Artificial intelligence in ultrasound diagnosis of fetal congenital malformations: a review

Full Text

ВВЕДЕНИЕ

Одной из актуальных проблем современного акушерства является выявление пороков развития плода путём совершенствования качества пренатальной ультразвуковой диагностики [1]. Во многом это обусловлено субъективной интерпретацией получаемых ультразвуковых срезов и отсутствием единой методики акушерского исследования. В последние годы International Society of Ultrasound in Obstetrics and Gynecology предпринимает активные шаги для стандартизации методологии исследования и повышения диагностической точности в выявлении врождённых пороков развития (ВПР) плода. В свою очередь, существенную роль может сыграть применение новых компьютерных технологий в виде искусственного интеллекта (ИИ), а именно сверхточной нейросети [2].

ИИ — это способность компьютера выполнять задачи, для решения которых необходимы человеческие когнитивные функции, такие как обучение, мышление и решение проблем. Машинное обучение — это функция ИИ, которая включает способности в виде обучения с использованием различных данных, её уже активно используют в медицине для решения многих задач. Глубокое обучение, разновидность машинного обучения, имитирует человеческое мышление, объединяя простые функции рассуждения в глубокую структуру алгоритма для принятия сложных решений. Уже продемонстрирована работа подобных искусственных систем при анализе медицинских изображений, включая ультразвуковые снимки [3].

Особую актуальность приобретает диагностика врож-дённых аномалий сердечно-сосудистой системы (ССС), брюшной полости и центральной нервной системы (ЦНС) плода, поскольку многие патологии ассоциированы с хромосомными аберрациями и приводят к глубокой инвалидизации рождённых детей. Так, Е.Л. Бокерия и соавт. [4] приводят статические данные о преобладании младенческой смертности в неонатальном периоде, составляя 60% всех случаев смерти на первом году жизни. При этом ВПР занимают второе место среди различных причин младенческой смертности, из них врождённые аномалии ССС составляют 47% (12,2 на 10 тыс. родившихся живыми). Летальный исход при данных врождённых патологиях чрезвычайно высок, к концу первой недели умирают 29% новорождённых, к первому месяцу — 42%, к первому году — 87% детей [5]. По данным Д.А. Морозова и соавт. [6], важным остаётся качественная антенатальная диагностика ВПР плода. В случае антенатального выявления врождённой аномалии пренатальный консилиум принимает решение о пролонгации или прерывании беременности. По оперативным данным анализа 642 прооперированных новорождённых с ВПР из 56 субъектов Российской Федерации, пренатальная диагностика пороков стала возможной в 46,7% наблюдений (атрезия пищевода — в 25,2%; диафрагмальная грыжа — в 59,3%; гастрошизис — в 91,5%), что говорит о необходимости повышения качества пренатальной диагностики.

Основным методом диагностики ВПР плода является ультразвуковое исследование (УЗИ), которое позволяет получить высококачественное изображение анатомии головного мозга, структур ССС и органов брюшной полости, а также проследить за нормальным ростом и развитием плода [7]. Новым решением совершенствования качества пренатальной диагностики врождённых структурных нарушений плода может стать применение ИИ при проведении УЗИ беременным [8, 9]. В данном обзоре мы проанализировали зарубежные и отечественные исследования в области применения и внедрения ИИ в пренатальную диагностику с целью выявления ВПР плода.

МЕТОДОЛОГИЯ ПОИСКА ДАННЫХ

На первом этапе мы провели поиск отечественных и зарубежных оригинальных исследований, систематических обзоров, методических пособий, практических и клинических рекомендаций, а также монографий. Поиск публикаций осуществляли в поисковых системах PubMed, Google Scholar и eLibrary с помощью ключевых слов на русском и английском языках: «искусственный интеллект», «ультразвуковая диагностика», «нейросеть», «плод», «врождённые пороки развития», «artificial intelligence», «ultrasound diagnostics», «neural network», «fetus», «congenital malformations». Глубина поиска составила 6 лет (с 2020 по 2025 год). В процессе поиска изучали названия, заголовки и аннотации исследований. После первого этапа отобрано 82 литературных источника, соответствующих теме настоящего обзора.

На втором этапе проводили отбор найденных публикаций. В качестве критериев включения рассматривали полнотекстовые обзоры, систематические обзоры, метаанализы, оригинальные статьи, опубликованные в рецензируемых научных журналах. Мы исключили дубликаты найденных публикаций, тезисы, а также работы, не имеющие полного текста или не соответствующие критериям включения. Таким образом, в данный обзор включено 52 источника литературы.

ПРОЦЕСС РАЗРАБОТКИ МОДЕЛИ НЕЙРОСЕТЕВОГО АНАЛИЗА ДЛЯ УЛЬТРАЗВУКОВОЙ ДИАГНОСТИКИ ВРОЖДЁННЫХ ПОРОКОВ РАЗВИТИЯ ПЛОДА

При анализе отечественных и зарубежных исследований установлено, что первоначальный процесс разработки информационных интеллектуальных систем, применимых для ультразвуковой диагностики ВПР плода, является сложным, трудоёмким и детальным [10].

Первый этап разработки модели нейросетевого анализа включает сбор первичного материала в виде эхографических изображений (ультразвуковых снимков) или видеофайлов. В качестве критериев отбора рассматривают срок беременности, определённые анатомические срезы исследуемого органа или системы органов для получения эхографического изображения, а также набор ультразвуковых сечений для формирования видеофайла. Дополнительно учитывают ультразвуковую картину нормальной анатомии плода или наличие структурных изменений, позволяющих визуализировать определённую патологию [11].

Следующим этапом является проведение отбора среди собранных эхографических изображений и составление выборки ультразвуковых снимков согласно выбранным критериям. На данном этапе необходимо особенно детально уделять внимание сортировке изображений, так как от качества первичного материала зависит будущее «обучение» системы [12]. Как подчёркивают зарубежные авторы научных исследований, на первых этапах создания нейросетевой модели особенно важную роль отводят врачам ультразвуковой диагностики, поскольку от их экспертного опыта зависит успех всей разработки [13].

На третьем этапе создания технологий ИИ разрабатывают способ графического выделения анатомических ориентиров на эхографических изображениях. Кроме того, на данном этапе начинают совместно работать специалисты в области информационных технологий и медицинские работники. Именно специалисты в области информационных технологий выбирают программы для маркировки ультразвуковых снимков [14]. Следует отметить, что графическую маркировку выбранных анатомических структур необходимо проводить внимательно, поскольку от этого зависит будущее «обучение» нейросетевой модели технологии «распознавания образов» в виде анатомических элементов [15].

После проведения графической маркировки и проверки эхографических изображений начинают этап обучения нейросетевой модели [16]. Для разработки интеллектуальных систем характерно последовательное определение нескольких задач, после решения которых возможно получение итогового результата. Составление подобного алгоритма действий является неотъемлемым этапом разработки нейросети; его осуществляет команда специалистов в области информационных технологий и медицины, поскольку разрабатываемая нейросетевая модель имитирует действия врача ультразвуковой диагностики [17].

При обучении интеллектуальной системы с целью выявления ВПР плода в состав алгоритма могут включать такие задачи, как сегментация изображений, классификация изображений на «нормальные» и «аномальные», поиск локального участка поражения и др. Под сегментацией изображения следует понимать разделение целого ультразвукового снимка на несколько интересующих зон с последующим анализом каждой. Функция классификации изображения на «нормальные» и «аномальные» работает в виде бинарной классификации [18]. Именно поэтому мы считаем столь важным при обучении нейросетевой модели использовать как материал с нормальной ультразвуковой картиной анатомических структур плода, так и эхографические изображения или видеофайлы с различными нарушениями рассматриваемых органов.

Задача поиска локального поражения неразрывно связана с функцией сегментации изображений. Эту связь можно отследить при попытке обучения нейросети выявлению ВПР ЦНС плода. После анализа целого трансталамического среза, система сегментирует эхографическое изображение на несколько зон, одной из которых является задняя черепная ямка, а после производится поиск локального участка поражения конкретно в данной области (рис. 1). Это является крайне важной и полезной функцией, так как данная зона головного мозга плода достаточно часто подвергается аномальному развитию [19].

 

Рис. 1. Эхограмма головного мозга плода в аксиальном срезе с выделением исследуемых 5 анатомических областей. Изображение адаптировано с изменениями из [8]. © Поморцев А.В. и соавт., 2024. Распространяется на условиях лицензии CC BY-NC 4.0. Публикуется с разрешения правообладателей.

 

Необходимо отметить особую важность совместной работы врачей различных специальностей и специалистов в области информационных технологий при разработке интеллектуальных систем. Особый успех при создании моделей ИИ заключается в сборе и обработке массивной визуальной базы данных в виде ультразвуковых снимков. По данным зарубежной литературы, для разработки нейросетевых моделей с функцией анализа изображений необходимо более 50 тыс. эхограмм как с нормальной ультразвуковой картиной анатомических структур плода, так и с различными аномалиями [20].

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ПРЕНАТАЛЬНОЙ УЛЬТРАЗВУКОВОЙ ДИАГНОСТИКЕ

Пренатальное УЗИ является основным методом диагностики состояния плода во время беременности для оценки нормальной анатомии и параметров жизнедеятельности. На результаты исследования оказывают влияние несколько факторов, например подвижность плода, толщина брюшной стенки беременной, квалификация и опыт врача ультразвуковой диагностики, а также качество используемого оборудования [21].

Интерес к применению ИИ в медицинской визуализации растёт благодаря значительным успехам в области разработки нейросетей на основе глубокого обучения для анализа медицинских изображений. Одним из ключевых преимуществ ИИ является высокая скорость обработки объёмных визуальных данных и способность выявлять определённые закономерности [22].

Применение интеллектуальных систем в пренатальной ультразвуковой диагностике имеет практическую ценность, поскольку их внедрение способно оптимизировать рабочий процесс и повысить диагностическую точность в выявлении врождённых нарушений у плода. Использование технологий нейросетевого анализа в УЗИ плода находится на начальном этапе своего развития. Кроме того, существуют ограничения между разработками в области ИИ, представленными в научной литературе, и их применением в клинической практике. Отсутствуют клинические исследования, в которых проводят сравнение моделей ИИ и возможностей человека в диагностике врождённых аномалий развития плода при использовании ультразвукового метода [23]. В современном отечественном и зарубежном здравоохранении существуют серьёзные препятствия для эффективного внедрения технологий нейросетевого анализа. К ним относят недостаточное качество и малый объём визуальных баз данных, необходимых для интеллектуальных систем, выполняющих функции распознавания анатомических структур и анализа медицинских изображений, включая эхографические, а также вопросы, связанные с нормативно-правовой базой [24]. Несмотря на существующие проблемы, интеграция ИИ в пренатальную диагностику — это перспективное направление в медицине, которое имеет потенциал значительно упростить работу врачей ультразвуковой диагностики и сделать инструментальный диагноз более точным [25].

ПРЕИМУЩЕСТВА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УЛЬТРАЗВУКОВОЙ ДИАГНОСТИКЕ ВРОЖДЁННЫХ ПОРОКОВ РАЗВИТИЯ ПЛОДА

Интеграция технологий ИИ в пренатальную диагностику открывает новые возможности для повышения эффективности выявления ВПР. Ключевым преимуществом являются быстрые автоматизированные модели анализа эхографических изображений или видео-петель с получением различных результатов нейросетевого анализа (инструментальный диагноз, значения фетометрических показателей), что, в свою очередь, положительно влияет на повышение диагностической точности ультразвукового метода в диагностике состояния плода. Модели ИИ, основанные на глубоком обучении, способны анализировать ультразвуковые изображения с целью выявления клинически значимых маркёров аномалий, в том числе тех, которые могут оставаться нераспознанными при визуальной оценке специалистом, особенно при недостаточном его опыте [26, 27]. Это особенно актуально для диагностики сложных пороков сердца плода, таких как тетрада Фалло или коарктация аорты, где ИИ демонстрирует высокую эффективность в качестве «второго мнения» для врача ультразвуковой диагностики, снижая количество диагностических ошибок [28–30].

Существенным вкладом является автоматизация и стандартизация процесса: алгоритмы нейросетевого анализа в реальном времени обеспечивают контроль качества, полученного эхографического среза, подтверждают соответствие стандартным плоскостям сканирования и автоматически проводят биометрические измерения, что приводит к значительной экономии времени врача ультразвуковой диагностики [31, 32].

Кроме того, современные интеллектуальные системы показывают выдающиеся результаты в раннем выявлении аномалий ЦНС (например, дефектов нервной трубки) и других структурных мальформаций, анализируя данные уже в I триместре беременности, что позволяет на максимально раннем сроке определить тактику ведения пациентки [33].

Наконец, технологии ИИ обладают потенциалом для повышения качества пренатальной диагностики в отдалённых регионах нашей страны и по всему миру. Благодаря распространению и внедрению интеллектуальных систем поддержки принятия врачебных решений, экспертный или приближенный к экспертному уровень скрининговых исследований и диагностики ВПР у плода станет доступен для жителей регионов с ограниченным материально-техническим оснащением, что позволит расширить охват населения качественной пренатальной диагностикой на территории всей страны [34]. Таким образом, системы поддержки принятия врачебных решений с функцией ИИ не заменяют врача ультразвуковой диагностики, а становятся его мощным инструментом в оценке состояния плода, измерении фетометрических показателей и выявлении ВПР, повышая уровень диагностической точности и контролируя соблюдение стандартов получения правильных ультразвуковых срезов.

НЕДОСТАТКИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УЛЬТРАЗВУКОВОЙ ДИАГНОСТИКЕ ВРОЖДЁННЫХ ПОРОКОВ РАЗВИТИЯ ПЛОДА

Внедрению технологий ИИ в ультразвуковую диаг-ностику ВПР плода препятствует несколько факторов. К основным ограничениям относят недостаточную обобщающую способность моделей, обученных на малых выборках визуальных данных (эхографических изображений), в частности без использования видео-петель при обучении нейросети; низкая интерпретируемость моделей («чёрный ящик»), обусловливающая насторожённость специалистов; а также снижение диагностической эффективности при выявлении редких аномалий вследствие дефицита обучающего материала [35].

Дополнительно отмечают риски ухудшения профессиональных навыков врачей и существенные экономические затраты на интеграцию технологий [36]. Вследствие этого интеллектуальные системы поддержки принятия врачебных решений рассматривают как вспомогательный ресурс, дополняющий рутину врача ультразвуковой диагностики, но не заменяющий его [37].

Кроме того, существуют такие трудности, как отсутствие междисциплинарных специалистов в рутинной практике, работающих на стыке разработки различных интеллектуальных систем и медицины, что значительно затрудняет эффективное взаимодействие между медицинскими работников и специалистами в области информационных технологий [38].

Существует широко обсуждаемая проблема в данной сфере — неоднозначное влияние внедрения технологий нейросетевого анализа на рабочие места. При этом в данном случае речь будет идти не о технологической безработице, а о трансформации врача на рабочем месте, его профессиональной перестройке, которая сможет открыть новые возможности для специалистов [39].

Необходимо затронуть и этический аспект данной темы. С одной стороны, возникает вопрос о доверии решениям ИИ в таких задачах, как достоверность постановки инструментального диагноза, определение верных значений фетометрических показателей, точность выявления анатомических структур с нормальной ультразвуковой картиной и с нарушениями развития плода. С другой стороны, существует момент обеспечения конфиденциальности, требующий особого внимания, поскольку обучение нейросетевых алгоритмов предполагает использование больших массивов данных о пациентах и их клинических диагнозах, которые обирают в медицинских учреждениях и органах здравоохранения. Именно поэтому вопрос о персональном согласии пациента для использования подобных данных разработчиками нейросети при создании приложений остаётся актуальным [40, 41]. Таким образом, несмотря на преимущества применения ИИ в пренатальной диагностике, остаются важные и актуальные задачи, для решения которых необходимы широкомасштабные убедительные многоцентровые клинические исследования с рассмотрением медико-юридических и этических вопросов.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В АКУШЕРСТВЕ

Ключевым достижением ИИ в ультразвуковой диагностике в акушерстве стало внедрение алгоритмов автоматизированного определения стандартных биометрических показателей (бипариетального размера, окружности головы и живота плода) [42]. Методы глубокого обучения не только обеспечивают высокую воспроизводимость результатов и снижение оператор-зависимости, но и позволяют стандартизировать диагностический процесс за счёт автоматического определения плоскостей сканирования и соблюдения контроля качества получаемых эхографических изображений [43]. Это существенно экономит время врача и повышает надёжность скрининговых программ. Современные исследования демонстрируют конкретные успехи внедрения технологий ИИ в акушерскую ультразвуковую диагностику. Так. R. Arnaout и соавт. [44] установили, что разработанные нейронные сети достигают чувствительности и специфичности 95 и 96% соответственно в области выявления ВПР, статистически значимо превосходя средние показатели специалистов ультразвуковой диагностики — 82%. Повышение точности пренатальной диагностики врождённых пороков сердца с 82 до 95% позволяет оптимизировать тактику ведения беременности и подготовки к неонатальной помощи, что является ключевым фактором снижения перинатальной смертности.

L.H. Lee и соавт. [45] продемонстрировали, что модель на основе ИИ может определять гестационный возраст с ошибкой 2,6 дней, что на 30% точнее стандартного клинического метода.

По нашему мнению, эти результаты свидетельствуют о переходе от экспериментальных моделей к реальной диагностической практике: технологии ИИ объективно повышают диагностическую точность, особенно при выполнении базовых измерений. Внедрение интеллектуальных систем обеспечивает новый стандарт пренатальной диагностики, минимизируя влияние человеческого фактора на точность результатов.

Современные нейросетевые модели, в частности ChatGPT, начинают применять в работе с текстовыми данными ультразвуковых исследований, обеспечивая помощь в составлении протоколов и в анализе результатов исследований [46]. Однако текущие исследования показывают, что эти системы ещё часто ошибаются в сложных медицинских вопросах и при работе со специализированными терминами. Их точность пока недостаточна для самостоятельного использования в клинической практике, и требуется дальнейшее улучшение этих технологий и их адаптация к медицинским задачам [47].

Несмотря на существенные достижения в отдельных решениях ИИ, его внедрение в клиническую практику сопровождается комплексом методологических и нормативных сложностей. Основными трудностями при внедрении остаются формирование качественных обучающих наборов данных, отражающих всё многообразие клинических случаев, создание единых стандартов проверки алгоритмов, разработка правовых механизмов ответственности за диагностические заключения [48]. Критически важным является обеспечение прозрачности моделей и разработка стандартов их проверки для безопасного применения в клинике [49]. Проведённый анализ свидетельствует о том, что ИИ переходит из стадии экспериментального инструмента в категорию клинически значимых технологий, способных объективно повысить диагностическую точность и эффективность пренатальной диагностики. Преодоление текущих методологических и нормативных барьеров путём совместных усилий научного и медицинского сообществ откроет путь к созданию интегрированных диагностических систем. Они смогут обеспечить принципиально новое качество пренатального скрининга, минимизируя зависимость результатов от человеческого фактора и стандартизируя процесс оказания медицинской помощи на самом высоком уровне [50].

ОПЫТ РАЗРАБОТКИ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ЗАРУБЕЖНЫМИ УЧЁНЫМИ

Применение новых технологий ИИ в пренатальной диагностике является актуальной задачей по всему миру. Учёные разных стран проявляют интерес и объединяются в команды совместно со специалистами в области информационных технологий для разработки и внедрения нейростевых моделей в рутинную практику врача ультразвуковой диагностики. Так, H.N. Xie и соавт. [3] оценивали возможность использования алгоритмов глубокого обучения для классификации нормальных и патологических эхографических изображений головного мозга плода, полученных в стандартных аксиальных плоскостях. Для достижения поставленной цели учёные из Китая проводили исследование, в которое включили 10 251 случай нормально протекающей беременности и 2529 — с различными вариантами аномалий развития плода. После нескольких этапов обработки данных авторы получили 15 372 эхогрфачиеских изображения с нормальным анатомическим развитием структур и органов плода и 14 047 ультразвуковых срезов с вариантами врождённых нарушений анатомии плода. Далее учёные проводили обучение разработанной нейросетевой модели с функциональными возможностями в виде сегментации ультразвукового снимка вдоль головного мозга плода, классификация эхографического изображения по типу «нормальное» или «аномальное» и поиск участка поражения с прицельным нейросетевым анализом найденной зоны. В результате диагностическую точность оценили с использованием тестовых наборов, при этом производительность сегментации определяли с помощью точности, полноты и коэффициента Дайса (DICE), которые составили 97,9, 90,9 и 94,1% соответственно. Общая точность классификации достигала 96,3%. Чувствительность и специфичность идентификации аномальных изображений составили 96,9 и 95,9% соответственно. Тем не менее точность задачи в виде поиска локального участка поражения составила только 61,6%.

Наиболее распространёнными среди всех врождённых аномалий являются пороки развития сердца и крупных сосудов плода. Именно поэтому уже существуют проекты по разработке систем поддержки принятия врачебных решений с функцией ИИ в пренатальной диагностике ССС плода. Так, H. Wu и соавт. [51] разрабатывали экспериментальную систему ИИ для распознавания сердца плода. Для этого авторы отобрали стандартные ультразвуковые срезы сердца плода, полученные в период с 20 по 24 нед. беременности:

• четырёхкамерный;
• через три сосуда;
• через три сосуда и трахею;
• выходного тракта правого желудочка;
• выходного тракта левого желудочка.

Нейросетевую модель обучали с использованием эхографических изображений в количестве 2687 сканов, а тестировали с применением 673 сканов. Данная экспериментальная разработка достаточно эффективно показала среднюю точность в виде 94,6% при идентификации различных анатомических структур, что в будущем может предоставить врачам ультразвуковой диагностики помощь в выявлении ВПР сердца плода [51].

ОПЫТ РАЗРАБОТКИ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ОТЕЧЕСТВЕННЫМИ УЧЁНЫМИ

На территории нашей страны совершенствование качества пренатальной диагностики является достаточно актуальной задачей. ВПР плода — это гетерогенная группа структурных аномалий роста и развития различных органов и систем. Значительно чаще других встречают врождённые нарушения сердца и крупных сосудов с частотой 5–9 на 1 тыс. новорождённых [52].

Е.Л. Бокерия и соавт. [52] создавали набор данных для разработки модели ИИ с целью повышения качества диагностики врождённых пороков сердца плода. В качестве цели исследования рассматривали формирование алгоритма для осмотра сердца с использованием ИИ, результаты которого будут представлены в виде медицинского заключения двух вариантов:

• «норма» — правильное анатомическое строение сердца и крупных сосудов плода;
• «отклонение» — неправильное строение анатомических структур ССС с рекомендацией проведения расширенной эхокардиографии.

Данное исследование проводили на базе Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова. Авторы выполнили 2016 УЗИ в сроки с 18 по 21 нед. беременности и получили 659 324 изображения в формате JPG с нормальной анатомической картиной сердца и крупных сосудов плода и 27 886 — с патологически изменёнными структурами. Основной задачей было получение видеофайлов, включающих не менее 25 кадров, каждого из следующих срезов [52]:

• с визуализацией желудка и сердца плода;
• четырёхкамерный;
• через три сосуда и трахею;
• выходного тракта левого желудочка;
• выходного тракта правого желудочка;
• сагиттальный срез аорты.

При выполнении исследования поставлено несколько задач [52]:

• выделение грудной полости плода (решена с точностью 98%);
• классификация среза сердца на кадре (решена с точностью 82%);
• определение патологии на срезах сердца (решена с точностью 77%).

Следует отметить, что специфичность разработанной модели варьирует от 61,1 до 98,7% в зависимости от анатомического среза плода. В своей работе исследователи делают акцент на необходимости переобучения и доработки данной модели, однако она уже демонстрирует хорошие результаты [52]. Именно поэтому можно рассматривать ИИ в качестве дополнительного вспомогательного инструмента в будущем, повышающего диагностическую точность выявления ВПР плода (табл. 1).

 

Таблица 1. Сравнительный анализ показателей диагностической точности разработанных нейросетевых систем для выявления врождённых пороков развития плода
Авторы	Специфичность, %	Чувствительность, %	Точность определения анатомических областей, %
H.N. Xie и соавт. [3]	96,9	95,9	96,3
H. Wu и соавт. [51]	—	—	94,6
Е.Л. Бокерия и соавт. [52]	98,7	—	77–98
R. Arnaout и соавт. [43]	96	95	—

 

ЗАКЛЮЧЕНИЕ

В результате анализа зарубежных и отечественных исследований установлено, что применение технологий ИИ в ультразвуковой диагностике ВПР плода способствует повышению эффективности выявления аномалий и нарушений формирования его анатомических структур, а также оказывает значительную поддержку врачам ультразвуковой диагностики при постановке диагноза и его можно рассматривать как перспективный дополнительный инструмент обследования беременных. Актуальными проблемами остаются такие нерешённые вопросы, как недостаточное количество обучающего материала для качественной диагностики редких аномалий, существенные экономические затраты на интеграцию нейросетевых алгоритмов в рутинную практику врачей ультразвуковой диагностики. При этом существуют и очевидные преимущества технологий ИИ в ультразвуковой диагностике ВПР плода. Существенным вкладом является автоматизация и стандартизация процесса: алгоритмы нейросетевого анализа в реальном времени обеспечивают контроль качества полученного изображения, подтверждают соответствие стандартным плоскостям сканирования и автоматически проводят биометрические измерения, что минимизирует вариабельность между специалистами и экономит время врача.

Таким образом, диагностика структурных аномалий плода является трудоёмким процессом, требующим высокого уровня квалификации специалиста. Для постановки верного инструментального диагноза зачастую необходима консультация врача-эксперта в области пренатальной диагностики. Внедрение технологий ИИ в рутинную практику врачей позволит её стандартизировать в различных лечебных учреждениях, включая женские консультации, родильные дома и перинатальные центры. Такой подход позволит повысить качество пренатальной помощи, что обеспечить правильную и своевременную маршрутизацию беременной с патологией плода. Современные компьютерные технологии с функцией нейросетевого анализа могут стать мощным вспомогательным инструментом для врачей ультразвуковой диагностики в выявлении ВПР плода.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. А.В. Поморцев — определение концепции, работа с данными, пересмотр и редактирование текста рукописи; Ю.Ю. Дьяченко, М.А. Матосян — работа с данными, пересмотр и редактирование текста рукописи; Е.А. Арутюнян — подготовка и написание черновика рукописи; М.А. Арутюнян, З.А. Янок, Б.А. Емиж, В.Р. Никитина — сбор данных; О.В. Астафьева, А.Н. Катрич — работа с данными, пересмотр и редактирование текста рукописи. Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты настоящей работы, гарантируют надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Неприменимо.

Источники финансирования. Настоящий обзор подготовлен в рамках реализации программы Министерства образования и науки России «Приоритет-2030» (нацпроект «Молодёжь и дети»). Финансирование осуществлялось за счёт денежных средств научного проекта «Разработка интеллектуальной информационной системы поддержки принятия решений “Формирование инструментального диагноза для выявления пороков центральной нервной системы, сердечно-сосудистой системы, брюшной полости и иных врождённых аномалий у плода” на основе нейросетевых моделей» в рамках исполнения Соглашения № 075-15-2025-108 от 29.03.2025 «б».

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы использовано собственное изображение (эхограмма головного мозга плода в аксиальном срезе с выделением исследуемых 5 анатомических областей на рис. 1), заимствованное из опубликованной ранее работы ([doi: 10.35401/2541-9897-2024-9-2-42-47], распространяется на условиях лицензии CC BY-NC 4.0. Публикуется с разрешения правообладателя.).

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе не применима.

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали три внешних рецензента.

ADDITIONAL INFORMATION

Author contributions: A.V. Pomortsev: conceptualization, data curation, writing—review & editing; Yu.Yu. Dyachenko, M.A. Matosyan: data curation, writing—review & editing; E.A. Arutyunyan: writing—original draft; M.A. Arutyunyan, Z.A. Yanok, B.A. Emizh, V.R. Nikitina: investigation; O.V. Astafieva, A.N. Katrich: data curation, writing—review & editing. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: Not applicable.

Funding sources: This review was part of the Priority–2030 program of the Ministry of Science and Higher Education of the Russian Federation (Youth and Children national project). Funding was provided by the scientific project “Development of an intelligent information decision support system ‘Formation of an instrumental diagnosis for the detection of malformations of the central nervous system, cardiovascular system, peritoneal cavity, and other congenital anomalies in the fetus’ based on neural network models” (Agreement No. 075-15-2025-108 “b,” dated March 29, 2025).

Disclosure of interests: The authors have no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: This work includes an image (fetal brain echogram in axial section with five anatomical regions highlighted in Fig. 1) adapted from our previous publication [DOI: 10.35401/2541-9897-2024-9-2-42-47], distributed under the CC BY-NC 4.0 license. Published with permission of the copyright holder).

Data availability statement: The editorial policy regarding data sharing does not apply to this work.

Generative AI: No generative artificial intelligence technologies were used to prepare this article.

Provenance and peer-review: This article was submitted unsolicited and reviewed following the standard procedure. The peer-review process involved three external reviewers.

About the authors

Alexey V. Pomortsev

Kuban State Medical University

Author for correspondence.
Email: pomor-av@mail.ru
ORCID iD: 0000-0003-4129-3930
SPIN-code: 4245-1324

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Krasnodar

Julia Yu. D’yachenko

Kuban State Medical University

Email: dyachenko0701@mail.ru
ORCID iD: 0000-0003-2957-9100
SPIN-code: 3698-7393

MD

Russian Federation, Krasnodar

Mariam A. Matosian

Kuban State Medical University

Email: Mariam_lev/90@mail.ru
ORCID iD: 0000-0002-9576-6724
SPIN-code: 4344-3299

MD

Russian Federation, Krasnodar

Ekaterina A. Arutyunyan

Kuban State Medical University

Email: katebarsukova1507@gmail.com
ORCID iD: 0009-0005-9684-4025
SPIN-code: 3179-3080

MD

Russian Federation, Krasnodar

Milena A. Arutyunyan

Kuban State Medical University

Email: milena.arutunan@yandex.ru
ORCID iD: 0009-0009-5869-9188
SPIN-code: 5080-0577
Russian Federation, Krasnodar

Zarema A. Janok

Kuban State Medical University

Email: zarema.yanok777@gmail.com
ORCID iD: 0009-0008-9259-0488
SPIN-code: 8014-5050
Russian Federation, Krasnodar

Bela A. Emizh

Kuban State Medical University

Email: bela.001@mail.ru
ORCID iD: 0009-0002-2985-9428
SPIN-code: 4071-0396
Russian Federation, Krasnodar

Veronika R. Nikitina

Kuban State Medical University

Email: nikakristall@yandex.ru
ORCID iD: 0009-0000-6288-7469
SPIN-code: 4027-6355
Russian Federation, Krasnodar

Olga V. Astafieva

Kuban State Medical University

Email: olga-astafeva2@rambler.ru
ORCID iD: 0000-0001-8195-5930
SPIN-code: 9245-9969

MD, Dr. Sci. (Medicine)

Russian Federation, Krasnodar

Aleksey N. Katrich

Kuban State Medical University

Email: katrich-a1@yandex.ru
ORCID iD: 0000-0003-1508-203X
SPIN-code: 8138-0208

MD, Dr. Sci. (Medicine)

Russian Federation, Krasnodar

References

Supplementary files