Faculty of Medicine
Лечебный факультет
医学院
кандидат медицинских наук, доцент, доцент кафедры микробиологии
The increasing incidence of urinary tract tumors exacerbates the problem of accurate noninvasive diagnosis and pre-treatment assessment of tumor potential. Traditional imaging and morphological verification methods are often limited in their ability to reliably predict tumor aggressiveness, leading to overtreatment of some patients and delayed detection of significant forms. In this regard, a systems analysis of modern artificial intelligence (AI) capabilities is of particular interest. This article summarizes the results of an exploratory analysis of modern experimental and clinical studies on the use of AI algorithms in the diagnosis of kidney and urinary tract tumors. It is shown that neural network models based on computed tomography, magnetic resonance imaging, ultrasound, endoscopic and histological images demonstrate high accuracy in automatic tumor segmentation, differentiation of benign and malignant neoplasms, and determination of histological types and grades of malignancy. Special attention is given to the potential of AI in predicting clinical outcomes, including assessing the risk of recurrence, survival, the likelihood of response to therapy, and functional outcomes after surgical treatment. It is noted that radiomics and radiogenomic signatures extracted using deep learning possess high prognostic value and reflect the molecular biological characteristics of tumors. The use of AI creates a new paradigm for noninvasive tumor phenotype assessment, enabling a transition from descriptive diagnostics to personalized prognosis even before treatment begins.
Рост заболеваемости опухолями мочевыделительной системы обостряет проблему точной неинвазивной диагностики и предлечебной оценки потенциала новообразований. Традиционные методы визуализации и морфологической верификации нередко ограничены в возможности достоверно прогнозировать агрессивность опухолевого процесса, что приводит к гиперлечению части пациентов и запоздалому выявлению значимых форм. В этой связи особый интерес представляет системный анализ современных возможностей искусственного интеллекта (ИИ). В статье обобщены результаты поискового анализа современных экспериментальных и клинических исследований, посвященных применению алгоритмов ИИ в диагностике опухолей почек и мочевыводящих путей. Показано, что нейросетевые модели на основе компьютерной томографии, магнитно-резонансной томографии, ультразвукового исследования, эндоскопических и гистологических изображений демонстрируют высокую точность при автоматической сегментации опухолей, дифференциации доброкачественных и злокачественных новообразований, определении гистологических типов и степени злокачественности. Отдельное внимание уделено возможностям ИИ в прогнозировании клинических исходов, включая оценку риска рецидива, выживаемости, вероятности ответа на терапию и функциональных исходов после хирургического лечения. Отмечено, что радиомические и радиогеномные сигнатуры, извлекаемые с использованием глубокого обучения, обладают высокой прогностической ценностью и отражают молекулярно-биологические особенности опухолей. Применение ИИ формирует новую парадигму неинвазивной оценки опухолевого фенотипа, позволяя перейти от описательной диагностики к персонализированному прогнозированию еще до начала лечения.