CONTEMPORARY CAPABILITIES OF ARTIFICIAL INTELLIGENCE TECHNOLOGIES IN THE DIAGNOSIS OF KIDNEY AND URINARY TRACT TUMORS: A SCIENTIFIC REVIEW

Full Text

ВВЕДЕНИЕ

На сегодняшний день известно более 150 видов опухолей почек и мечевыводящих путей, включающих как злокачественные, так и доброкачественные новообразования. Наиболее распространенным злокачественным опухолевым заболеванием почки является почечно-клеточный рак (ПКР), имеющий несколько гистологических типов. По современным данным 2% всех смертей в мире от рака занимает рак почки, а 80% - светлоклеточный ПКР, тогда как на папиллярный и хромофобный приходится 10% и 5% соответственно [1]. В России заболеваемость раком почки определяется мировыми тенденциями и имеет положительную динамику, тогда как возрастное ранжирование не отличается от США [2, 3]. Среди опухолей мочевыводящих путей наиболее распространенным является рак мочевого пузыря, занимающий седьмое место в мире среди онкологических заболеваний [4, 5]. Рак мочевого пузыря включает уротелиальный рак, составляющий 90% от всех его гистологических типов, плоскоклеточная карцинома и аденокарцинома – 7% и 2% соответственно [6]. Опухоли верхних мочевыводящих путей встречаются достаточно редко и составляют 5-10% всех уротелиальных карцином, причем, новообразования чашечно-лоханочной системы встречаются 2 раза чаще, нежели опухоли мочеточников [7].

В последние годы искусственный интеллект (ИИ) активно внедряется в различные области медицины, и онкодиагностика не стала исключением, что во многом определено его способность обрабатывать огромные массивы данных, позволяя врачам глубинно понимать особенности течения опухолевого процесса и выбора наиболее рациональной тактики ведения больных [8]. Отдельным направлением стала радиомика – область исследований, занимающаяся извлечением из медицинских изображений отдельных количественных показателей при помощи возможностей ИИ с диагностической целью [9]. Наиболее динамично развивающимся направлением в области ИИ является машинное обучение (МО), включающее в себя использования искусственных нейронных сетей, в том числе архитектур глубокого обучения (ГО). Эти модели формируются из последовательности взаимосвязанных слоев, каждый из которых кодирует информацию на определенном уровне, позволяя описывать иерархическую структуру изучаемых данных. ГО в целом стало основой для разработки многочисленных схем автоматизированного обнаружения и диагностики заболеваний, а также для создания новых методов обработки медицинских изображений. Высокая эффективность таких моделей определяется их способностью к точной интерпретации сложных данных и выявлению скрытых закономерностей, что способствует более надежной оценке стадии патологического процесса [10]. Для диагностики опухолей мочевыделительной системы используют широкий спектр методов визуализации, такие как ультразвуковое исследование (УЗИ), компьютерная и магнитно-резонансная томография (КТ и МРТ), позитронно-эмиссионная томография (ПЭТ), однофотонная эмиссионная компьютерная томография (ОФЭКТ), а также гибридные методы – ПЭТ-КТ, ПЭТ-ОФЭКТ, ПЭТ-МРТ и др. [11]. К тому же, использование гистологических и гистохимических методов исследования биоптатов опухолей входит в число высокоинформативных способов диагностики новообразований почки и мочевыводящих путей.  В этой связи, особую актуальность приобретают исследования, направленные на анализ современных разработок по интеграции алгоритмов ИИ в клинические рабочие процессы, системы поддержки принятия врачебных решений и диагностические платформы.

Методы и принципы исследования

В рамках проведения научного обзора мы отбирали публикации, посвященные использованию ИИ в диагностике и прогнозированию опухолей мочевыделительной системы. Во внимание принимали систематические обзоры, метаанализы, экспериментальные и клинические исследования, которые размещены на таких наукометрических базах как «Еlibrary», «PubMed», «КиберЛенинка», «BMC», «Web of Science», «Scopus» и опубликованы в течение 5 последних лет, но в случае значимой научной ценности, использовали более ранние статьи. Ключевыми словами для литературного поискали стали: «искусственный интеллект», «машинное обучение», «глубокое обучение», «радиомика», «почечно-клеточный рак», «рак почки», «рак мочевого пузыря», «прогнозирование», «стратификация риска», «компьютерная томография», «магнитно-резонансная томография», «онкоурология». Систематизированная блок-схема используемых источников, построенная исходя из рассматриваемых заболеваний и методов их диагностики, представлена на рисунке 1.

Рис 1.  Структурная схема классификации литературных данных по диагностическим подходам при опухолях почек и мочевыводящих путей.

Fig. 1. Structural scheme of classification of literature data on diagnostic approaches for tumors of the kidneys and urinary tract.

Искусственный интеллект в диагностике опухолей почек

Визуализация опухолей почки в клинической практике преимущественно основана на радиологических методах, ключевое место среди которых занимают компьютерная томография, магнитно-резонансная томография и позитронно-эмиссионная томография. Эти методы формируют основной массив данных для первичного выявления и динамического наблюдения почечных новообразований. На этом фоне активное внедрение алгоритмов ИИ в диагностические системы стало закономерным этапом развития лучевой диагностики. Так, в исследовании Erdim et al. выполнена оценка возможности МО для дифференциальной диагностики доброкачественных и злокачественных солидных новообразований почки по данным КТ-текстурного анализа. Проанализированы 84 опухоли у 79 пациентов, из которых 63 были злокачественными, а 21 доброкачественными. Наилучшие результаты получены при анализе кортикомедуллярной фазы контрастного КТ: в этой конфигурации модель корректно классифицировала 60 из 63 злокачественных и 17 из 21 доброкачественной опухоли [12].  Аналогично в статье M. Glembin et al. показано, что нейронная сеть способна надежно различать злокачественные и доброкачественные солидные опухоли почки по данным артериальной фазы КТ. Алгоритм продемонстрировал устойчивую классификацию случаев в независимой тестовой выборке, при этом наилучшие результаты получены для опухолей малого размера, что позволяет сократить число необоснованных хирургических вмешательств [13]. В работе T. Zhou et al. оценена практическая ценность МО для клинической дифференциации почечно-клеточного рака и доброкачественных опухолей почки на основе многофазной КТ [14].

Исследования O. Hild et al. продемонстрировали, что использование модели OV2ASSION, в которой нейросеть обучается на вручную размеченных КТ-изображениях и автоматически достраивает пропущенные сегменты, принципиально увеличило эффективность процесса. При этом, точность сегментации стала зависеть от «шага» - количества автоматически сегментируемых срезов между двумя вручную размеченными. При минимальном шаге средний Dice-индекс (степень соответствия результата ИИ с правильными объектами, указанными специалистом) составил 0,97 для опухоли и 0,94 для пораженной почки, а при увеличении шага до пяти, Dice-индекс был равен 0,94.  Таким образом, при шаге 7-8 точность полуавтоматической сегментации статистически соответствовала точности ручной сегментации эксперта [15].

В работе N. Yao et al. предложен метод ГО, направленный на снижение объема ручной разметки и повышение воспроизводимости результатов сегментации. Экспериментальная оценка на открытом наборе данных KiTS19 показала высокие характеристики качества сегментации, с коэффициентом Dice 0,951 для почек и 0,895 для опухолей. Полученные результаты демонстрируют некоторое превосходство предложенного метода в сравнении с разработкой O. Hild et al., так как имеют более точную сегментацию [16].  В исследовании Z. Ji et al. предложена нейросетевая модель ASD-Net для автоматической сегментации почек и почечных опухолей на контрастных КТ-изображениях, достигшая высоких показателей достоверности. Для сегментации почек Dice-индекс составил 96,44, для опухолей – 85,22. В отличие от работы O. Hild et al. [15], где высокий Dice-индекс достигается только при полуавтоматическом режиме, и исследования S. Pak et al., где показатели для опухолей остаются ниже, ASD-Net обеспечивает значительную точность сегментации почек и опухолей без участия эксперта, что выделяет данную модель с точки зрения автоматизации и воспроизводимости результатов [17]. S. Bachanek et al. показано, что ансамбль нейронных сетей обеспечивает воспроизводимую автоматическую сегментацию солидных опухолей почки на контрастно-усиленной КТ с высоким совпадением с ручной разметкой, включая подтверждение на независимой внешней когорте. Ключевым результатом стало достижение коэффициента Dice на уровне 0,84-0,86 во внутреннем тестировании и около 0,84 при внешней валидации, что подтверждает стабильность метода [18]. В работе А. Uhlig et al. оценена возможность различения гистологических подтипов опухолей почки с использованием радиомических признаков и алгоритмов МО на основе мультифазной КТ на многоцентровых клинических данных. Применение алгоритма XGВ показало умеренную, но воспроизводимую точность классификации. Лучший результат был получен при использовании венозной фазы КТ, где модель обеспечила воспроизводимую классификацию в независимой тестовой выборке, тогда как злокачественные новообразования почки оказались наименее различимыми, а добавление артериальной фазы не дало значимого прироста точности [19].

Разработанная авторами модель CNN с шестью сверточными слоями продемонстрировала сопоставимую эффективность, обеспечив точность около 97% при меньшей вычислительной сложности. Помимо этого, дополнительно была предложена отдельная модель с четырьмя сверточными слоями с точностью 92%, демонстрируя устойчивую способность различать клинически значимые типы опухолей [20]. В статье C. Dai et al. продемонстрировано, что модель ГО по данным многофазной контрастной КТ способна неинвазивно выявлять доброкачественные малые опухоли почки размером менее 1 см с диагностической точностью, сопоставимой с врачами-радиологами [21]. M. Nikpanah et al. предложили дообученную сверточную нейронную сеть на основе многофазных МРТ-изображений, которая обеспечивает высокую диагностическую точность при дифференциации светлоклеточного рака почки и онкоцитомы, превосходя показатели двух радиологов при сопоставимой согласованности интерпретации [22]. Связь морфологии опухолевой ткани с ее молекулярным профилем была количественно реконструирована Q. Zheng et al. с использованием модели ГО с множественным обучением по экземплярам и механизмом внимания, что позволило по гистологическим срезам предсказывать опухолевую мутационную нагрузку и мутационный статус гена VHL при светлоклеточном почечно-клеточном раке, включая внешнюю валидацию [23].

Искусственный интеллект как инструмент прогноза и стратификации пациентов с опухолями почки

В настоящее время ИИ все чаще рассматривается как инструмент, способный выходить за рамки диагностической функции и участвовать в прогнозировании клинических исходов и стратификации риска у пациентов с опухолями почки и мочевыводящих путей. Так, Y. Xiong et al. показали, что модели ГО на мультицентровых КТ прогнозируют злокачественный потенциал и отличают агрессивные опухоли от инертных. Они автоматически интегрируют пространственные и текстурные признаки, повышая точность по сравнению с клиническими шкалами. Помимо этого, прогнозы ИИ превосходят показатели экспертов и сохраняют точность при анализе малых образований, а радиологические признаки агрессивности, коррелируют с неблагоприятными исходами [24].

Исследовательской группой разработана мультиклассификаторная система прогноза рецидива папиллярного почечно-клеточного рака после хирургического лечения стадий I-III. Интегрированная модель с значительным успехом предсказывала безрецидивную и общую выживаемость пациентов, позволяла выявлять пациентов с высоким риском рецидива даже среди формально благоприятных групп, т.е. на ранних стадиях заболевания и при низкой степени злокачественности. В этих подгруппах прогноз оказывался хуже, чем у части пациентов с более поздними стадиями, но низким интегральным риском [25]. В статье S. Pak et al. показано, что модель ГО способна прогнозировать выживаемость пациентов со светлоклеточным ПКР, анализируя комплекс клинических данных. Наибольшую прогностическую ценность модель демонстрирует при одновременном использовании гистологических изображений и результатов лучевой диагностики, тогда как применение каждого источника информации по отдельности дает существенно более низкий результат. Прогноз, полученный с помощью модели, сохраняет значимость по отношению к традиционным методам стратификации и позволяет четко разделять пациентов на группы с различным риском неблагоприятного исхода [26]. F. Li et al. МО использовано как центральный инструмент для интеграции многомодальных транскриптомных данных и построения прогностической модели, отражающей состояние метаболизма триптофана при светлоклеточном ПКР. Практическое значение МО в этом исследовании состоит в том, что разработанная модель TMRS выдает числовую оценку риска, а не просто делит пациентов на группы высокого и низкого риска. Эта числовая оценка была использована для построения номограмм – инструментов, которые позволяют прогнозировать общую и безрецидивную выживаемость или прогрессирование опухоли для конкретного пациента. [27].

Исследования J. Qu et al. показали, что у небольших светлоклеточных опухолей почки ядерную степень злокачественности можно предсказать по стандартным КТ-признакам, основанным на форме опухоли и характере внутриопухолевого некроза. Наиболее значимым результатом стало то, что предложенный авторами КТ-балл надежно исключает высокую степень злокачественности при низких значениях, тем самым поддерживая выбор активного наблюдения у пациентов с опухолями пограничного размера [28]. Аналогичным образом в статье N. Demirjian et al. продемонстрировано, что радиомические признаки, извлеченные из мультифазной контрастной КТ, позволяют стратифицировать светлоклеточный ПКР по степени злокачественности и стадии заболевания [29]. Группа разработчиков создала систему прогнозирования, работающую на основе КТ-изображений и использующую интеграцию морфологических, функциональных и текстурных радиомических признаков, позволяя с высокой точностью предсказать, ответит ли опухоль Вильмса на предоперационную химиотерапию. Модель позволила разделить опухоли на чувствительные и резистентные к терапии еще до ее назначения, позволяя стратифицировать пациентов по риску неэффективного лечения, тогда как в стандартной практике это становится известно только после нескольких курсов лечения [30].

В работе N. Abdallah et al. показано, что полностью автоматизированная модель ИИ на основе предоперационной КТ обеспечивает точное прогнозирование послеоперационной скорости клубочковой фильтрации (СКФ) и сопоставима с проверенной клинической моделью при стратификации пациентов по риску снижения функции почек. Способность прогнозировать СКФ была высокой и практически идентичной для ИИ-модели и клинического прогноза, с площадью под ROC-кривой (AUC, кривая зависимости доли правильно найденных положительных объектов от доли ложных срабатываний) около 0,89 и 0,90 соответственно, что подтверждает высокую диагностическую ценность [31].  Известна модель ГО nnU-Net, которая обеспечивает точную автоматическую сегментацию опухоли Вильмса на КТ, а ее сочетание с 3D геометрическими параметрами позволяет с высокой воспроизводимостью прогнозировать истинный объем опухоли с относительной ошибкой порядка 10% [32]. В исследовании Z. Khene et al. была разработана клинико-радиомическая модель для прогнозирования безрецидивной выживаемости после нефрэктомии у пациентов с со светлоклеточным ПКР. Радиомическая сигнатура, построенная на предоперационной КТ, достигла площади под ROC-кривой 0,78 в обучающей и 0,72 в тестовой выборке, а ее сочетание со статусом лимфатических узлов и уровнем гемоглобина повысило прогностическую точность. Интегрированная модель превзошла шкалы UISS, ASSURE и Лейбовича, обеспечив более точное и персонализированное прогнозирование риска рецидива, что напрямую поддерживает принятие клинических решений [33].

В работах Y. Yang et al. продемонстрирована возможность предоперационного выявления инвазии почечной капсулы при ПКР на основе КТ-радиомики, что имеет прямое значение для стадирования и прогноза заболевания. На выборке из 126 пациентов радиомическая модель показала устойчивую способность различать опухоли с инвазией и без нее, при этом наилучшие результаты были достигнуты при анализе кортикомедуллярной фазы КТ, где модель на основе прямой нейронной сети обеспечила AUC 0,81. В качестве альтернативы предложен ультразвуковой радиомический подход для предоперационного прогнозирования степени злокачественности по Фурману при светлоклеточном раке почки. Комбинированная модель, объединяющая радиомические признаки УЗИ и клинические параметры, обеспечила устойчивую прогностическую эффективность с AUC 0,871 в обучающей, 0,785 во внутренней и 0,826 во внешней выборках, превосходя иные клинические модели [34, 35]. В исследовании Y. Yu et al. модель ГО на основе контрастной КТ, использующая архитектуру UperNet, обеспечивает полностью автоматическую сегментацию опухоли и прогнозирование общей выживаемости пациентов со светлоклеточным ПКР, получающих таргетную терапию, корректно разделяя больных на группы с ожидаемой выживаемостью более и менее 3-х лет с точностью свыше 93% [36].

Таблица 1. Сравнительная характеристика рассматриваемых публикаций, посвященных разработке прогностических моделей при опухолях почек

Table 1. Comparative characteristics of the reviewed publications devoted to the development of prognostic models for kidney tumors

Ссылка	Клиническая задача	Модальность	Данные для обучения	Точность
[25]	Прогноз рецидива папиллярного ПКР	КТ, гистология	Многоцентровая когорта пациентов с папиллярным ПКР	AUC = 0,80
[29]	Стратификация степени злокачественности светлоклеточного ПКР	Мультифазная КТ	Многоцентровая клиническая когорта	AUC = 0,80
[32]	Прогноз выживаемости при светлоклеточном ПКР	Геномные данные	Атлас генома рака, независимые валидационные наборы	C-индекс >0,70
[28]	Прогноз степени светлоклеточного ПКР	КТ	Основная когорта и внешняя валидация	AUC = 0,78-0,79
[30]	Прогноз ответа опухоли Вильмса на предоперационную химиотерапию	КТ	Ретроспективная когорта детей	Правильный прогноз = 95 %
[31]	Прогноз послеоперационной функции почек	КТ	Набор данных KiTS19	AUC = 0,89
[32]	Сегментация и прогноз объема опухоли Вильмса	КТ	Педиатрическая клиническая когорта	Dice-индекс = 0,93
[33]	Прогноз рецидива при локализованном ПКР	КТ	Клиническая когорта высокого риска	AUC = 0,78-0,81
[34]	Прогноз инвазии почечной капсулы при ПКР	КТ	Одноцентровая клиническая когорта	AUC = 0,81
[35]	Прогноз степени злокачественности по Фурману при светлоклеточном ПКР	УЗИ	Одноцентровая когорта, внешняя валидация	AUC = 0,87
[36]	Прогноз выживаемости при таргетной терапии светлоклеточного ПКР	КТ	Открытая база TCIA	Правильный прогноз >93 %

Примечание: AUC - площадь под ROC-кривой; Dice-индекс - степень соответствия результата ИИ с правильными объектами, указанными специалистом; C-индекс – мера точности ранжирования модели. 

Сравнительная характеристика рассмотренных моделей для прогнозирования и стратификации риска пациентов с опухолями почек представлена в табл. 1. Как видно из данных таблицы, большинство моделей направлены на анализ КТ-изображений, что определяется высокой диагностической значимостью данного вида визуализации. Помимо этого, источники для обучения моделей в разных случаях представлены одно- или многоцентровыми когортами, а также открытыми источниками данных (Атлас генома рака, KiTS19 и пр.), обуславливая различные прогностические способности разработанных систем.

Искусственный интеллект в диагностике опухолей мочевыводящих путей

Попытка устранить субъективность цистоскопии в исследовании J. Mutaguchi et al. реализована за счет применения нейросетевого анализа эндоскопических изображений, полученных у пациентов после трансуретральной резекции опухолей мочевого пузыря. Использование модели Dilated U-Net позволило достичь более точной сегментации, продемонстрировав повышение чувствительности, специфичности и коэффициента Dice примерно на 1-2%, что отражает более полное совпадение с эталонной разметкой и снижение риска пропуска опухолевых очагов, особенно при приподнятых поражениях [37]. Аналогично предыдущему исследованию, в данной работе для повышения объективности цистоскопиии использован подход ГО, направленный на автоматическое выявление опухолевых очагов мочевого пузыря на эндоскопических видеороликах. Разработанная модель BTS-Net обеспечила высокоточную сегментацию ранних форм рака, включая плоские и сателлитные поражения, с показателями точности и полноты свыше 90% при обработке в реальном времени, указывая на ее потенциал в снижении частоты рецидивов после резекции мочевого пузыря [38]. Автоматический анализ цистоскопических изображений в исследовании J. Yoo et al. реализован с помощью глубокой нейросетевой модели Mask R-CNN, которая обучена на 10 991 изображениях, достигла чувствительности 95,0%, а также обеспечила Dice-индекс около 0,75, продемонстрировав, что разработка может не только обнаруживать опухоли мочевого пузыря, но и объективно определять их злокачественность [39]. S. Wu et al. представлена система CAIDS, принципиально отличающаяся от большинства аналогичных ИИ-моделей тем, что она интегрирована в рабочий процесс и функционирует в режиме реального времени при анализе видеопотока цистоскопии, а не на ретроспективных статических изображениях [40].

Благодаря внедрению ГО в анализ цитологии мочи в исследовании T. Liu et al. показали, что ИИ-платформа существенно повышает диагностическую эффективность выявления рака мочевого пузыря, особенно в пограничных и неопределенных категориях. Использование ИИ увеличило чувствительность диагностики до 90% и сократило время анализа образцов более чем в 2 раза, при этом классификация выполнялась в соответствии со стандартизированной системой цитологической оценки мочи для выявления уротелиального рака [41]. Аналогично в статье A. Sanghvi et al. создан ИИ-алгоритм, способный обрабатывать изображения клеточного состава мочи и выявлять уротелиальный рак без участия эксперта. Модель продемонстрировала площадь под ROC-кривой около 0,88, значительную чувствительность к высокозлокачественным поражениям и стабильную воспроизводимость за счет анализа миллионов клеток [42]. В другом исследовании через анализ измененных физико-морфологических микроструктурных признаков высохших капель крови и мочи модель ГО на базе ResNet-18 определила возможность неинвазивной диагностики рака мочевого пузыря. Используемый ИИ достиг AUC до 0,997, точность – 97,3% для образцов крови, подтверждая, что автоматический анализ способен выявлять опухоль и может стать бюджетным инструментом клинического скрининга [43].

Группа исследователей разработала ИИ-модель, которая на основе МРТ-радиомики в сочетании с транскриптомным профилированием опухоли определяет наличие экстрапузырного роста при мышечно-инвазивном раке мочевого пузыря. Интегрированный радиогеномный подход обеспечил точность в 92% и чувствительность до 94%, существенно снизив риск клинического недостадирования перед выбором тактики лечения [44]. В работе J. Pan et al. представлена ИИ-модель на базе ГО ScanNet, автоматически определяющая глубину инвазии и гистологическую степень рака мочевого пузыря по гистологическим изображениям после резекции мочевого пузыря. На материале 854 препаратов от 692 пациентов модель достигла площади под ROC-кривой 0,87 на уровне гистологических снимков, показав точность, сопоставимую с опытными патоморфологами [45].  В другом исследовании T. Nishikawa et al. показали, что модель PCB-AI по цифровым гистологическим изображениям практически совпадает с экспертами-патологами в диагностике плоских уротелиальных поражений. Более того, анализ признаков позволил ИИ не только классифицировать эпителий мочевыводящих путей, но и предсказывать клинически значимые молекулярные нарушения, напрямую связанные с риском прогрессирования [46]. Суть модели, разработанной Y. Wang et al. сводится к тому, что при анализе КТ она не рассматривает опухоль как однородную структуру, а с помощью МО автоматически разделяет ее на несколько внутриопухолевых субрегионов, различающихся по плотности и пространственной организации на КТ. Интеграция субрегиональной радиомики позволила точнее прогнозировать мышечную инвазию и стадию, что делает модель практичным инструментом неинвазивной предоперационной стратификации риска и поддержки клинических решений [47].

Перспективы использования ИИ в диагностике и прогнозировании опухолей мочевыделительной системы

Как показал систематический анализ современных разработок в области использования технологий ИИ в диагностике опухолевых заболеваний мочевыделительной системы, что нейронные сети, ГО и МО становятся не только вспомогательными инструментами в диагностической практике, но вполне самостоятельным компонентом обследования больных и прогнозирования клинических параметров. Особую перспективу представляют разработки, направленные на поддержку принятия решений врача во время проведения диагностического обследования, что делает ИИ гибкой аналитической системой. В этом отношении, потенциал таких моделей заключается в снижении числа пропущенных патологических очагов, визуализируемых при эндоскопическом исследовании, позволяя применять как «второе мнение» при принятии клинических решений. Векторы развития ИИ в онкоурологии во многом формируют разработки, предназначенные для стратификации риска и прогнозирования степени злокачественности, стадии заболевания, основываясь на данных клинических исследований. Такие подходы позволяют перейти от широких схем лечения к индивидуальной стратификации риска, что особенно актуально при выборе тактики между наблюдением, органосохраняющим лечением и агрессивным вмешательством. Несмотря на высокий технический уровень радиомики, ее дальнейшее развитие связано не столько с усложнением алгоритмов, сколько с переходом к клинически ориентированным моделям, способным интегрировать визуализационные признаки с клиническими и биохимическими данными. В этом контексте радиогеномика представляет собой ключевое перспективное направление, позволяющее связывать радиомические характеристики опухоли с геномными и транскриптомными профилями, тем самым повышать точность прогнозирования ответа опухоли на планируемую терапию.

Ограничения применения искусственного интеллекта в онкодиагностике и возможные путИ их преодоления

Наряду с перспективами использования ИИ в диагностической практике опухолей почек и мочевыводящих путей, возникает ряд ограничений, предопределяющих необходимость настороженности специалиста при интерпретации результатов и дальнейшего развития методологических аспектов внедрения подобных технологий в рутинную клиническую практику. Одним из таких ограничений становится зависимость разрабатываемых моделей от данных, на которых она обучается. Так, зачастую алгоритмы обучаются на ограниченных ретроспективных материалах, которые снижают диагностическую широту ИИ-модели, диктуя возникающие препятствия при практическом применении [48]. Во-вторых, постоянные изменения в клинических рекомендациях и иных нормативных стандартах оказания медицинской помощи больным с опухолями мочевыделительной системы обуславливают несостоятельность прогнозов, генерируемых ИИ-моделями. Использование внешней валидации и регулярного дообучения моделей на обновляемых клинических данных позволит повысить устойчивость алгоритмов к изменениям медицинской практики и снижает риск сужения прогностической точности. В-третьих, отсутствие открытости алгоритмов анализа моделями клинических данных для врача, не дает возможность специалисту проследить причинно-следственные связи между анализируемыми признаками, чтобы удостовериться в правильности сгенерированных решений и обеспечить должное доверие к ИИ [49, 50]. Проблема недостаточной интерпретируемости может быть частично решена за счет развития методов объяснимого ИИ, позволяющих визуализировать вклад отдельных признаков и этапов анализа в итоговое решение модели. Учитывая необходимость дорогостоящей вычислительной инфраструктуры и высококачественной системы визуализации широкое внедрение ИИ-моделей в клиническую практику медицинских учреждений значительно ограничено. К тому же, вопросы юридической надежности использования ИИ в диагностических целях остаются актуальными и по сей день, поскольку сохраняется возможность утечки конфиденциальных данных и отсутствует распределения ответственности за постановку неправильного диагноза [49, 51].

Заключение

Анализ опубликованных исследований показывает, что нейросетевые модели на основе КТ, МРТ, УЗИ, эндоскопических и гистологических изображений достигают высокой точности при дифференциации доброкачественных и злокачественных опухолей, сегментации опухолевых очагов, определении гистологических подтипов и степени злокачественности новообразований. Особенно значимыми являются результаты, полученные на мультицентровых когортах, где ИИ демонстрирует сопоставимую или превосходящую экспертов-радиологов диагностическую эффективность, включая анализ малых образований. Современные модели выходят за рамки бинарной диагностики и позволяют предоперационно оценивать агрессивность опухоли, риск рецидива, выживаемость, вероятность ответа на терапию и функциональные исходы после хирургического вмешательства. Радиологические сигнатуры, извлеченные с помощью ГО, демонстрируют независимую прогностическую ценность по отношению к традиционным клинико-морфологическим факторам и коррелируют с молекулярными и иммунными характеристиками опухолей. Наряду с достигнутыми результатами сохраняются ограничения, связанные с зависимостью моделей от качества обучающих данных, ограниченной интерпретируемостью решений и отсутствием единых стандартов клинической валидации. Эти факторы сдерживают широкое внедрение ИИ в рутинную практику и требуют перехода от экспериментальных разработок к клинически ориентированным, воспроизводимым и юридически регламентированным системам.  Представленные данные свидетельствуют о том, что ИИ становится ключевым компонентом современной онкоурологической диагностики, обеспечивая более точную неинвазивную оценку характеристик опухолей и прогноза еще до начала лечения. Использование ИИ создает предпосылки для персонализированной стратификации риска и обоснованного выбора между активным наблюдением, органосохраняющими методами и радикальным вмешательством.

Дополнительная информация

Вклад авторов

• Чивиев А.Ч. — определение концепции, сбор и анализ данных, руководство исследованием, написание черновика рукописи;
• Черткоева М.Г. — определение концепции, работа с данными, визуализация, пересмотр и редактирование рукописи;
• Гаглоева М.В., Эммануилиди А.И., Бекоева М.А. — разработка методологии, сбор и анализ данных, написание черновика рукописи.
• Касаев Д.Э., Каллагова М.К., Перисаева Д.У. — сбор и анализ данных, визуализация, написание черновика рукописи.
• Фидаров Ф.А., Саракаева В.В. — анализ данных, написание черновика рукописи.
• Андиев Х.И. — сбор и анализ данных, 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.

Благодарности*

Пункт публикуется по запросу со стороны авторов. Если пункт не будет заполнен, при печати статьи он будет удален из текста.

Выражение признательности не может быть адресовано анонимам и организациям. Участие последних в исследовании следует описать в разделе «Источники финансирования». Вклад не-авторов нужно конкретизировать.

Подтвердите, что лица, которых Вы благодарите, не возражают против их упоминания (например, указав в скобках «согласие на упоминание в настоящей работе получено») — эта информация не публикуется.

Участие профессиональных писателей (райтеров) в создании, пересмотре и редактировании рукописи следует упомянуть в обязательном порядке.

Согласие на публикацию

Заполнять только ЕСЛИ в статье содержатся персональные данные отдельных пациентов (включая их изображения)! Если их нет — укажите «неприменимо».

Размещение конфиденциальных данных физического лица (персональные данные человека, сведения, составляющие врачебную тайну, любые другие сведения о жизни человека, фотографии) в журнале возможно только после получения информированного добровольного согласия субъекта данных на публикацию. Конфиденциальные данные некоторых уязвимых категорий лиц (дети, больные с психическими расстройствами в определенном состоянии здоровья), а также физического лица после его смерти могут быть опубликованы только с разрешения законных представителей.

При наличии согласия на публикацию укажите форму согласия (устное или письменно), подписанта (пациент, законный представитель, другое лицо) и дату подписания. Подтвердите, что объём публикуемых конфиденциальных сведений согласован с пациентом и/или его законным представителем.

Источники финансирования

Отсутствуют

Раскрытие интересов

Авторы заявляют об отсутствии отношений, деятельности и интересов за последние 36 месяцев с третьими лицами (физическими и юридическими), интересы которых могут быть затронуты содержанием статьи.

Заявление об оригинальности

При написании данной статьи авторами не использованы ранее опубликованные сведения.

Доступ к данным

Редакционная политика журнала по вопросам доступа к данным к настоящей работе неприменима.

Генеративный искусственный интеллект

При написании данной статьи авторами не был использован генеративный искусственный интеллект.

Рассмотрение и рецензирование

Рукопись статьи была направлена в журнал в инициативном порядке.

Дисклеймер*

Пункт публикуется по запросу со стороны авторов. Если пункт не будет заполнен, при печати статьи он будет удален из текста.

Заявите об отказе от ответственности от лица авторов или организаций, с которыми вы аффилированы или иным образом связаны, за возможные последствия в результате публикации статьи.

About the authors

Azamat Chiviev

North Ossetian State Medical Academy

Author for correspondence.
Email: a.chiviev@mail.ru
ORCID iD: 0009-0007-0113-0666
SPIN-code: 3108-2090

Faculty of Medicine

Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Maya Chertkoeva

Северо-Осетинская государственная медицинская академия

Email: docmicmai@yandex.ru
ORCID iD: 0009-0007-7606-0498
SPIN-code: 2621-1409

кандидат медицинских наук, доцент, доцент кафедры микробиологии 

Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Milena Gagloeva

Северо-Осетинская государственная медицинская академия

Email: 08112002@bk.ru
ORCID iD: 0009-0004-7575-5579
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

David Kasaev

North Ossetian State Medical Academy

Email: davidkasaev03@gmail.com
ORCID iD: 0009-0007-0214-9123
Scopus Author ID: -
Russia, 362019 Vladikavkaz, Pushkinskaya St., 40.

Valeria Sarakaeva

Северо-Осетинская государственная медицинская академия

Email: vsarakayeva@inbox.ru
ORCID iD: 0009-0002-7029-4609
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Milana Kallagova

Северо-Осетинская государственная медицинская академия

Email: milanakallagova28@gmail.com
ORCID iD: 0009-0001-5571-054X
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Fidar Fidarov

Северо-Осетинская государственная медицинская академия

Email: fidar14fidarov@gmail.com
ORCID iD: 0009-0007-3332-3964
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Anastasia Emmanuilidi

Северо-Осетинская государственная медицинская академия

Email: Anestiie0101@gmail.com
ORCID iD: 0009-0005-6665-5434
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Milana Bekoeva

Северо-Осетинская государственная медицинская академия

Email: milanabekoeva@inbox.ru
ORCID iD: 0009-0001-9546-0581
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Dzerassa Perisaeva

Северо-Осетинская государственная медицинская академия

Email: Dzeraperisaeva@mail.ru
ORCID iD: 0009-0000-3083-432X
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

Khetag Andiev

Северо-Осетинская государственная медицинская академия

Email: khetagandiev@mail.ru
ORCID iD: 0009-0003-9599-8810
Russian Federation, Russia, 362019 Vladikavkaz, Pushkinskaya St., 40

References

Supplementary files