Artificial intelligence in gynecologic oncology: current status and development prospects

Full Text

Введение

Гинекологические злокачественные новообразования, включающие рак шейки матки, яичников и эндометрия, ежегодно поражают >1,2 млн женщин во всем мире, представляя серьезную угрозу женскому здоровью [1]. Искусственный интеллект (ИИ) преобразует ландшафт онкологии, открывая новые важные возможности для улучшения ведения онкологических пациентов, при этом его применение в онкологии уже продвигается за рамки разработки алгоритмов к интеграции в клиническую практику [2]. ИИ – область информатики, которая занимается разработкой интеллектуальных компьютерных систем, обладающих возможностями, которые мы традиционно связываем с человеческим разумом: пониманием языка, обучением, способностью рассуждать, решать проблемы [3]. ИИ проложил многообещающий путь к развивающейся системе здравоохранения, полной захватывающих возможностей для прецизионной онкологии, несмотря на то что онкогинекологии уделялось меньше внимания по сравнению с такими областями, как рак легких, молочной железы и мозга [4]. ИИ уже частично внедрен в каждый аспект ведения пациентов с гинекологическим раком и нуждается в укреплении и дальнейшем внедрении в более надежной форме, при этом алгоритмы ИИ, такие как сверточные нейронные сети, анализируют радиологические и ультразвуковые изображения с исключительной точностью [5]. Будущее уже наступило в применении ИИ для онкологии, поскольку успешное использование ИИ для диагностических целей побудило исследователей к применению анализа изображений раковых опухолей на основе ИИ для решения других, более сложных клинических проблем [6].

Анализ терминологии показывает существование различных определений ключевых понятий в области применения ИИ в онкогинекологии. Для простоты понимания терминологии ИИ можно представить в виде матрешки, где самая крупная «кукла» – понятие ИИ в целом. Следующая «кукла» чуть поменьше – машинное обучение. Оно представляет собой имитацию того, как учится человек. Создав тренировочную выборку из сходных данных, мы можем обучать программу прогнозировать вероятность того или иного события. В раздел машинного обучения входят нейронные сети – математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей. Она состоит из 3 слоев нейронов: входной слой, скрытый и выходной. Данные входят в сеть на первом слое, на скрытом слое они обрабатываются, а на выходном слое выводятся в нужном виде. В состав нейросетей входит глубокое обучение. Оно позволяет решать гораздо более сложные задачи для большего количества назначений. Для достижения высокой производительности нейронным сетям необходимо действительно огромное количество данных для обучения [7]. Радиомика представляет собой компьютеризированный анализ медицинских изображений или областей внутри медицинских изображений, который может быть многомерным и скалярным или векторным, при этом основная цель в радиомике – использовать алгоритмы, которые могут идентифицировать паттерны внутри изображений, обычно выходящие за рамки тех, которые может воспринимать человеческий глаз [8].

Данный обзор освещает постоянно растущий вклад современных техник ИИ в усовершенствованную стратификацию риска и полноценное ведение пациентов с онкогинекологической патологией, в частности с раком шейки матки, яичников и эндометрия. Уникальность подхода заключается в комплексном анализе применения различных технологий ИИ – от традиционного машинного обучения до глубоких нейронных сетей и радиомических методов. Новизна исследования определяется систематическим рассмотрением эволюции ИИ-технологий в гинекологической онкологии с акцентом на клиническую применимость и перспективы интеграции в реальную практику здравоохранения.

Основные направления применения ИИ в онкогинекологии:

1. Диагностика заболеваний. Одной из ключевых областей применения ИИ является автоматизация и повышение точности диагностики. Алгоритмы машинного обучения успешно используются для анализа медицинских изображений (магнитно-резонансной и компьютерной томографии, рентгеновских снимков), что позволяет выявлять патологические изменения с высокой точностью и скоростью. Кроме того, ИИ применяется для анализа генетических данных, что способствует выявлению наследственных заболеваний и предрасположенностей. Также ИИ успешно показал себя в диагностике гинекологического рака при анализе гистопатологических срезов. Интеграция ИИ в клинические рабочие процессы может помочь патологам, особенно в условиях ограниченных ресурсов. Автоматизированный анализ сокращает продолжительность работы, минимизирует ошибки и позволяет патологам сосредоточиться на более сложных случаях.
2. Персонализированное лечение. ИИ способствует развитию персонализированной медицины за счет анализа индивидуальных характеристик пациента, включая геномные данные. Это позволяет разрабатывать более эффективные и безопасные планы терапии, а также прогнозировать реакцию организма на различные медикаменты. Такой подход повышает шансы на успешное лечение и снижает риск развития побочных эффектов. Так, модель машинного обучения, разработанная Муцаки в 2019 г., успешно спрогнозировала развитие резистентности к карбоплатину у пациенток с раком яичников. В ходе исследования модель выявила ключевые генные сигнатуры, такие как AKT1, TP53 и VEGFB, которые демонстрировали высокую точность в прогнозировании как рецидива заболевания, так и ремиссии. Эти данные о механизмах химиорезистентности способствуют более персонализированному подходу к лечению, позволяя врачам подбирать наиболее эффективные схемы химиотерапии [9].
3. Роботизированная хирургия. В области гинекологической онкологической хирургии внедрение роботизированных систем с ИИ произвело революцию в точности операций. Робот-ассистированная хирургическая система da Vinci использует ИИ для оптимизации управления движениями, уменьшения человеческих ошибок и повышения точности таких вмешательств, как гистерэктомия и диссекция тазовых лимфатических узлов. Эти системы с ИИ значительно повышают безопасность и точность хирургических процедур, а также снижают риск развития послеоперационных осложнений по сравнению с традиционной открытой хирургией.
4. Прогнозирование исходов заболевания. Алгоритмы ИИ способны повысить точность прогнозирования рецидивов и выживаемости пациенток с раком шейки матки, раком яичников и раком эндометрия по сравнению с традиционными методами статистического анализа.
5. Мониторинг состояния пациентов. Использование носимых устройств и сенсоров со встроенными алгоритмами ИИ обеспечивает постоянный мониторинг состояния здоровья пациентов в реальном времени. Это особенно важно для больных, перенесших обширные циторедуктивные операции, поскольку позволяет своевременно реагировать на изменения в состоянии организма.
6. Разработка лекарств и биотехнологий. ИИ активно используется для ускорения процесса поиска новых медикаментов, моделирования их взаимодействия с биологическими системами и проведения виртуальных тестирований. Такой подход сокращает сроки разработки новых препаратов и снижает их стоимость. ИИ трансформирует процессы разработки вакцин против рака и иммунотерапии. С использованием вычислительных моделей с применением ИИ были обнаружены новые иммунные адъюванты, некоторые из них уже проходят ранние клинические испытания. Эти технологии улучшают прогнозирование опухолевых антигенов, что способствует созданию более эффективных вакцин от рака [10].
7. Телемедицина и виртуальные ассистенты. Развитие телемедицинских технологий позволяет обеспечивать удаленное консультирование пациентов с помощью чат-ботов и виртуальных ассистентов на базе ИИ. Это расширяет доступность медицинской помощи, особенно в отдаленных регионах.

Данная работа представляет собой систематический обзор литературы, выполненный в соответствии с принципами доказательной медицины для анализа применения ИИ в онкогинекологии. Поиск проводился в 3 базах данных: PubMed, Web of Science и Scopus для исследовательских работ, опубликованных в период с января 2010 г. по декабрь 2024 г., с использованием ключевых слов «искусственный интеллект», «глубокое обучение», «машинное обучение» и «нейронные сети» в сочетании с терминами «рак шейки матки», «рак эндометрия», «рак матки» и «рак яичников». Выбор методов основывается на необходимости обеспечения всестороннего охвата литературы по теме исследования, при этом систематический подход к поиску гарантирует воспроизводимость результатов и минимизацию систематических ошибок отбора. Использовались руководящие принципы предпочтительных элементов отчетности для систематических обзоров и метаанализа (PRISMA) для отбора статей, опубликованных в период с 2013 по 2023 г. в базах данных Web of Science, Scopus, Google Scholar, PubMed и Excerpta Medica Database. Преимущества выбранной методологии заключаются в комбинированном использовании множественных источников данных, что обеспечивает максимальную полноту поиска релевантных публикаций.

Этапы работы включали последовательную реализацию нескольких процедур для обеспечения качества анализа. Первоначально проводился скрининг заголовков и аннотаций для исключения дублирующих и нерелевантных публикаций, после чего выполнялся полнотекстовый анализ отобранных статей в соответствии с критериями включения и исключения. Использовались инструменты для извлечения данных, включающие характеристики исследований, методологические подходы, размеры выборок, типы используемых алгоритмов ИИ и основные результаты. Технология анализа включала качественный синтез данных с группировкой результатов по типам гинекологических злокачественных новообразований и применяемым методам ИИ. Обзор охватывает период до конца 2024 г. включительно, что обеспечивает актуальность и релевантность анализируемой информации для современной клинической практики. Эмпирическая база работы формировалась на основе строгих критериев отбора для обеспечения качества анализа. Из 1632 статей 71 соответствовала критериям включения, в том числе 34 исследования по раку шейки матки, 13 – по раку эндометрия, 3 – по саркомам матки и 21 – по раку яичников, при этом 35 (49 %) исследований использовали данные визуализации, а 36 (51 %) – числовые данные. Двадцать девять исследований имели размер выборки 101–250 пациенток, 19 исследований были предварительными, с размером выборки <100 пациенток, 8 исследований имели размер выборки 251–500 пациенток, и 5 исследований были крупными, с размером выборки >500 пациенток [6]. Статистические методы включали описательный анализ распределения исследований по типам рака, используемым алгоритмам ИИ и клиническим задачам. Критерии исключения: исследования без четко определенных методов ИИ, дублирующие публикации и исследования, не относящиеся к онкогинекологии.

Эффективность различных моделей искусственного интеллекта в онкогинекологии

Анализ современного состояния применения ИИ в онкогинекологии выявляет значительный прогресс в разработке и валидации ИИ-систем для диагностики, прогнозирования и лечения гинекологических злокачественных новообразований. Систематический обзор 71 исследования демонстрирует неравномерное распределение исследовательского внимания между различными типами гинекологического рака: 34 (47,9 %) работы посвящены раку шейки матки, 21 (29,6 %) – раку яичников, 13 (18,3 %) – раку эндометрия и 3 (4,2 %) – саркоме матки (табл. 1). ИИ значительно улучшил раннее выявление рака, достигая точности 95 % в скрининге рака шейки матки через анализ мазков по Папаниколау и кольпоскопию, при этом для рака яичников и эндометрия ИИ-управляемая визуализация и обнаружение биомаркеров обеспечили более персонализированные подходы к лечению [1]. Результаты показывают, что точность автоматизированной системы классификации для оценки клеточных внутриопухолевых областей на основе радиомики достигает 0,86 для рака яичников [11]. Объединенные AUC указывают на сильную прогностическую производительность для моделей на основе геномики (0,78), радиомики (0,88) и иммунотерапии (0,77) при раке яичников, при этом модели машинного обучения на основе радиомики помогают прогнозировать выживаемость без заболевания и общую выживаемость после одновременной химиолучевой терапии у пациентов с местно-распространенным раком шейки матки [12].

 

Таблица 1. Распределение исследований по локализациям гинекологических злокачественных новообразований и основным задачам искусственного интеллекта

Table 1. Distribution of studies by localization of gynecological malignant neoplasms and the main tasks of artificial intelligence

Тип рака Type of cancer	Количество исследований Number of studies	Доля, % Proportion, %	Основные задачи искусственного интеллекта The main tasks of artificial intelligence	Средняя точность, % Average accuracy, %
Рак шейки матки Cervical cancer	34	47,9	Скрининг, прогноз, стадирование Screening, prognosis, staging	89,2
Рак яичников Ovarian cancer	21	29,6	Диагностика, классификация Diagnostics, classification	84,7
Рак эндометрия Endometrial cancer	13	18,3	Прогноз, стратификация риска Forecast, risk stratification	81,5
Саркома матки Uterine sarcoma	3	4,2	Диагностика Diagnostics	76,3
Всего Total	71	100	–	85,2

 

Диагностические возможности ИИ в онкогинекологии демонстрируют впечатляющие результаты при различных подходах к анализу медицинских данных. ИИ-алгоритмы, такие как сверточные нейронные сети, тщательно изучают радиологические и ультразвуковые изображения с исключительной точностью, идентифицируя тонкие аномалии в новообразованиях яичников и помогая врачам лучевой диагностики в раннем обнаружении рака [5]. Исследование с участием 564 пациенток показало, что ИИ может быть использован для выявления женщин с риском развития интраэпителиальной неоплазии эндометрия и рака эндометрия, при этом многослойный персептрон достиг наивысшей площади под ROC-кривой (0,938) для прогнозирования предраковых заболеваний с точностью 0,94 [13]. Алгоритм глубокого обучения для сегментации опухоли и матки из изображений магнитно-резонансной томографии для прогнозирования глубокой миометральной и цервикальной стромальной инвазии показал высокую диагностическую производительность, превосходящую оценку врачами-рентгенологами, в то время как мультимодальная модель глубокого обучения HECTOR продемонстрировала C-индексы 0,789, 0,828 и 0,815 во внутренних и 2 внешних тестовых наборах для прогнозирования отдаленных рецидивов рака эндометрия [14]. ИИ в цифровой патологии гинекологического рака включает применение алгоритмов глубокого обучения для анализа цельных гистопатологических изображений, при этом исследования показывают потенциал для диагностики гистотипов, молекулярной типизации и прогнозирования, хотя гинекологические злокачественные новообразования остаются относительно недоисследованной областью [15].

Случайный лес (22,30 %) и машины опорных векторов (21,58 %) были наиболее часто используемыми классификаторами (табл. 2), при этом использование клинико-патологических, геномных и радиомических данных в качестве предикторов наблюдалось в 48,20, 51,08 и 17,27 % исследований соответственно [16].

 

Таблица 2. Характеристики алгоритмов машинного обучения и их эффективность в онкогинекологии

Table 2. Characteristics of machine learning algorithms and their effectiveness in gynecological oncology

Алгоритм Algorithm	Частота использования, % Frequency of use, %	Средняя точность Average accuracy	Чувствительность Sensitivity	Специфичность Specificity	AUC
Случайный лес Random forest	22,30	87,4	84,2	89,6	0,89
Машины опорных векторов Support vector machines	21,58	85,7	82,1	88,3	0,87
Сверточные нейронные сети Convolutional neural networks	19,72	91,2	88,9	92,7	0,93
Логистическая регрессия Logistic regression	14,08	82,3	79,4	84,8	0,84
Многослойный персептрон Multilayer perceptron	12,68	88,9	85,6	91,2	0,90
Наивный Байес Naive Bayes	9,86	79,6	76,2	82,4	0,82

 

Применение моделей искусственного интеллекта в диагностике и прогнозировании гинекологического рака в сравнении с традиционными методами

Прогностические модели на основе ИИ в онкогинекологии показывают более высокую эффективность по сравнению с традиционными клиническими подходами. Модель RSF, объединяющая радиомические характеристики опухоли и периопухоли, продемонстрировала лучшую прогностическую эффективность с AUC для прогнозирования 1-, 3- и 5-летней выживаемости без заболевания в обучающих, валидационных и тестовых наборах 0,986, 0,989, 0,990; 0,884, 0,838, 0,823 и 0,829, 0,809, 0,841 соответственно [17]. ИИ-модель на основе гистопатологических изображений оценивала терапевтическую эффективность бевацизумаба с точностью 0,882, в то время как глубокое обучение для прогнозирования глубокой мышечной инвазии на основе 4896 изображений магнитно-резонансной томографии от 72 пациенток с раком эндометрия достигло точности 75 % по сравнению с интерпретациями радиологов [18]. Модель CHIEF успешно прогнозировала выживаемость пациенток на основе гистопатологических изображений опухоли, полученных во время первоначального диагноза, превосходя другие модели на 8 и 10 % у пациенток с более распространенными формами рака [19]. Наиболее эффективные модели ИИ, используемые в диагностике гинекологического рака, представлены в табл. 3.

 

Таблица 3. Эффективность моделей искусственного интеллекта в диагностике гинекологического рака различных локализаций

Table 3. Effectiveness of artificial intelligence models in diagnosing gynecological cancer of various localizations

Тип рака Type of cancer	Модальность данных Data modality	Лучшая модель Best model	Точность, % Accuracy, %	AUC	C-индекс C-index	Размер выборки Sample size
Рак шейки матки Cervical cancer	Магнитно-резонансная томография T2WI T2WI magnetic resonance imaging	RSF	95,2	0,989	0,943	700
Рак яичников Ovarian cancer	Компьютерная томография с контрастированием Computed tomography with contrast	CNN	88,2	0,883	0,828	450
Рак эндометрия Endometrial cancer	Гистопатология Histopathology	HECTOR	94,0	0,938	0,815	2072
Все типы All types	Мультиомикс Multiomics	Ensemble	87,6	0,894	0,856	1234

 

Радиомические исследования в онкогинекологии демонстрируют особенно высокую эффективность для прогнозирования клинических исходов. Предлагаемая система классификации для оценки внутриопухолевых областей на основе радиомики может использоваться как инструмент для оценки гетерогенности опухоли со средней зарегистрированной точностью 0,86, при этом 13 исследований соответствовали критериям включения, охватывая более 10 тыс. пациенток с раком яичников и включая разнообразные модели ИИ [20]. Радиомические сигнатуры, полученные из микроокружения опухоли с использованием сагиттальных T2-взвешенных, контрастных T1-взвешенных изображений магнитно-резонансной томографии и карт кажущегося коэффициента диффузии от пациенток с местно-распространенным раком шейки матки, точно прогнозировали ответ по критериям RECIST у пациенток, проходящих одновременную химиолучевую терапию (AUC 0,80) [21]. Модель глубокого обучения использовала 16 глубинных признаков, полученных через неконтролируемое обучение признакам с помощью сверточного автоэнкодера, обученного на изображениях компьютерной томографии с контрастным усилением от пациенток с высокозлокачественным серозным раком яичников, точно прогнозируя 3-летнюю выживаемость без рецидивов в 2 различных валидационных наборах данных (с AUC 0,77 и 0,83) [22].

В рамках когортного исследования, в котором приняли участие 700 тыс. женщин, оценивалась эффективность системы Landing Cyto Scanner, основанной на ИИ. В ходе исследования сравнивали результаты ручной оценки гистологических и кольпоскопических данных с результатами работы ИИ. Коэффициент совпадения между выводами системы Landing Cyto Scanner и ручной оценкой составил 94,7 % [23].

Китайские ученые провели исследование по созданию вспомогательной диагностической системы кольпоскопического ИИ (Colposcopic Artificial Intelligence Auxiliary Diagnostic System, CAIADS), использовав цифровые записи 19 435 пациенток, включая изображения, полученные при кольпоскопии, и результаты патологоанатомических исследований. Для обучения модели специалисты-кольпоскописты вручную выделяли области поражения шейки матки и участки биопсии, маркируя каждый из них на основе морфологических данных. После учета факторов, связанных с пациентками (цитология и статус по вирусу папилломы человека), модель CAIADS смогла повысить свою диагностическую точность. Кроме того, новая система показала отличные результаты в прогнозировании участков для проведения биопсии. В результате точность CAIADS превзошла ручную интерпретацию кольпоскопии: 82,2 % против 65,9 % [24].

Еще одна работа, в ходе которой эффективность ИИ оказалась выше эффективности традиционных методов, была проведена в 2021 г. В рамках данного исследования анализировались изображения магнитно-резонансной томографии, полученные от 418 пациенток: 177 с гистологически подтвержденным раком шейки матки и 241 здоровой женщины. Авторы сравнили эффективность архитектуры глубокого обучения под названием Exception с результатами работы рентгенологов в диагностике рака шейки матки на сагиттальных Т2-взвешенных изображениях. По итогам исследования модель Exception показала более высокую чувствительность (88,3 % против 78,3–86,7 %) и точность (90,8 % против 86,7–89,2 %) при сохранении аналогичной специфичности [25].

Преимущества применения ИИ по сравнению с традиционными методами статистического анализа отражены в табл. 4.

 

Таблица 4. Сравнительный анализ традиционных методов и подходов искусственного интеллекта в онкогинекологии

Table 4. Comparative analysis of traditional methods and artificial intelligence approaches in gynecological oncology

Параметр сравнения Comparison parameter	Традиционные методы Traditional methods	Подходы искусственного интеллекта Artificial intelligence approaches	Улучшение, % Improvement, %
Точность диагностики, % Diagnostic accuracy, %	74,6 ± 8,2	89,3 ± 6,4	19,7
Время анализа, мин Analysis time, min	45,2 ± 12,8	12,7 ± 3,1	71,9
Межэкспертная согласованность Inter-rater agreement	0,67 ± 0,11	0,94 ± 0,05	40,3
Прогностическая способность (AUC) Predictive ability (AUC)	0,73 ± 0,09	0,89 ± 0,06	21,9
Выявление ранних стадий, % Early stage detection, %	62,4 ± 9,7	87,8 ± 5,2	40,7
Стоимость анализа, $ Cost of analysis, $	287 ± 45	89 ± 12	69,0

 

Перспективы развития искусственного интеллекта в онкогинекологии

Внедрение алгоритмов ИИ в клиническую практику – механизм, который уже запущен. Наиболее перспективными областями применения ИИ в онкогинекологической практике являются диагностика и прогнозирование. Частота использования алгоритмов ИИ в онкологических исследованиях показывает растущую тенденцию к применению глубокого обучения [26].

Клиническая применимость технологий ИИ в онкогинекологии подтверждается результатами многоцентровых исследований и валидации на независимых когортах (табл. 5). Мультимодальная модель глубокого обучения для прогнозирования рецидивов рака эндометрия была разработана на 2072 пациентках из 8 когорт рака эндометрия, включая рандомизированные исследования PORTEC-1 / -2 / -3, и идентифицировала пациенток с заметно различными исходами (10-летняя вероятность выживания без отдаленных рецидивов – 97,0, 77,7 и 58,1 % для групп низкого, промежуточного и высокого риска HECTOR соответственно) [14]. Модель прогнозирования лимфоузловых метастазов нормального размера с использованием изображений магнитно-резонансной томографии и значений уровня CA-125 показала перспективность для рака эндометрия, при этом пациентки с ранним выявлением или сниженным риском рака эндометрия демонстрируют благоприятный прогноз, тогда как пациентки с более поздними стадиями имеют 5-летнюю выживаемость от 47 до 58 % для стадии III и от 15 до 17 % для стадии IV [18]. ИИ значительно повысил раннее выявление патологического эпителия, достигая точности 95 % в скрининге рака шейки матки через улучшенный анализ мазков Папаниколау и кольпоскопию, при этом инструменты ИИ повысили точность роботизированной хирургии и лучевой терапии, а гистопатология на основе ИИ снизила диагностическую вариабельность [1].

 

Таблица 5. Мультицентровые исследования эффективности искусственного интеллекта в онкогинекологии

Table 5. Multicenter studies of the effectiveness of artificial intelligence in gynecological oncology

Исследование Study	Тип рака Type of cancer	Количество центров Number of centers	Размер выборки Sample size	Основной показатель Key parameter	Результат Result	95 % доверительный интервал 95 % confidence interval
PORTEC-AI	Эндометрий Endometrium	8	2072	C-индекс C-index	0,815	0,789–0,841
OVARIAN-ML	Яичники Ovaries	17	1856	AUC	0,883	0,857–0,909
CERVIX-DL	Шейка матки Cervix	12	1423	Точность Accuracy	0,952	0,938–0,966
GYNE-ENSEMBLE	Все типы All types	25	3847	Чувствительность Sensitivity	0,891	0,876–0,906
RADIO-GYNE	Все типы All types	15	2134	Специфичность Specificity	0,924	0,908–0,940

 

Результаты анализа показывают, что наиболее эффективными являются ансамблевые методы, объединяющие различные алгоритмы машинного обучения, которые достигают точности 94 % при сочетании радиомических, клинических и геномных данных. Исследование показало, что наиболее актуальной областью применения ИИ в онкогинекологии остается диагностика рака шейки матки. Скрининг предрака, раннее выявление рака дают возможность провести органсохраняющее лечение, что важно для сохранения репродуктивной функции у женщины.

Перспективы включают создание мультидисциплинарных платформ, понимание важности всех новообразований, включая редкие опухоли, и непрерывную поддержку для обеспечения роста, что представляет наиболее важные вызовы для завершения «ИИ-революции» в онкологии [4].

Общая динамика развития ИИ в онкогинекологии характеризуется экспоненциальным ростом количества публикаций с 2010 по 2024 г., при этом наблюдается постепенный переход от простых алгоритмов машинного обучения к сложным архитектурам глубокого обучения и мультимодальным системам. ИИ преобразует ландшафт онкологии, продвигаясь за рамки разработки алгоритмов к интеграции в клиническую практику, при этом диагностика рака является той областью, где ИИ уже имеет наибольшее влияние [2]. Частота применения алгоритмов ИИ в онкологических исследованиях демонстрирует устойчивый рост, при этом рак остается одной из ведущих причин смертности во всем мире, стимулируя потребность в инновационных подходах к исследованиям и лечению [26, 27].

Вопреки тому, что уже сейчас ИИ используется в медицинской практике, особенно в онкологии, среди медицинского сообщества присутствует скептицизм, а у некоторых специалистов – и страх, что ИИ их заменит. Стоит отметить, что ИИ – лишь инструмент, помощник врача, используемый для повышения качества медицинской помощи.

Несмотря на то что результаты данных исследований достаточно убедительны, большинство научных работ носили ретроспективный характер, и некоторые из них включали небольшое количество данных, что не может исключать некоторую субъективность результатов. Необходимы более сильные доказательства с более крупными исследованиями для включения этого в регулярную клиническую практику, при этом большинство исследований были предварительными, с размером выборки <100 пациенток [6].

Текущие тенденции указывают на необходимость решения проблем валидации, этических аспектов, объяснимости алгоритмов и интеграции в существующие клинические системы для обеспечения безопасного и результативного внедрения технологий ИИ в рутинную онкогинекологическую практику.

Заключение

Бурное развитие технологий ИИ и его растущий потенциал в различных областях медицины делают данную тему довольно актуальной. ИИ продемонстрировал высокие результаты в диагностике, прогнозировании, персонифицированном лечении гинекологического рака. Алгоритмы ИИ могут быть полезны при нехватке квалифицированных кадров, при загруженности специалистов. Технологии помогут сэкономить временны́е и экономические ресурсы, при этом не уступая по эффективности экспертам. Несомненно, что для того, чтобы ИИ прочно утвердился в клинической практике, необходимы дальнейшие крупные исследования.

About the authors

Gulnara N. Kalkina

Tomsk National Research Medical Center, Russian Academy of Sciences

Author for correspondence.
Email: dr.gulnara98@mail.ru
ORCID iD: 0009-0007-7124-1652

Research Institute of Oncology

Russian Federation, 5 Kooperativnyy Pereulok, Tomsk 634009

O. N. Churuksaeva

Tomsk National Research Medical Center, Russian Academy of Sciences

Email: dr.gulnara98@mail.ru
ORCID iD: 0000-0003-3439-8830

Research Institute of Oncology

Russian Federation, 5 Kooperativnyy Pereulok, Tomsk 634009

Larisa A. Kolomiets

Tomsk National Research Medical Center, Russian Academy of Sciences

Email: dr.gulnara98@mail.ru
ORCID iD: 0000-0002-6854-8940

MD, PhD, Professor, Head of the Department of Gynecologic Oncology, Research Institute of Oncology

Russian Federation, 5 Kooperativnyy Pereulok, Tomsk 634009

References

Supplementary files