inovmedИнновационная медицина КубаниInnovative Medicine of Kuban2541-9897Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1inovmed-1502Research ArticleСтатьиСистематический литературный обзор о применении искусственного интеллекта в медицинской визуализации при диагностике онкологической патологииA Systematic Literature Review on the Use of Artificial Intelligence in Medical Imaging in the Diagnosis of Oncologic Pathologyhttps://orcid.org/0000-0003-4129-3930ПоморцевА. В.PomortsevA. V.

Поморцев Алексей Викторович, д. м. н., профессор, заведующий кафедрой лучевой диагностики № 1

350063, Краснодар, ул. Митрофана Седина, 4

Alexey V. Pomortsev, Dr. Sci. (Med.), Professor, Head of Radiology Department No. 1

4 Mitrofana Sedina St., Krasnodar, 350063

pomor-av@mail.ruhttps://orcid.org/0000-0003-2957-9100ДьяченкоЮ. Ю.DyachenkoJ. Yu.

Дьяченко Юлия Юрьевна, к. м. н., доцент кафедры лучевой диагностики № 1 ФПК и ППС

Краснодар

Julia Yu. Dyachenko, Cand. Sci. (Med.), Associate Professor, Radiology Department No. 1, Faculty of Postgraduate Education and Professional Development

Krasnodar

https://orcid.org/0000-0002-9576-6724МатосянМ. А.MatosyanM. A.

Матосян Мариам Альбертовна, ассистент кафедры лучевой диагностики № 1

Краснодар

Mariam A. Matosyan, Assistant Professor, Radiology Department No. 1

Krasnodar

https://orcid.org/0009-0005-9684-4025АрутюнянЕ. А.ArutyunyanE. A.

Арутюнян Екатерина Алексеевна, старший лаборант кафедры лучевой диагностики № 1

Краснодар

Ekaterina A. Arutyunyan, Senior Laboratory Assistant, Radiology Department No. 1

Krasnodar

https://orcid.org/0009-0000-5678-2804ХагуроваЛ. А.KhagurovaL. A.

Хагурова Любовь Аслановна, лаборант кафедры лучевой диагностики № 1

Краснодар

Lyubov A. Khagurova, Laboratory Assistant, Radiology Department No. 1

Krasnodar

https://orcid.org/0009-0008-6400-5106НовиковаА. С.NovikovaA. S.

Новикова Анастасия Сергеевна, лаборант кафедры лучевой диагностики № 1

Краснодар

Anastasia S. Novikova, Laboratory Assistant, Radiology Department No. 1

Krasnodar

https://orcid.org/0009-0000-6288-7469НикитинаВ. Р.NikitinaV. R.

Никитина Вероника Романовна, студентка 5-го курса педиатрического факультета

Краснодар

Veronika R. Nikitina, 5th-year Student, Faculty of Pediatrics

Krasnodar

https://orcid.org/0000-0003-1508-203XКатричА. Н.KatrichA. N.

Катрич Алексей Николаевич, д. м.н.,заведующий отделением ультразвуковой диагностики; доцент кафедры хирургии № 1; доцент кафедры хирургии № 1

Краснодар

Alexey N. Katrich, Dr. Sci. (Med.), Head of the Ultrasound Diagnostics Department; Associate Professor, Department of Surgery № 1

Krasnodar

https://orcid.org/0000-0001-8195-5930АстафьеваО. В.AstafievaO. V.

Астафьева Ольга Викторовна, д.м.н., доцент, профессор кафедры лучевой диагностики № 1

Краснодар

Olga V. Astafieva, Dr. Sci. (Med.), Professor of the Department of Radiation Diagnostics No. 1

Krasnodar

ФГБОУ ВО «Кубанский государственный медицинский университет» Минздрава РФРоссияKuban State Medical UniversityRussian FederationФГБОУ ВО «Кубанский государственный медицинский университет» Минздрава РФ; ГБУЗ «НИИ – ККБ № 1 им. проф. С.В. Очаповского» Минздрава Краснодарского краяРоссияKuban State Medical University; Scientific Research Institute – Ochapovsky Regional Clinical Hospital No. 1Russian Federation202630032026111-1Приложение5561Copyright © Поморцев А.В., Дьяченко Ю.Ю., Матосян М.А., Арутюнян Е.А., Хагурова Л.А., Новикова А.С., Никитина В.Р., Катрич А.Н., Астафьева О.В., 20262026Поморцев А.В., Дьяченко Ю.Ю., Матосян М.А., Арутюнян Е.А., Хагурова Л.А., Новикова А.С., Никитина В.Р., Катрич А.Н., Астафьева О.В.Pomortsev A.V., Dyachenko J.Y., Matosyan M.A., Arutyunyan E.A., Khagurova L.A., Novikova A.S., Nikitina V.R., Katrich A.N., Astafieva O.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.innovmedkub.ru/jour/article/view/1502

Актуальными проблемами в современной онкологической практике являются своевременное выявление злокачественных новообразований, грамотная маршрутизация пациентов и определение верной тактики лечения. В ходе проведения анализа зарубежной и отечественной литературы были получены следующие статические данные: в 2022 г. по всему миру было зарегистрировано 20 млн случаев рака и 9,7 млн случаев смерти от онкологических заболеваний, в России под наблюдением онкологов находятся свыше 4,4 млн пациентов, а за последние годы отмечается тенденция к росту доли больных, находящихся на учёте более 5 лет на 10,5%. Современным решением по повышению качества диагностики различных новообразований может стать применение искусственного интеллекта при использовании методов медицинской визуализации. Основными трудностями при разработке и последующим обучении нейросетевых моделей является процесс сбора массивной и разнообразной визуальной базы данных (серий КТ-изображений, МР-изображений или ультразвуковых снимков). Проведение графического выделения анатомических ориентиров с целью обучения нейросети «распознаванию» структур человеческого организма является крайне трудоёмким и обязательным этапом при создании систем искусственного интеллекта. В данном обзоре были проанализированы современные исследования отечественных и зарубежных учёных о внедрении и применении искусственного интеллекта в медицинской визуализации с целью диагностики злокачественных новообразований. Исследования отбирались по следующим критериям включения: временной интервал публикаций с 2020 по 2025 г., полнотекстовые литературные обзоры, систематические обзоры, метаанализы, оригинальные статьи, рандомизированые контролируемые исследования, опубликованные в рецензируемых научных журналах. Авторы исключили дубликаты публикаций, тезисы, а также работы, не имеющие полного текста или не соответствующие критериям включения. В результате были использованы 36 источников литературы. В ходе проведения обзора зарубежной и отечественной литературы было выявлено, что применение систем с функцией искусственного интеллекта в лучевой диагностике злокачественных новообразований имеет потенциал для использования в рутинной практике для совершенствования качества дифференциальной диагностики доброкачественных и злокачественных новообразований. Среди преимуществ необходимо отметить автоматизацию и стандартизацию в процессе контроля качества полученных рентгенологических и ультразвуковых изображений согласно заложенным анатомическим плоскостям сканирования, а также проведение биометрических измерений, поиск патогномоничного признака.

Timely detection of malignant neoplasms, competent patient referral, and determination of an optimal treatment strategy remain among the most relevant issues of modern oncology. An analysis of international and domestic literature yielded the following statistics: in 2022, approximately 20 million new cancer cases and 9.7 million cancer-related deaths were recorded worldwide. In Russia, over 4.4 million patients are currently being oncological follow-up, with recent years showing a 10.5% increase in the proportion of patients observed for more than five years. A promising approach to improving the quality of tumor diagnostics is the implementation of artificial intelligence (AI) in medical imaging. One of the principal challenges in the development and training of neural network models is the acquisition of large and diverse imaging datasets, including CT series, MRI scans, and ultrasound images. The manual annotation of anatomical landmarks required to train neural networks for accurate recognition of human anatomical structures is an extremely labor-intensive but essential step in the creation of AI systems. This review analyzed recent studies by domestic and international researchers on the implementation and application of artificial intelligence (AI) in medical imaging for the diagnosis of malignant neoplasms. Studies were selected based on the following inclusion criteria: publications from 2020 to 2025, full-text literature reviews, systematic reviews, meta-analyses, original articles, and randomized controlled trials published in peer-reviewed scientific journals. Duplicates, conference abstracts, and studies lacking full text or not meeting the inclusion criteria were excluded. A total of 36 sources were included in the analysis. The review of both international and domestic literature demonstrated that AI-based systems in radiologic diagnostics of malignant neoplasms have significant potential for routine clinical use, particularly in enhancing the quality of differential diagnosis between benign and malignant lesions. Key advantages include the automation and standardization of quality control for radiographic and ultrasound images according to predefined anatomical scanning planes, as well as the ability to perform biometric measurements and detect pathognomonic features.

искусственный интеллектонкологическая патологиямедицинская визуализацияartifical intelligenceoncological pathologymedical visualizationReferencesГаничев П. А., Тихомирова А. А., Дохов М.А. (2022). Перспективы использования искусственного интеллекта в радиологии. Краткий обзор // Визуализация в медицине, vol. 4, no. 4, 2022, pp. 7–14.Ганичев П. А., Тихомирова А. А., Дохов М.А. (2022). Перспективы использования искусственного интеллекта в радиологии. Краткий обзор // Визуализация в медицине, vol. 4, no. 4, 2022, pp. 7–14.Mello-Thoms, C., & Mello, C. A. B. (2023). Clinical applications of artificial intelligence in radiology. The British journal of radiology, 96(1150), 20221031. https://doi.org/10.1259/bjr.20221031Mello-Thoms, C., & Mello, C. A. B. (2023). Clinical applications of artificial intelligence in radiology. The British journal of radiology, 96(1150), 20221031. https://doi.org/10.1259/bjr.20221031Литвин А.А., Буркин Д.А., Кропинов А.А., and Парамзин Ф.Н. “Радиомика и анализ текстур цифровых изображений в онкологии (обзор)” Современные технологии в медицине, vol. 13, no. 2, 2021, pp. 97–106.Литвин А.А., Буркин Д.А., Кропинов А.А., and Парамзин Ф.Н. “Радиомика и анализ текстур цифровых изображений в онкологии (обзор)” Современные технологии в медицине, vol. 13, no. 2, 2021, pp. 97–106.Балтер Р.Б., Бикеев Ю.В., Бокерия Е.Л., Дьяченко Ю.Ю., Метелкин П.В., Пекарева Е.О., Передвигина А.В., Поморцев А.В., Пугачева Т.А. Искусственный интеллект в ультразвуковой диагностике. Версия 1.0 : учебное пособие. – М.: МЕДпресс-информ, 2025. – 147 с. – ISBN 978-5-907849-05-1. https://doi.org/10.24421/MP.2024.71.75.001Балтер Р.Б., Бикеев Ю.В., Бокерия Е.Л., Дьяченко Ю.Ю., Метелкин П.В., Пекарева Е.О., Передвигина А.В., Поморцев А.В., Пугачева Т.А. Искусственный интеллект в ультразвуковой диагностике. Версия 1.0 : учебное пособие. – М.: МЕДпресс-информ, 2025. – 147 с. – ISBN 978-5-907849-05-1. https://doi.org/10.24421/MP.2024.71.75.001Поморцев А. В., Редько А. Н., Барсукова Е. А., Матосян М. А., Дьяченко Ю. Ю., Дьяченко Р. А., Белоглядова И. А., Янаева М. В., Бабаян В. Т. Применение искусственного интеллекта в ультразвуковой диагностике пороков ЦНС плода в сроках гестации с 19 по 22 неделю беременности // Инновационная медицина Кубани. 2024. № 2. С. 42–47. https://doi.org/10.35401/2541-9897-2024-9-2-42-47Поморцев А. В., Редько А. Н., Барсукова Е. А., Матосян М. А., Дьяченко Ю. Ю., Дьяченко Р. А., Белоглядова И. А., Янаева М. В., Бабаян В. Т. Применение искусственного интеллекта в ультразвуковой диагностике пороков ЦНС плода в сроках гестации с 19 по 22 неделю беременности // Инновационная медицина Кубани. 2024. № 2. С. 42–47. https://doi.org/10.35401/2541-9897-2024-9-2-42-47Поморцев А. В., Карахалис М. Н., Матулевич С. А., Дащян Г. А., Халафян А. А., Сенча А. Н. Пороки развития сердца плода: факторы риска и возможности ультразвукового метода при первом скрининге // Инновационная медицина Кубани. 2023. № 4. С. 51–59. https://doi.org/10.35401/2541-9897-2023-8-4-51-59 Shen, Y. T., Chen, L., Yue, W. W., & Xu, H. X. (2021). Artificial intelligence in ultrasound. European journal of radiology, 139, 109717. https://doi.org/10.1016/j.ejrad.2021.109717Поморцев А. В., Карахалис М. Н., Матулевич С. А., Дащян Г. А., Халафян А. А., Сенча А. Н. Пороки развития сердца плода: факторы риска и возможности ультразвукового метода при первом скрининге // Инновационная медицина Кубани. 2023. № 4. С. 51–59. https://doi.org/10.35401/2541-9897-2023-8-4-51-59 Shen, Y. T., Chen, L., Yue, W. W., & Xu, H. X. (2021). Artificial intelligence in ultrasound. European journal of radiology, 139, 109717. https://doi.org/10.1016/j.ejrad.2021.109717Komatsu, M., Teraya, N., Natsume, T., Harada, N., Takeda, K., & Hamamoto, R. (2025). Clinical Application of Artificial Intelligence in Ultrasound Imaging for Oncology. JMA journal, 8(1), 18–25. https://doi.org/10.31662/jmaj.2024-0203Komatsu, M., Teraya, N., Natsume, T., Harada, N., Takeda, K., & Hamamoto, R. (2025). Clinical Application of Artificial Intelligence in Ultrasound Imaging for Oncology. JMA journal, 8(1), 18–25. https://doi.org/10.31662/jmaj.2024-0203Moro, F., Ciancia, M., Zace, D., Vagni, M., Tran, H. E., Giudice, M. T., Zoccoli, S. G., Mascilini, F., Ciccarone, F., Boldrini, L., D’Antonio, F., Scambia, G., & Testa, A. C. (2024). Role of artificial intelligence applied to ultrasound in gynecology oncology: A systematic review. International journal of cancer, 155(10), 1832–1845. https://doi.org/10.1002/ijc.35092Moro, F., Ciancia, M., Zace, D., Vagni, M., Tran, H. E., Giudice, M. T., Zoccoli, S. G., Mascilini, F., Ciccarone, F., Boldrini, L., D’Antonio, F., Scambia, G., & Testa, A. C. (2024). Role of artificial intelligence applied to ultrasound in gynecology oncology: A systematic review. International journal of cancer, 155(10), 1832–1845. https://doi.org/10.1002/ijc.35092Teuwen, J., Gouw, Z. A. R., & Sonke, J. J. (2022). Artificial Intelligence for Image Registration in Radiation Oncology. Seminars in radiation oncology, 32(4), 330–342. https://doi.org/10.1016/j.semradonc.2022.06.003Teuwen, J., Gouw, Z. A. R., & Sonke, J. J. (2022). Artificial Intelligence for Image Registration in Radiation Oncology. Seminars in radiation oncology, 32(4), 330–342. https://doi.org/10.1016/j.semradonc.2022.06.003Thwaites, D., Moses, D., Haworth, A., Barton, M., & Holloway, L. (2021). Artificial intelligence in medical imaging and radiation oncology: Opportunities and challenges. Journal of medical imaging and radiation oncology, 65(5), 481–485. https://doi.org/10.1111/1754-9485.13275Thwaites, D., Moses, D., Haworth, A., Barton, M., & Holloway, L. (2021). Artificial intelligence in medical imaging and radiation oncology: Opportunities and challenges. Journal of medical imaging and radiation oncology, 65(5), 481–485. https://doi.org/10.1111/1754-9485.13275Parkinson, C., Matthams, C., Foley, K., & Spezi, E. (2021). Artificial intelligence in radiation oncology: A review of its current status and potential application for the radiotherapy workforce. Radiography (London, England: 1995), 27 Suppl 1, S63–S68. https://doi.org/10.1016/j.radi.2021.07.012Parkinson, C., Matthams, C., Foley, K., & Spezi, E. (2021). Artificial intelligence in radiation oncology: A review of its current status and potential application for the radiotherapy workforce. Radiography (London, England: 1995), 27 Suppl 1, S63–S68. https://doi.org/10.1016/j.radi.2021.07.012Zhu, S., Ma, S. J., Farag, A., Huerta, T., Gamez, M. E., & Blakaj, D. M. (2025). Artificial Intelligence, Machine Learning and Big Data in Radiation Oncology. Hematology/oncology clinics of North America, 39(2), 453–469. https://doi.org/10.1016/j.hoc.2024.12.002Zhu, S., Ma, S. J., Farag, A., Huerta, T., Gamez, M. E., & Blakaj, D. M. (2025). Artificial Intelligence, Machine Learning and Big Data in Radiation Oncology. Hematology/oncology clinics of North America, 39(2), 453–469. https://doi.org/10.1016/j.hoc.2024.12.002Moore, N. S., McWilliam, A., & Aneja, S. (2023). Bladder Cancer Radiation Oncology of the Future: Prognostic Modelling, Radiomics, and Treatment Planning With Artificial Intelligence. Seminars in radiation oncology, 33(1), 70–75. https://doi.org/10.1016/j.semradonc.2022.10.009Moore, N. S., McWilliam, A., & Aneja, S. (2023). Bladder Cancer Radiation Oncology of the Future: Prognostic Modelling, Radiomics, and Treatment Planning With Artificial Intelligence. Seminars in radiation oncology, 33(1), 70–75. https://doi.org/10.1016/j.semradonc.2022.10.009Kelly, B. S., Judge, C., Bollard, S. M., Clifford, S. M., Healy, G. M., Aziz, A., Mathur, P., Islam, S., Yeom, K. W., Lawlor, A., & Killeen, R. P. (2022). Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). European radiology, 32(11), 7998–8007. https://doi.org/10.1007/s00330-022-08784-6Kelly, B. S., Judge, C., Bollard, S. M., Clifford, S. M., Healy, G. M., Aziz, A., Mathur, P., Islam, S., Yeom, K. W., Lawlor, A., & Killeen, R. P. (2022). Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). European radiology, 32(11), 7998–8007. https://doi.org/10.1007/s00330-022-08784-6Podină, N., Gheorghe, E. C., Constantin, A., Cazacu, I., Croitoru, V., Gheorghe, C., Balaban, D. V., Jinga, M., Țieranu,C. G., & Săftoiu, A. (2025). Artificial Intelligence in Pancreatic Imaging: A Systematic Review. United European gastroenterology journal, 13(1), 55–77. https://doi.org/10.1002/ueg2.12723Podină, N., Gheorghe, E. C., Constantin, A., Cazacu, I., Croitoru, V., Gheorghe, C., Balaban, D. V., Jinga, M., Țieranu,C. G., & Săftoiu, A. (2025). Artificial Intelligence in Pancreatic Imaging: A Systematic Review. United European gastroenterology journal, 13(1), 55–77. https://doi.org/10.1002/ueg2.12723Abel, L., Wasserthal, J., Weikert, T., Sauter, A. W., Nesic, I., Obradovic, M., Yang, S., Manneck, S., Glessgen, C., Ospel, J. M., Stieltjes, B., Boll, D. T., & Friebe, B. (2021). Automated Detection of Pancreatic Cystic Lesions on CT Using Deep Learning. Diagnostics (Basel, Switzerland), 11(5), 901. https://doi.org/10.3390/diagnostics11050901Abel, L., Wasserthal, J., Weikert, T., Sauter, A. W., Nesic, I., Obradovic, M., Yang, S., Manneck, S., Glessgen, C., Ospel, J. M., Stieltjes, B., Boll, D. T., & Friebe, B. (2021). Automated Detection of Pancreatic Cystic Lesions on CT Using Deep Learning. Diagnostics (Basel, Switzerland), 11(5), 901. https://doi.org/10.3390/diagnostics11050901Aggarwal, R., Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., Ashrafian, H., & Darzi, A. (2021). Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ digital medicine, 4(1), 65. https://doi.org/10.1038/s41746-021-00438-zAggarwal, R., Sounderajah, V., Martin, G., Ting, D. S. W., Karthikesalingam, A., King, D., Ashrafian, H., & Darzi, A. (2021). Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ digital medicine, 4(1), 65. https://doi.org/10.1038/s41746-021-00438-zBhinder, B., Gilvary, C., Madhukar, N. S., & Elemento, O. (2021). Artificial Intelligence in Cancer Research and Precision Medicine. Cancer discovery, 11(4), 900–915. https://doi.org/10.1158/2159-8290.CD-21-0090Bhinder, B., Gilvary, C., Madhukar, N. S., & Elemento, O. (2021). Artificial Intelligence in Cancer Research and Precision Medicine. Cancer discovery, 11(4), 900–915. https://doi.org/10.1158/2159-8290.CD-21-0090Jiang, Y., Liang, X., Wang, W., Chen, C., Yuan, Q., Zhang, X., Li, N., Chen, H., Yu, J., Xie, Y., Xu, Y., Zhou, Z., Li, G., & Li, R. (2021). Noninvasive Prediction of Occult Peritoneal Metastasis in Gastric Cancer Using Deep Learning. JAMA network open, 4(1), e2032269. https://doi.org/10.1001/jamanetworkopen.2020.32269Jiang, Y., Liang, X., Wang, W., Chen, C., Yuan, Q., Zhang, X., Li, N., Chen, H., Yu, J., Xie, Y., Xu, Y., Zhou, Z., Li, G., & Li, R. (2021). Noninvasive Prediction of Occult Peritoneal Metastasis in Gastric Cancer Using Deep Learning. JAMA network open, 4(1), e2032269. https://doi.org/10.1001/jamanetworkopen.2020.32269Chassagnon, G., De Margerie-Mellon, C., Vakalopoulou, M., Marini, R., Hoang-Thi, T. N., Revel, M. P., & Soyer, P. (2023). Artificial intelligence in lung cancer: current applications and perspectives. Japanese journal of radiology, 41(3), 235–244. https://doi.org/10.1007/s11604-022-01359-xChassagnon, G., De Margerie-Mellon, C., Vakalopoulou, M., Marini, R., Hoang-Thi, T. N., Revel, M. P., & Soyer, P. (2023). Artificial intelligence in lung cancer: current applications and perspectives. Japanese journal of radiology, 41(3), 235–244. https://doi.org/10.1007/s11604-022-01359-xLo Gullo, R., Marcus, E., Huayanay, J., Eskreis-Winkler, S., Thakur, S., Teuwen, J., & Pinker, K. (2024). Artificial Intelligence-Enhanced Breast MRI: Applications in Breast Cancer Primary Treatment Response Assessment and Prediction. Investigative radiology, 59(3), 230–242. https://doi.org/10.1097/RLI.0000000000001010Lo Gullo, R., Marcus, E., Huayanay, J., Eskreis-Winkler, S., Thakur, S., Teuwen, J., & Pinker, K. (2024). Artificial Intelligence-Enhanced Breast MRI: Applications in Breast Cancer Primary Treatment Response Assessment and Prediction. Investigative radiology, 59(3), 230–242. https://doi.org/10.1097/RLI.0000000000001010Liu, J. Q., Ren, J. Y., Xu, X. L., Xiong, L. Y., Peng, Y. X., Pan, X. F., Dietrich, C. F., & Cui, X. W. (2022). Ultrasoundbased artificial intelligence in gastroenterology and hepatology. World journal of gastroenterology, 28(38), 5530–5546. https://doi.org/10.3748/wjg.v28.i38.5530Liu, J. Q., Ren, J. Y., Xu, X. L., Xiong, L. Y., Peng, Y. X., Pan, X. F., Dietrich, C. F., & Cui, X. W. (2022). Ultrasoundbased artificial intelligence in gastroenterology and hepatology. World journal of gastroenterology, 28(38), 5530–5546. https://doi.org/10.3748/wjg.v28.i38.5530Turkbey, B., & Haider, M. A. (2022). Artificial Intelligence for Automated Cancer Detection on Prostate MRI: Opportunities and Ongoing Challenges, From the AJR Special Series on AI Applications. AJR. American journal of roentgenology, 219(2), 188– 194. https://doi.org/10.2214/AJR.21.26917Turkbey, B., & Haider, M. A. (2022). Artificial Intelligence for Automated Cancer Detection on Prostate MRI: Opportunities and Ongoing Challenges, From the AJR Special Series on AI Applications. AJR. American journal of roentgenology, 219(2), 188– 194. https://doi.org/10.2214/AJR.21.26917Kim, Y. H., Kim, G. H., Kim, K. B., Lee, M. W., Lee, B. E., Baek, D. H., Kim, D. H., & Park, J. C. (2020). Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. Journal of clinical medicine, 9(10), 3162. https://doi.org/10.3390/jcm9103162Kim, Y. H., Kim, G. H., Kim, K. B., Lee, M. W., Lee, B. E., Baek, D. H., Kim, D. H., & Park, J. C. (2020). Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. Journal of clinical medicine, 9(10), 3162. https://doi.org/10.3390/jcm9103162Salim, M., Liu, Y., Sorkhei, M., Ntoula, D., Foukakis, T., Fredriksson, I., Wang, Y., Eklund, M., Azizpour, H., Smith, K., & Strand, F. (2024). AI-based selection of individuals for supplemental MRI in population-based breast cancer screening: the randomized ScreenTrustMRI trial. Nature medicine, 30(9), 2623–2630. https://doi.org/10.1038/s41591-024-03093-5Salim, M., Liu, Y., Sorkhei, M., Ntoula, D., Foukakis, T., Fredriksson, I., Wang, Y., Eklund, M., Azizpour, H., Smith, K., & Strand, F. (2024). AI-based selection of individuals for supplemental MRI in population-based breast cancer screening: the randomized ScreenTrustMRI trial. Nature medicine, 30(9), 2623–2630. https://doi.org/10.1038/s41591-024-03093-5Liu, C. J., Zhang, L., Sun, Y., Geng, L., Wang, R., Shi, K. M., & Wan, J. X. (2023). Application of CT and MRI images based on an artificial intelligence algorithm for predicting lymph node metastasis in breast cancer patients: a meta-analysis. BMC cancer, 23(1), 1134. https://doi.org/10.1186/s12885-023-11638-zLiu, C. J., Zhang, L., Sun, Y., Geng, L., Wang, R., Shi, K. M., & Wan, J. X. (2023). Application of CT and MRI images based on an artificial intelligence algorithm for predicting lymph node metastasis in breast cancer patients: a meta-analysis. BMC cancer, 23(1), 1134. https://doi.org/10.1186/s12885-023-11638-zWang, Y. J., Wang, P., Yan, Z., Zhou, Q., Gunturkun, F., Li, P., Hu, Y., Wu, W. E., Zhao, K., Zhang, M., Lv, H., Fu, L., Jin, J., Du, Q., Wang, H., Chen, K., Qu, L., Lin, K., Iv, M., Wang, H., … Gong, J. (2024). Advancing presurgical non-invasive molecular subgroup prediction in medulloblastoma using artificial intelligence and MRI signatures. Cancer cell, 42(7), 1239–1257.e7. https://doi.org/10.1016/j.ccell.2024.06.002Wang, Y. J., Wang, P., Yan, Z., Zhou, Q., Gunturkun, F., Li, P., Hu, Y., Wu, W. E., Zhao, K., Zhang, M., Lv, H., Fu, L., Jin, J., Du, Q., Wang, H., Chen, K., Qu, L., Lin, K., Iv, M., Wang, H., … Gong, J. (2024). Advancing presurgical non-invasive molecular subgroup prediction in medulloblastoma using artificial intelligence and MRI signatures. Cancer cell, 42(7), 1239–1257.e7. https://doi.org/10.1016/j.ccell.2024.06.002Ranjbarzadeh, R., Caputo, A., Tirkolaee, E. B., Jafarzadeh Ghoushchi, S., & Bendechache, M. (2023). Brain tumor segmentation of MRI images: A comprehensive review on the application of artificial intelligence tools. Computers in biology and medicine, 152, 106405. https://doi.org/10.1016/j.compbiomed.2022.106405Ranjbarzadeh, R., Caputo, A., Tirkolaee, E. B., Jafarzadeh Ghoushchi, S., & Bendechache, M. (2023). Brain tumor segmentation of MRI images: A comprehensive review on the application of artificial intelligence tools. Computers in biology and medicine, 152, 106405. https://doi.org/10.1016/j.compbiomed.2022.106405Deng, F., Xiao, G., Tanzhu, G., Chu, X., Ning, J., Lu, R., Chen, L., Zhang, Z., & Zhou, R. (2025). Predicting Survival Rates in Brain Metastases Patients from Non-Small Cell Lung Cancer Using Radiomic Signatures Associated with Tumor Immune Heterogeneity. Advanced science (Weinheim, Baden-Wurttemberg, Germany), 12(10), e2412590. https://doi.org/10.1002/advs.202412590Deng, F., Xiao, G., Tanzhu, G., Chu, X., Ning, J., Lu, R., Chen, L., Zhang, Z., & Zhou, R. (2025). Predicting Survival Rates in Brain Metastases Patients from Non-Small Cell Lung Cancer Using Radiomic Signatures Associated with Tumor Immune Heterogeneity. Advanced science (Weinheim, Baden-Wurttemberg, Germany), 12(10), e2412590. https://doi.org/10.1002/advs.202412590Kim, H. Y., Cho, S. J., Sunwoo, L., Baik, S. H., Bae, Y. J., Choi, B. S., Jung, C., & Kim, J. H. (2021). Classification of true progression after radiotherapy of brain metastasis on MRI using artificial intelligence: a systematic review and metaanalysis. Neuro-oncology advances, 3(1), vdab080. https://doi.org/10.1093/noajnl/vdab080Kim, H. Y., Cho, S. J., Sunwoo, L., Baik, S. H., Bae, Y. J., Choi, B. S., Jung, C., & Kim, J. H. (2021). Classification of true progression after radiotherapy of brain metastasis on MRI using artificial intelligence: a systematic review and metaanalysis. Neuro-oncology advances, 3(1), vdab080. https://doi.org/10.1093/noajnl/vdab080Tiyarattanachai, T., Apiparakoon, T., Marukatat, S., Sukcharoen, S., Geratikornsupuk, N., Anukulkarnkusol, N., Mekaroonkamol, P., Tanpowpong, N., Sarakul, P., Rerknimitr, R., & Chaiteerakij, R. (2021). Development and validation of artificial intelligence to detect and diagnose liver lesions from ultrasound images. PloS one, 16(6), e0252882. https://doi.org/10.1371/journal.pone.0252882Tiyarattanachai, T., Apiparakoon, T., Marukatat, S., Sukcharoen, S., Geratikornsupuk, N., Anukulkarnkusol, N., Mekaroonkamol, P., Tanpowpong, N., Sarakul, P., Rerknimitr, R., & Chaiteerakij, R. (2021). Development and validation of artificial intelligence to detect and diagnose liver lesions from ultrasound images. PloS one, 16(6), e0252882. https://doi.org/10.1371/journal.pone.0252882Liu, J. Q., Ren, J. Y., Xu, X. L., Xiong, L. Y., Peng, Y. X., Pan, X. F., Dietrich, C. F., & Cui, X. W. (2022). Ultrasound-based artificial intelligence in gastroenterology and hepatology. World journal of gastroenterology, 28(38), 5530–5546. https://doi.org/10.3748/wjg.v28.i38.5530Liu, J. Q., Ren, J. Y., Xu, X. L., Xiong, L. Y., Peng, Y. X., Pan, X. F., Dietrich, C. F., & Cui, X. W. (2022). Ultrasound-based artificial intelligence in gastroenterology and hepatology. World journal of gastroenterology, 28(38), 5530–5546. https://doi.org/10.3748/wjg.v28.i38.5530Kim, Y. H., Kim, G. H., Kim, K. B., Lee, M. W., Lee, B. E., Baek, D. H., Kim, D. H., & Park, J. C. (2020). Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. Journal of clinical medicine, 9(10), 3162. https://doi.org/10.3390/jcm9103162Kim, Y. H., Kim, G. H., Kim, K. B., Lee, M. W., Lee, B. E., Baek, D. H., Kim, D. H., & Park, J. C. (2020). Application of A Convolutional Neural Network in The Diagnosis of Gastric Mesenchymal Tumors on Endoscopic Ultrasonography Images. Journal of clinical medicine, 9(10), 3162. https://doi.org/10.3390/jcm9103162Shimizu, H., & Nakayama, K. I. (2020). Artificial intelligence in oncology. Cancer science, 111(5), 1452–1460. https://doi.org/10.1111/cas.14377Shimizu, H., & Nakayama, K. I. (2020). Artificial intelligence in oncology. Cancer science, 111(5), 1452–1460. https://doi.org/10.1111/cas.14377Jiang, Y., Zhang, Z., Yuan, Q., Wang, W., Wang, H., Li, T., Huang, W., Xie, J., Chen, C., Sun, Z., Yu, J., Xu, Y., Poultsides, G. A., Xing, L., Zhou, Z., Li, G., & Li, R. (2022). Predicting peritoneal recurrence and disease-free survival from CT images in gastric cancer with multitask deep learning: a retrospective study. The Lancet. Digital health, 4(5), e340–e350. https://doi.org/10.1016/S2589-7500(22)00040-1Jiang, Y., Zhang, Z., Yuan, Q., Wang, W., Wang, H., Li, T., Huang, W., Xie, J., Chen, C., Sun, Z., Yu, J., Xu, Y., Poultsides, G. A., Xing, L., Zhou, Z., Li, G., & Li, R. (2022). Predicting peritoneal recurrence and disease-free survival from CT images in gastric cancer with multitask deep learning: a retrospective study. The Lancet. Digital health, 4(5), e340–e350. https://doi.org/10.1016/S2589-7500(22)00040-1Cao, L. L., Peng, M., Xie, X., Chen, G. Q., Huang, S. Y., Wang, J. Y., Jiang, F., Cui, X. W., & Dietrich, C. F. (2022). Artificial intelligence in liver ultrasound. World journal of gastroenterology, 28(27), 3398–3409. https://doi.org/10.3748/wjg.v28.i27.3398Cao, L. L., Peng, M., Xie, X., Chen, G. Q., Huang, S. Y., Wang, J. Y., Jiang, F., Cui, X. W., & Dietrich, C. F. (2022). Artificial intelligence in liver ultrasound. World journal of gastroenterology, 28(27), 3398–3409. https://doi.org/10.3748/wjg.v28.i27.3398

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