 2022; 126: 771–777. 
  31. Stenzel, P.J.; Schindeldecker, M.; Tagscherer, K.E.; Foersch, S.; Herpel, E.; Hohenfellner, M.; Hatiboglu, G.; Alt, J.; Thomas, C.; Haferkamp, A.; et al. Prognostic and Predictive Value of Tumor-infiltrating Leukocytes and of Immune Checkpoint Molecules PD1 and PDL1 in Clear Cell Renal Cell Carcinoma. Transl. Oncol 2020; 13: 336–345.
  32. De Filippis, R.; Wölflein, G.; Um, I.H.; Caie, P.D.; Warren, S.; White, A.; Suen, E.; To, E.; Arandjelović, O.; Harrison, D.J. Use of High-Plex Data Reveals Novel Insights into the Tumour Microenvironment of Clear Cell Renal Cell Carcinoma. Cancers 2022; 14: 5387. 
  33. Li Y, Huang X, Xia Y, Long L. Value of radiomics in differential diagnosis of chromophobe renal cell carcinoma and renal oncocytoma. Abdom Radiol (NY) 2020;45(10):3193-3201.
  34. Xu X, Zhang X, Tian Q, Zhang G, Liu Y, Cui G, et al. Three-dimensional texture features from intensity and high-order derivative maps for the discrimination between bladder tumors and wall tissues via MRI. International Journal of Computer Assisted Radiology and Surgery 2017;12(4):645-656.
  35. Tian K, Rubadue CA, Lin DI, Veta M, Pyle ME, Irshad H, Heng YJ. Automated clear cell renal carcinoma grade classification with prognostic significance. PLoS One. 2019;14(10):e0222641.
  36. Kim H.-E., Kim H. H., Han B.-K. et al. Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health 2020; 2(3): e138-e148.
  37. Билайн и Сеченовский университет создали нейросеть для определения клеток рака почки. Режим доступа: https://www.forbes.ru/tekhnologii/519847-bilajn-i-secenovskij-universitet-sozdali-nejroset-dla-opredelenia-kletok-raka (Дата обращения: 22.02.2025).
  38. Российский разработчик программного обеспечения для распознавания лиц создал систему для выявления рака почек. Режим доступа: https://www.cnews.ru/news/top/2024-02-16_dochka_mts_razrabotchik (Дата обращения: 22.02.2025).
  39. Шелехова К.В. Возможности и перспективы искусственного интеллекта в патоморфологической диагностике рака. Практическая онкология. [сетевое издание] 2022;23(4):234-238. DOI: 10.31917/2304234
  40. Kim HM, Byun SS, Kim JK, Jeong CW, Kwak C, Hwang EC, et al. Machine learning-based prediction model for late recurrence after surgery in patients with renal cell carcinoma. BMC Med Inform Decis Mak. 2022;22(1):241.
  41. Botkin.AI. Платформа анализа и обработки медицинских изображений с технологиями искусственного интеллекта. Режим доступа: https://zdrav.expert/index.php/Продукт:Botkin.AI (Дата обращения: 22.02.2025).
  42. Meredith A. Jones, Warid Islam, Rozwat Faiz, Xuxin Chen, Bin Zheng. Applying artificial intelligence technology to assist with breast cancer diagnosis and prognosis prediction. Front Oncol 2022; 12:980793. DOI: 10.3389/fonc.2022.980793
  43. Обзор Российских систем искусственного интеллекта для здравоохранения. Режим доступа: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-iskusstvennogo-intellekta-dlia-zdravookhraneniia/?ysclid=m6an07swe7806658670 (Дата обращения: 22.02.2025).
  44. Мягков А.А., Куликов А.А. Применение искусственного интеллекта для диагностики онкологических заболеваний в современной медицине. Медицина. Социология. Философия. Прикладные исследования [сетевое издание] 2023;3:169–172.

References

  1. Onkologija v Rossii. Available from: https://tochno.st/problems/oncology (Date accessed: 22.02.2025).
  2. Ob utverzhdenii Porjadka okazanija medicinskoj pomoshhi vzroslomu naseleniju pri onkologicheskih zabolevanijah: prikaz Ministerstva zdravoohranenija RF ot 19 fevralja 2021 g. № 116n (s izmenenijami i dopolnenijami). Available from: (Date accessed: 22.02.2025).
  3. Shut' E.M., Kulikov A.A. Perspektivnye napravlenija primenenija iskusstvennogo intellekta v bor'be s onkologicheskimi zabolevanijami: rossijskij opyt. [Promising areas of application of artificial intelligence in the fight against oncological diseases: Russian experience] Innovacii i investicii. 2023; (2):122-126
  4. O Strategii razvitija zdravoohranenija v Rossijskoj Federacii na period do 2025 goda: ukaz Prezidenta RF ot 6 ijunja 2019 g. N 254 (s izmenenijami i dopolnenijami). Available from: (Date accessed: 22.02.2025).
  5. Gancev Sh.H., Franc M.V. Iskusstvennyj intellekt v onkologii: vzgljad v budushhee. [Artificial Intelligence in Oncology: A Look into the Future. Practical Oncology.] Prakticheskaja onkologija. [setevoe izdanie] 2019;1:21–28.
  6. Krajushkin P.V. Vozmozhnosti iskusstvennogo intellekta v diagnostike onkologicheskih zabolevanij kozhi. [Artificial Intelligence Possibilities in Diagnostics of Skin Cancer Diseases] Kosmetika i medicina. [setevoe izdanie] 2018;3:91-99.
  7. Tabibu S, Vinod PK, Jawahar CV. Pan-Renal Cell Carcinoma classification and survival prediction from histopathology images using deep learning. Sci Rep. 2019;9(1):10509.
  8. Zaridze D.G. Perspektivy primenenija iskusstvennogo intellekta dlja povyshenija jeffektivnosti ckrininga zlokachestvennyh novoobrazovanij. [Prospects for the use of artificial intelligence to improve the efficiency of screening for malignant neoplasms] Obshhestvennoe zdorov'e. [setevoe izdanie] 2024;4(4):24-42.
  9. Donovan MJ, Fernandez G, Scott R, Rupp N, Hermanns T, Fankhauser C, et al. Development and validation of a novel automated Gleason grade and molecular profile that define a highly predictive prostate cancer progression algorithm-based test. Prostate Cancer and Prostatic Diseases 2018;21(4):594-603.
  10. American Cancer Society. Available from: www.cancer.org/cancer/melanoma-skin-cancer/detection-diagnosis-staging/survival-rates-for-melanoma-skin-cancer-by-stage.html (accessed 18 July 2018).
  11. Haenssle H.A., Fink C., Schneiderbauer R., et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol; 2018.
  12. Argenziano G. 3-point checklist of dermoscopy. Available from: https://dermoscopy-ids.org/wp-content/uploads/2015/05/3pt.tutorial.pdf
  13. NICE urgent referral guidance for suspected malignant melanoma. Available from: www.gpnotebook.co.uk/simplepage.cfm?ID=-221249461
  14. Gavrilov D.A., Zakirov Je.I., Gameeva E.V., Semenov V.Ju., Aleksandrova O.Ju. Avtomatizirovannaja diagnostika melanomy kozhi na osnove matematicheskoj modeli iskusstvennoj svertochnoj nejronnoj seti. [Automated diagnostics of skin melanoma based on a mathematical model of an artificial convolutional neural network] Issledovanija i praktika v medicine. [setevoe izdanie] 2018;5(3):110-116.
  15. Habarova R.I., Kuleva S.A. Iskusstvennyj intellekt v diagnostike dobrokachestvennyh novoobrazovanij kozhi u pacientov detskogo vozrasta. Integracija nejronnoj seti v mobil'noe prilozhenie. [Artificial intelligence in the diagnosis of benign skin neoplasms in pediatric patients. Integration of a neural network into a mobile application] Voprosy onkologii. 2022;68(6):820-826.
  16. Scanderm. Available from: https://scanderm.pro/ (Date accessed: 22.02.2025).
  17. Checkderm.ru. Available from: https://checkderm.ru/ (Date accessed: 22.02.2025).
  18. Patent na izobretenie № 2814539, Rossijskaja Federacija, S1, MPK G61H 50/00; G06T 7/00; G06N 3/02. Sistema diagnostiki zlokachestvennyh i dobrokachestvennyh novoobrazovanij kozhi / I.L. Shlivko, I.A. Klemenova, O.E. Garanina, A.M. Mironycheva, K.A. Uskova, Ja.L. Stepanova, V.A. Sajfullina, E.V. Donchenko, V.I. Dardyk, A.V. Burdakov, A.O. Uharov, V.O. Shalaeva. Patentoobladatel': federal'noe gosudarstvennoe bjudzhetnoe obrazovatel'noe uchrezhdenie vysshego obrazovanija «Privolzhskij issledovatel'skij medicinskij universitet» Ministerstva zdravoohranenija Rossijskoj Federacii. – 2022135010, zajavl. 28.12.2022; opubl. 29.02.2024, Bjul. № 7.
  19. Gavrilov D.A., Melerzanov A.V, Shhelkunov N.N., Zakirov Je.I. Diagnostika melanomy s ispol'zovaniem nejronnoj seti Inception. [Diagnosis of melanoma using the Inception neural network] Nauchnoe soobshhestvo Grafikon. [setevoe izdanie] 2018;18:266-269.
  20. Uskova K.A. Avtomatizirovannaja diagnostika novoobrazovanij kozhi s ispol'zovaniem iskusstvennogo intellekta: avtoref. [Automated diagnostics of skin neoplasms using artificial intelligence: author's abstract] dis. … kand. med. nauk. Moskva. 2024. 24 s.
  21. Samohin S.O., Patrushev A.V., Akaeva Ju.I., Parfjonov S.A., Kutelev G.G. Rannjaja diagnostika zlokachestvennyh novoobrazovanij kozhi s pomoshh'ju tehnologij iskusstvennogo intellekta. [Early diagnostics of malignant skin neoplasms using artificial intelligence technologies] Vestnik dermatologii i venerologii [setevoe izdanie] 2024; 1(3):8.
  22. Enikeev D, Morozov A, Bazarkin A, Shpikina A, Brill B, Teoh JY, Suvorov A, Singla N, Taratkin M, Rivas JG, Barret E; ESUT Ablative Group. Thermal ablation vs. active surveillance for renal masses: a systematic review and network meta-analysis. [Thermal ablation vs. active surveillance for renal masses: a systematic review and network meta-analysis] Minerva Urol Nephrol. 2023;75(2):154-162.
  23. Rabinowitz MJ, Esfandiary T, Cheaib J, Patel SH, Alam R, Metcalf M, Enikeev D, Pierorazio PM, Ged YMA, Allaf ME, Singla N. Characterizing Tumor Thrombus Arising from Non-Clear Cell Renal Cell Carcinoma. Eur Urol Open Sci. 2022;43:28-34.
  24. Timofeeva E.Ju., Azil'gareeva K.R., Morozov A.O., Taratkin M.S., Enikeev D.V. Ispol'zovanie iskusstvennogo intellekta v diagnostike, lechenii i nabljudenii za pacientami s rakom pochki. [Use of artificial intelligence in diagnosis, treatment and monitoring of patients with kidney cancer] Vestnik urologii. [setevoe izdanie] 2023;11(3):142-148. Available from: https://www.urovest.ru/jour/article/view/764 (Date accessed: 22.02.2025).
  25. Kak iskusstvennyj intellekt pomogaet lechit' rak pochek. Available from: https://habr.com/ru/companies/beeline_tech/articles/833792/(Date accessed: 22.02.2025).
  26. Zhu M.; Ren, B., Richards R., Suriawinata M., Tomita N., Hassanpour S. Development and evaluation of a deep neural network for histologic classification of renal cell carcinoma on biopsy and surgical resection slides. Sci. Rep. 2021; 11: 7080.
  27. Gondim D.D., Al-Obaidy, K.I., Idrees M.T., Eble J.N., Cheng L. Artificial intelligence-based multi-class histopathologic classification of kidney neoplasms. J. Pathol. Inform. 2023; 14.
  28. Abdeltawab H., Khalifa F., Ghazal M., Cheng, L., Gondim D., El-Baz A. A pyramidal deep learning pipeline for kidney whole-slide histology images classification. Sci. Rep. 2021; 11: 20189.
  29. Paner G.P., Amin M.B., Alvarado-Cabrero I., Young A.N., Stricker H.J., Moch H., Lyles R.H. A Novel Tumor Grading Scheme for Chromophobe Renal Cell Carcinoma: Prognostic Utility and Comparison with Fuhrman Nuclear Grade. Am. J. Surg. Pathol. 2010; 34: 1233–1240.
  30. Chen, S.; Jiang, L.; Gao, F.; Zhang, E.; Wang, T.; Zhang, N.; Wang, X.; Zheng, J. Machine learning-based pathomics signature could act as a novel prognostic marker for patients with clear cell renal cell carcinoma. Br. J. Cancer 2022; 126: 771–777.
  31. Stenzel, P.J.; Schindeldecker, M.; Tagscherer, K.E.; Foersch, S.; Herpel, E.; Hohenfellner, M.; Hatiboglu, G.; Alt, J.; Thomas, C.; Haferkamp, A.; et al. Prognostic and Predictive Value of Tumor-infiltrating Leukocytes and of Immune Checkpoint Molecules PD1 and PDL1 in Clear Cell Renal Cell Carcinoma. Transl. Oncol. 2020; 13: 336–345.
  32. De Filippis, R.; Wölflein, G.; Um, I.H.; Caie, P.D.; Warren, S.; White, A.; Suen, E.; To, E.; Arandjelović, O.; Harrison, D.J. Use of High-Plex Data Reveals Novel Insights into the Tumour Microenvironment of Clear Cell Renal Cell Carcinoma. Cancers 2022; 14: 5387.
  33. Li Y, Huang X, Xia Y, Long L. Value of radiomics in differential diagnosis of chromophobe renal cell carcinoma and renal oncocytoma. Abdom Radiol (NY). 2020;45(10):3193-3201.
  34. Xu X, Zhang X, Tian Q, Zhang G, Liu Y, Cui G, et al. Three-dimensional texture features from intensity and high-order derivative maps for the discrimination between bladder tumors and wall tissues via MRI. International Journal of Computer Assisted Radiology and Surgery 2017;12(4):645-656.
  35. Tian K, Rubadue CA, Lin DI, Veta M, Pyle ME, Irshad H, Heng YJ. Automated clear cell renal carcinoma grade classification with prognostic significance. PLoS One. 2019;14(10):e0222641.
  36. Kim H.-E., Kim H. H., Han B.-K. et al. Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health. 2020; 2(3): e138-e148.
  37. Bilajn i Sechenovskij universitet sozdali nejroset' dlja opredelenija kletok raka pochki. Available from: https://www.forbes.ru/tekhnologii/519847-bilajn-i-secenovskij-universitet-sozdali-nejroset-dla-opredelenia-kletok-raka (Date accessed: 22.02.2025).
  38. Rossijskij razrabotchik programmnogo obespechenija dlja raspoznavanija lic sozdal sistemu dlja vyjavlenija raka pochek. Available from: https://www.cnews.ru/news/top/2024-02-16_dochka_mts_razrabotchik (Date accessed: 22.02.2025).
  39. Shelehova K.V. Vozmozhnosti i perspektivy iskusstvennogo intellekta v patomorfologicheskoj diagnostike raka. Prakticheskaja onkologija. [setevoe izdanie] 2022;23(4):234-238. Available from: https://rumedo.ru/uploads/materials/75706ce7535123d529c278eca2c7d471.pdf DOI: 10.31917/2304234 (Date accessed: 22.02.2025).
  40. Kim HM, Byun SS, Kim JK, Jeong CW, Kwak C, Hwang EC, Kang SH, Chung J, Kim YJ, Ha YS, Hong SH. Machine learning-based prediction model for late recurrence after surgery in patients with renal cell carcinoma. BMC Med Inform Decis Mak. 2022;22(1):241.
  41. Botkin.AI. Platforma analiza i obrabotki medicinskih izobrazhenij s tehnologijami iskusstvennogo intellekta. Available from: https://zdrav.expert/index.php/Produkt:Botkin.AI (Date accessed: 22.02.2025).
  42. Meredith A. Jones, Warid Islam, Rozwat Faiz, Xuxin Chen, Bin Zheng. Applying artificial intelligence technology to assist with breast cancer diagnosis and prognosis prediction. 2022;12.
  43. Obzor Rossijskih sistem iskusstvennogo intellekta dlja zdravoohranenija. Available from: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-iskusstvennogo-intellekta-dlia-zdravookhraneniia/?ysclid=m6an07swe7806658670 (Date accessed: 22.02.2025).
  44. Mjagkov A.A., Kulikov A.A. Primenenie iskusstvennogo intellekta dlja diagnostiki onkologicheskih zabolevanij v sovremennoj medicine. [Application of artificial intelligence for diagnostics of oncological diseases in modern medicine] Medicina. Sociologija. Filosofija. Prikladnye issledovanija. [setevoe izdanie] 2023;3:169–172.

Дата поступления: 07.03.2025


Просмотров: 78

Ваш комментарий будет первым

Добавить комментарий
  • Пожалуйста оставляйте комментарии только по теме.
  • Вы можете оставить свой комментарий любым браузером кроме Internet Explorer старше 6.0
Имя:
E-mail
Комментарий:

Код:* Code

Последнее обновление ( 03.08.2025 г. )
« Пред.   След. »
home contact search contact search