На сегодняшний день в онкологической практике сохраняются актуальные задачи своевременной диагностики злокачественных новообразований, правильной маршрутизации пациентов при выявлении опухоли и выбора адекватной лечебной тактики [1]. Международное агентство по изучению рака – подразделение Всемирной организации здравоохранения, занимающееся проблемами онкологических заболеваний, – опубликовало обновлённые оценки глобального распространения рака. Полученные данные отражают ситуацию на 2022 г. и основаны на полном и достоверном статистическом анализе, демонстрирующем общий рост онкологической заболеваемости с особенно тяжёлым влиянием на менее защищённые социальные группы. В 2022 г. во всём мире было зарегистрировано 20 млн новых случаев рака и 9,7 млн смертей от онкологических заболеваний. Оценочно количество людей, проживших 5 лет и более после постановки диагноза, составляет 53,5 млн человек. Примерно у каждого пятого жителя планеты возникает онкологическое заболевание, причём примерно 1 из 9 мужчин и 1 из 12 женщин умирает от рака [2].

В России под наблюдением врачей-онкологов находятся более 4,4 млн пациентов. Доля больных, находящихся под медицинским контролем более 5 лет, увеличилась на 10,5% по сравнению с предыдущими годами. Уровень раннего выявления рака достиг рекордных 61,5%; в 2024 г. впервые было диагностировано около 700 тыс. случаев злокачественных новообразований [3].

Статические показатели свидетельствуют о том, что необходимо проводить работы по повышению качества медицинской помощи в онкологической практике, в том числе и в диагностике злокачественных новообразований. За последние 5 лет зарубежные и отечественные учёные активно проявляют интерес и проводят исследования в области применения современных компьютерных технологий с функцией искусственного интеллекта в области анализа медицинских изображений. Основными методами, использующимися в диагностике злокачественных образований, являются мульстиспиральная компьютерная томография (МСКТ), магнитно-резонансная томография (МРТ) и ультразвуковое исследование (УЗИ) [4].

Искусственный интеллект (ИИ) – это способность компьютера выполнять задачи, для решения которых необходимы человеческие когнитивные функции, такие как обучение, мышление и решение проблем. Машинное обучение (МО) – это функция искусственного интеллекта, которая включает способности в виде обучения на основе различных данных и уже активно используется в области медицины для решения многих задач. Глубокое обучение, разновидность МО, имитирует человеческое мышление, объединяя простые функции рассуждения в глубокую структуру алгоритма для принятия сложных решений [5][6].

В ходе анализа отечественных и зарубежных исследований стало ясно, насколько сложным, трудоёмким и детальным является первоначальный процесс разработки информационных интеллектуальных систем, применяемых в лучевой диагностике [7]. На первом этапе разработки технологий нейросетевого анализа стоит сбор первичного материала в виде визуальной базы данных (серий КТ-изображений, МР-изображений или ультразвуковых снимков). Следующим этапом является проведение отбора среди собранных изображений и составление выборки согласно отобранным критериям [8][9]. Наиболее важными являются следующие этапы – сортировка изображений и разработка способа графического выделения анатомических ориентиров на изображениях. Зарубежные и отечественные ученые в своих исследованиях особенно подчёркивают ключевую роль врачей-рентгенологов и врачей ультразвуковой диагностики на данных этапах, ведь именно от них зависит последующее качественное обучение будущей нейросетевой модели [10][11]. Составление алгоритма действий для нейросети является неотъемлемым этапом разработки интеллектуальной системы, который обязательно должен осуществляться командой специалистов из IT-сферы и медицины, так как разрабатываемая нейросетевая модель будет имитировать действия врача медицинской визуализации [12].

Существенной проблемой при разработки различных интеллектуальных систем в области анализа медицинских изображений остаётся недостаточно массивная визуальная база данных, особенно при обучении искусственного интеллекта в области поиска патогномоничного признака (патологического объекта) [13]. По данным отечественной и зарубежной литературы, для нейросетевых моделей с функцией искусственного анализа изображений необходимо более 50 тыс. изображений как с нормальной анатомической картиной структур и органов, так и с различными патологиями [14–16].

В данном обзоре были проанализированы зарубежные и отечественные исследования о применении и внедрении технологий искусственного интеллекта для анализа медицинских изображений в лучевую диагностику для выявления онкологических заболеваний.

В ходе выполнения исследования был произведён поиск публикаций в поисковых системах PubMed, Google Scholar и eLibrary. Данный процесс осуществлялся с помощью ключевых слов на русском и английском языках: «искусственный интеллект», «ультразвуковая диагностика», «нейросеть», «компьютерная томография», «computed tomography», «обзор», «artificial intelligence», «ultrasound diagnostics», «neural network», «congenital malformations», «review». Временной интервал для поиска исследований – с 2020 по 2025 г. При написании публикации для отбора источников был использован определённый алгоритм действий. В первую очередь авторами был осуществлен поиск отечественных и зарубежных научных исследований в виде оригинальных статей, систематических обзоров, методических пособий, практических и клинических рекомендаций и монографий. В процессе поиска изучались названия, заголовки и аннотации исследований. Отбор найденного материала проводился согласно следующим критериям включения: полнотекстовые литературные обзоры, систематические обзоры, метаанализы, оригинальные статьи и рандомизированные контролируемые исследования, опубликованные в рецензируемых научных изданиях. Авторы работы исключили повторяющиеся публикации, тезисы и работы, не содержащие полный текст либо не удовлетворяющие указанным критериям отбора. Итоговым результатом стал обзор, содержащий 36 источников научной литературы.

По данным зарубежной литературы ИИ на основе КТ-изображений активно развивается и внедряется в диагностику онкологических заболеваний, в частности, рака лёгкого. В рамках проведённых исследований были разработаны алгоритмы искусственного интеллекта для автоматического обнаружения узлов лёгких [17]. Данные модели машинного обучения показали высокую чувствительность, однако количество ложноположительных результатов оказалось выше, чем у врачей-рентгенологов. Этот аспект остается важным ограничивающим фактором использования ИИ для выявления очагов в лёгких. В респираторной медицине машинное обучение обладает высокой чувствительностью и специфичностью для выявления патологий грудной клетки при КТ и рентгенографии грудной клетки [18].

Кистозные поражения поджелудочной железы – распространённые и малоизученные находки при КТ, потенциально способные трансформироваться в злокачественные новообразования. Активно ведётся разработка алгоритмов и моделей ИИ для их автоматического выявления. Однако сегментация поджелудочной железы и обнаружение поражений внутри неё остаются технически сложной задачей для алгоритмов ИИ. Существующие алгоритмы немногочисленны и ограниченны: они обучены на данных одного медицинского центра и не прошли внешнюю проверку [19].

В гастроэнтерологии остро стоит проблема выявления скрытых перитонеальных метастазов, которые часто возникают у пациентов с распространённым раком желудка и плохо визуализируются с помощью доступных на сегодняшний день методов. Данную проблему может решить ИИ. Были разработаны и обучены алгоритмы выявления скрытых перитонеальных метастазов, которые показали хорошие результаты. Эти результаты позволяют предположить, что модели ИИ могут служить надёжным неинвазивным методом диагностики скрытых перитонеальных метастазов. В настоящее время эти результаты требуют дальнейшей проверки в проспективных исследованиях [17].

Ведутся исследования по прогнозированию перитонеального рецидива и выживаемости без признаков заболевания у пациентов с раком желудка на основе КТ-изображений, выполненных в предоперационный период. Применение модели ИИ повысило чувствительность и межэкспертное согласие врачей-онкологов при оценке редицива и выживаемости. Модель глубокого обучения может позволить точно прогнозировать перитонеальный рецидив и выживаемость без заболевания у пациентов с раком желудка. Данные результаты требуют дальнейших проспективных исследований для проверки клинической полезности [20].

В настоящее время активно ведутся исследования и разработка моделей ИИ в компьютерной томографии. Нейросетевой анализ находит свое применение во всех направлениях онкологии – от прогнозирования рецидивов и осложнений до выявления патологий. Уровень развития нейросетевых моделей варьируется: от экспериментальных разработок до интеграции в клиническое оборудование. При этом большинство моделей требуют проспективных исследований для проверки полученных результатов и оценки клинической полезности.

Искусственный интеллект находит применение в скрининге рака молочной железы. Исследования подтверждают, что применение ИИ моделей для отбора пациентов на дополнительную МРТ после отрицательной маммографии позволяет выявлять пропущенные случаи рака. По эффективности выявления злокачественных новообразований такой подход превосходит традиционные методы (основанные на оценке плотности тканей и моделях риска) примерно в 4 раза [21].

Первичная системная терапия (ПСТ) является методом выбора у пациентов с местно-распространённым раком молочной железы и в настоящее время часто применяется у пациентов с образованием молочной железы на ранней стадии. В ответ на ограниченную способность врачей-рентгенологов прогнозировать ответ на ПСТ посредством оценки опухолей при МРТ были начаты исследования по разработке алгоритмов глубокого обучения. МРТ с улучшенным искусственным интеллектом активно изучается для повышения качества диагностики рака молочной железы в ситуации динамического наблюдения для оценки ответа на хирургическое лечение, а также в случае прогнозирования ответа при первичной системной терапии [22].

Метаанализ подтвердил высокую прогностическую точность и надёжность ИИ алгоритмов при интерпретации МРТ и КТ изображений для диагностики метастазов в лимфатические узлы у пациенток с раком молочной железы [23]. Кроме того, применение искусственного интеллекта в лучевой диагностике позволяет сократить число необоснованных биопсий и хирургических резекций, тем самым снижая физическую и умственную нагрузку на пациентов, улучшая результаты лечения и качество жизни.

Применение МРТ предстательной железы существенно увеличилось, главным образом благодаря возможности проведения целенаправленной биопсии. Тем не менее интерпретация изображений МРТ простаты остаётся неоднородной среди медицинских работников. Искусственный интеллект способен повысить точность диагностики путём стандартизации распознавания подозрительных очаговых изменений, ассоциированных с раком простаты. Современные научные публикации демонстрируют обнадёживающие результаты в применении моделей искусственного интеллекта для выявления рака простаты на основании МРТ-изображений [24]. Вместе с тем имеющиеся публикации подвергаются критике ввиду множества методологических ограничений, что подчёркивает необходимость дальнейших перспективных исследований для объективной оценки клинического значения такого подхода.

В гинекологии МРТ может быть применена для диагностики рака шейки матки. Современные разработки в области искусственного интеллекта позволяют усовершенствовать анализ мультимодальных МР-изо­бражений. Применение алгоритма ИИ обеспечивает повышение чёткости визуализации, увеличение эффективности распознавания патологических изменений, повышение качества детализированной сегментации опухоли и окружающих тканей. Это способно существенно повысить выявляемость рака шейки матки на диагностических этапах [25–30].

Гепатоцеллюлярная карцинома занимает 6-е место по распространённости и 4-е место – по смертности среди всех злокачественных новообразований в мире. Ранняя дифференциальная диагностика важна для ведения пациентов и прогноза заболевания. Были разработаны алгоритмы глубокого обучения, которые показали более высокую точность по сравнению с опытными врачами ультразвуковой диагностики. ИИ инструменты способны повысить точность и эффективность диагностики очаговых поражений печени [31].

Дифференциальная диагностика стромальных опухолей желудочно-кишечного тракта и доброкачественных мезенхимальных опухолей посредством УЗИ является сложной задачей в гастроэнтерологии. В ходе исследования было установлено, что инструменты искусственного интеллекта продемонстрировали более высокие показатели диагностической специфичности и чувствительности [32].

Искусственный интеллект может быть применён при диагностике рака поджелудочной железы в рамках ультразвукового метода. Изначально, несмотря на хорошие результаты, исследования имели малую выборку и низкое качество изображений. Данные исследования продолжаются и в настоящее время, и достигли определённых результатов при слепом многоцентровом исследовании [33].

Колоректальный рак занимает третье место по распространённости и второе – по уровню смертности среди злокачественных новообразований. В рамках исследования изучены опухолевые депозиты при раке прямой кишки – очаги, локализованные отдельно от первичной опухоли и не связанные с лимфатическими узлами. Установлено, что наличие опухолевых депозитов ассоциировано с более агрессивным фенотипом опухоли, а также со снижением показателей безрецидивной и общей выживаемости пациентов. Разработаны алгоритмы искусственного интеллекта для прогнозирования опухолевых депозитов. Исследование показало, что ИИ на основе ультразвука может предсказать опухолевые депозиты до начала лечения [34].

За последние два десятилетия внедрение искусственного интеллекта в гинекологическую ультразвуковую диагностику способствовало повышению выявляемости злокачественных новообразований. Основные направления исследований охватывают три нозологические формы: рак яичников, рак эндометрия и рак шейки матки. В большинстве исследований сообщалось о применении ИИ при новообразованиях яичников с оценкой диагностической эффективности машинного обучения в прогнозировании гистологии. С другой стороны, опубликовано ограниченное количество исследований по раку эндометрия и шейки матки с оценкой диагностической эффективности в прогнозировании патологических образований [35].

В последние годы модели ИИ с использованием УЗ-изображений быстро развиваются. Алгоритмы глубокого обучения находят своё применение во многих разделах онкологии, однако применение ИИ в ультразвуковой практике имеет серьёзные ограничения. Ключевая проблема – высокая вариабельность в получении и интерпретации ультразвуковых изображений между разными специалистами. Также многие исследования были ретроспективными, и их обучение проводилось на ограниченном количестве визуальных данных (ультразвуковых снимках) [36].

Проведённый обзор литературы и анализ результатов зарубежных и отечественных исследований позволяют заключить, что внедрение технологий искусственного интеллекта в лучевую диагностику представляет собой значительный прогресс в области выявления онкологических заболеваний и обладает большим потенциалом для повышения точности дифференциальной диагностики доброкачественных и злокачественных новообразований. Несмотря на очевидные преимущества, существуют определённые трудности и ограничения, требующие дальнейшего изучения и решения. К числу ключевых проблем относятся ограниченность объёма высококачественных обучающих данных для достижения оптимального результата нейросетевого анализа, особенно при редком проявлении специфичных форм онкологической патологии, значительные финансовые расходы, необходимые для интеграции нейросетевых алгоритмов в повседневную работу врачей-рентгенологов и специалистов ультразвуковой диагностики, а также наличие ряда этических аспектов, требующих особого внимания. Важно подчеркнуть положительные стороны внедрения технологий искусственного интеллекта в лучевую диагностику, включая повышение автоматизации и стандартизации процесса контроля качества изображений, выполненного в строгом соответствии с заданными анатомическими плоскостями сканирования, проведение высокоточных измерений и выявление характерных признаков патологических состояний. Следовательно, современные компьютерные системы с функциями нейросетевого анализа имеют большие перспективы стать ценным дополнением в арсенале инструментов врача-диагноста для эффективного выявления онкологической патологии.