Том 6, № 2 (2025)

Обоснование. Точность количественных показателей, полученных с помощью магнитно-резонансной томографии, представляет научный и практический интерес. Контроль параметров сканирования и стандартизация общеизвестных подходов к оценке жировой фракции является важной задачей лучевой диагностики.

Цель исследования. Оценить возможность количественного измерения жировой фракции с помощью стандартных диксоновских импульсных последовательностей посредством фантомного моделирования.

Методы. Проведено экспериментальное многоцентровое одномоментное неослеплённое исследование. Для моделирования веществ с разной концентрацией жировой фазы выбраны прямые эмульсии типа «масло в воде». Пробирки с эмульсиями помещали в специальный цилиндрический фантом. Эмульсии на основе смеси растительных масел представлены в диапазоне значений жировой фракции 10–60%. Проводили серию тестирований на сканерах разных производителей и с различной индукцией магнитного поля: Optima MR450w 1,5 Tл, MAGNETOM Skyra 3 Tл, а также на томографе Ingenia 1,5 Тл и Ingenia Achieva dStream 3,0 Tл в разных медицинских центрах. Фракцию жира определяли расчётным методом по общеизвестным формулам на основе измерения интенсивности сигнала. Провели регрессионный анализ линейной зависимости измеренных концентраций жировой фракций от заданных значений, а также F-тест для оценки вариативности.

Результаты. С использованием фантомного моделирования провели проверку работы импульсных диксоновских последовательностей на различных томографах с целью количественного определения жировой фракции по соответствующим формулам. При оценке точности её количественного измерения установлена слабая линейная зависимость между полученными значениями и заданными концентрациями жировой фракции. Кроме того, для некоторых томографов выявлено статистически значимое смещение, превышающее 5%. Оценка воспроизводимости измерений показала различия в вариабельности концентрации жировой фракции как между разными моделями томографов, так и внутри одной.

Заключение. Полученные результаты подтверждают, что расчёт жировой фракции с использованием импульсных диксоновских последовательностей по соответствующим формулам необходимо осуществлять только после предварительного фантомного сканирования. Применение фантома обеспечивает надлежащий контроль качества и калибровку магнитно-резонансного томографа, делая точное количественное измерение жира более надёжным и широкодоступным.

Обоснование. Внутричерепные кровоизлияния характеризуются высокой летальностью и риском инвалидизации, что обусловливает необходимость оперативной и точной диагностики, особенно в первые 24 часа. Использование технологий искусственного интеллекта для анализа компьютерных томограмм головного мозга позволяет сократить время диагностики и улучшить её качество. Актуальность работы подчёркнута ограниченным числом сертифицированных в России сервисов искусственного интеллекта для выявления внутричерепных кровоизлияний, а также отсутствием данных о их долгосрочной эффективности, что обусловливает необходимость многоцентрового мониторинга для оценки устойчивости и точности таких систем в реальной клинической практике.

Цель исследования. Оценить диагностическую точность и устойчивость сервиса искусственного интеллекта для диагностики внутричерепных кровоизлияний по данным нативной компьютерной томографии головного мозга в условиях многоцентрового клинического мониторинга на протяжении 18 месяцев.

Методы. Для анализа использовали анонимизированные компьютерные томограммы головного мозга. Сервис искусственного интеллекта прошёл трёхэтапное тестирование для оценки его точности и клинической производительности на ограниченных наборах данных. В течение 18 месяцев два врача-рентгенолога, специализирующиеся на нейровизуализации, ежемесячно оценивали 80 компьютерно-томографических исследований головного мозга, предварительно обработанных сервисом искусственного интеллекта и случайным образом выбранных из клинического потока. Результаты проанализировали методом ROC-анализа с вычислением таких метрик, как чувствительность, специфичность, точность, площадь под характеристической кривой.

Результаты. При клиническом мониторинге проанализировано 1200 компьютерных томограмм головного мозга, из которых признаки внутричерепного кровоизлияния выявлены в 48,3% случаев. По результатам их бинарной классификации на наличие внутричерепных кровоизлияний, выполненной сервисом искусственного интеллекта, получены следующие диагностические метрики: чувствительность — 97,4% (95,8–98,5), специфичность — 75,4% (71,8–78,7), точность — 86,0% (83,9–87,9), площадь под характеристической кривой — 94% (92,6–95,3). Со временем наблюдали статистически значимую умеренную положительную корреляция между большинством диагностических метрик и временным показателем, за исключением чувствительности, что обусловлено сменой версии сервиса. Однако полное совпадение разметки и описания с заключением врача в выявленных сервисом искусственного интеллекта случаях внутричерепного кровоизлияния достигнуто в 28,5%, а различные расхождения найдены в 71,5%. Уточнённые метрики для случаев с полным соответствием заключения врача составили: чувствительность, специфичность, точность и площадь под характеристической кривой — 26,6, 73,8, 50,1 и 49,6% соответственно.

Заключение. Текущая конфигурация сервиса искусственного интеллекта позволяет исключать кровоизлияние с очень высокой вероятностью, что может быть полезно для первичной сортировки пациентов в условиях неотложной помощи. Однако низкие значения уточнённых метрик указывают на значительные расхождения между заключениями рентгенологов и результатами сервиса в аспектах детальной интерпретации патологии.

Обоснование. Повышение доступности ¹⁸F-простатоспецифичного мембранного антигена-1007 (¹⁸F-ПСМА-1007) для стадирования рака предстательной железы демонстрирует его преимущества, из которых важным является более высокое пространственное разрешение, чем у аналогов. Одновременно накапливаются научные данные, свидетельствующие о значительном увеличении числа ложноположительных находок, преимущественно в костях, что может приводить к необоснованному завышению стадии онкологического процесса. Диффузионно-взвешенные изображения возможно использовать для ранней диагностики метастатического поражения костей.

Цель исследования. Оценка диагностической точности позитронно-эмиссионной томографии всего тела с ¹⁸F-ПСМА-1007, совмещённой с компьютерной томографией (ПЭТ/КТ), в сравнении с диффузионно-взвешенными изображениями всего тела и костей малого таза у пациентов с раком предстательной железы.

Методы. Проведено ретроспективное одноцентровое выборочное исследование. Результаты исследований 119 пациентов с раком предстательной железы, разделены на две группы: 1-я группа — 40 пар данных ПЭТ/КТ с ¹⁸F-ПСМА-1007 и магнитно-резонансной томографии с диффузионно-взвешенными изображениями всего тела; 2-я группа — 79 пар аналогичных исследований, при этом магнитно-резонансную томографию проводили только в области костей таза. Диагностические исследования выполнены при соблюдении временного интервала между ними не более 14 дней. Осуществляли подсчёт количества выявленных метастатических очагов костей в различных анатомических областях по данным ПЭТ/КТ с ¹⁸F-ПСМА-1007 и магнитно-резонансной томографии. Истинно положительными считают очаги, подтверждённые с помощью дополнительных импульсных последовательностей магнитно-резонансной томографии и/или в результате динамического наблюдения.

Результаты. Диффузионно-взвешенная визуализация всего тела продемонстрировала более высокую специфичность в выявлении костных метастазов (58,1%) по сравнению с ПЭТ/КТ с ¹⁸F-ПСМА-1007 (51,06%). Однако чувствительность оказалась ниже — 93,22 против 97,55% соответственно.

Заключение. Несмотря на известные преимущества, ПЭТ/КТ с ¹⁸F-ПСМА-1007 демонстрирует высокую частоту ложноположительных находок в костях. Наиболее частая их локализация — рёбра, позвонки, кости таза. Для избежания неоправданного завышения стадии рекомендуется проведение уточняющей диагностики подозрительных очагов костей. В качестве такого метода можно использовать магнитно-резонансную томографию всего тела с диффузионно-взвешенными изображениями и селективным подавлением сигнала от жировой ткани.

Обоснование. Область лабораторной медицины в связи с нарастающим потоком данных нуждается в автоматизации и стандартизации рутинных процессов для разгрузки медицинских работников и высвобождения их времени на решение более специализированных задач. Модели машинного обучения и искусственные нейронные сети помогают распознавать изображения и анализировать большие массивы данных, что потенциально позволяет внедрить их в работу лабораторий для решения рутинных задач.

Цель исследования. Проанализировать мировую литературу в области применения технологий искусственного интеллекта в лабораторной медицине, оценить их возможности в отношении решения существующих задач, а также выявить возможные проблемы, затрудняющие внедрение искусственного интеллекта в лабораторные процессы.

Методы. Поиск работ проводили в поисковой системе PubMed, на сайтах производителей готовых лабораторных решений и в списках литературы других обзоров. Кроме того, использовали программу для управления библиографической информацией Mendeley. Временной интервал — 2019–2024 гг. Из найденных публикаций извлекали библиометрические данные, область исследований, основные методические характеристики, значения диагностической эффективности искусственного интеллекта и медицинских работников, число и опыт задействованных медицинских специалистов, подтверждённые результаты его внедрения. Качество исследований оценивали с помощью модифицированного опросника QUADAS-CAD.

Результаты. Всего в обзор включили 23 публикации, в которых представлены исследования на преаналитическом, аналитическом и постааналитическом этапах лабораторного анализа — 1, 19 и 3 соответственно. Большинство исследований проведено в области цитологии и микробиологии — 48 и 35% соответственно. Искусственный интеллект демонстрирует высокую эффективность в отношении решения задач на всех этапах лабораторного процесса. Кроме того, его диагностическая точность сопоставима с уровнем медицинских работников, а скорость принятия решений значительно выше. Тем не менее во всех работах наблюдали риск систематической ошибки, что связано с несбалансированностью выборок, отсутствием внешней валидации данных, а также точного их описания и методов анализа.

Заключение. Искусственный интеллект обладает высоким потенциалом в отношении диагностической точности и скорости работы, что делает его перспективным инструментом для внедрения в лабораторную практику и автоматизации рутинных процессов. Однако для этого необходимо стандартизировать методики исследования искусственного интеллекта для снижения риска систематических ошибок, установить референсные значения для лабораторий с целью обеспечения воспроизводимости и обобщаемости результатов, повысить осведомлённость медицинских работников и пациентов о принципах его работы для преодоления предубеждений, а также разработать надёжные механизмы защиты персональных данных при использовании искусственного интеллекта.

Ранняя диагностика аневризм грудного отдела аорты и патологического расширения лёгочного ствола имеет решающее значение для предотвращения серьёзных осложнений, включая разрыв сосудистой стенки и острую правожелудочковую недостаточность, а также для снижения смертности от сердечно-сосудистых заболеваний. В представленном обзоре рассматриваются современные подходы к визуализации этих патологий, с акцентом на использование компьютерной томографии в качестве «золотого стандарта». Отдельное внимание уделено внедрению технологий искусственного интеллекта, которые позволяют автоматически сегментировать сосудистые структуры, измерять их диаметр и проводить оппортунистический скрининг, выявляя скрытые патологии на ранних стадиях без необходимости проведения дополнительных исследований, что снижает нагрузку на врачей-рентгенологов и повышает качество медицинской помощи. Подробно анализируется опыт Московского эксперимента, в рамках которого использование технологий искусственного интеллекта в анализе медицинских изображений показало высокую чувствительность, воспроизводимость и сокращение времени описания. Несмотря на значительные преимущества, подчёркивается необходимость контроля результатов работы искусственного интеллекта специалистами для обеспечения точности и надёжности диагностики. Также отмечается актуальность адаптации алгоритмов к разным протоколам сканирования и популяционным особенностям. Кроме того, подчёркивается важность междисциплинарного взаимодействия кардиологов, рентгенологов, инженеров-данных и разработчиков программного обеспечения для для эффективного внедрения в рутинную клиническую деятельность. В заключение делается вывод о значительном потенциале технологий искусственного интеллекта для повышения качества диагностики и подчёркивается необходимость дальнейших клинических исследований и стандартизации методик для их успешной интеграции в повседневную практику.

Протоковая аденокарцинома поджелудочной железы является наиболее распространённым типом рака поджелудочной железы, который в 80–85% случаев отличается прогрессирующим течением или наличием отдалённых метастатических очагов. Несмотря на успехи в изучении протоковой аденокарциномы поджелудочной железы, она по-прежнему имеет неблагоприятный прогноз ввиду поздней диагностики и ограниченных возможностей лечения на поздних стадиях заболевания. В последние годы применяют обработку изображений с помощью искусственного интеллекта для её диагностики, которая показала многообещающие результаты. В данном обзоре обобщены современные литературные данные и оценена роль искусственного интеллекта в области визуализации и ранней диагностики протоковой аденокарциномы поджелудочной железы, а также выявлены нерешённые вопросы, требующие проведения дальнейших исследований. Поиск публикаций проведён в поисковых системах PubMed, Google Scholar и eLibrary. Его осуществляли с помощью следующих ключевых слов на русском и английском языках: «ранняя диагностика рака поджелудочной железы», «искусственный интеллект», «протоковая аденокарцинома поджелудочной железы», «медицинская визуализация», «наночастицы», «pancreatic cancer», «artificial intelligence», «early diagnosis pancreatic ductal adenocarcinoma», «pancreatic cancer imaging». В области раннего выявления протоковой аденокарциномы поджелудочной железы с помощью технологий искусственного интеллекта наблюдают значительный прогресс. Современные подходы включают стратификацию риска до визуализации и увеличение объёма анализируемых данных с помощью оценки электронных медицинских карт. Несмотря на значительные успехи, внедрение технологий искусственного интеллекта в клиническую практику всё ещё сопряжено с различными проблемами. В свою очередь, их совместное использование с биомаркёрами представляет перспективное направление для дальнейших исследований, способное улучшить тераностику различных злокачественных новообразований, включая протоковую аденокарциному поджелудочной железы.

Настоящей редакционной статьёй вводится новый порядок рассмотрения рукописей, содержащих описание оригинальных исследований. Начиная со следующего года принятие таких рукописей к рассмотрению станет возможным только при их соответствии рекомендациям публикационных руководств из библиотеки EQUATOR (Enhancing the QUAlity and Transparency Of health Research) Network и наличии заключения этического комитета, полученного на этапе планирования исследования. Расширен перечень сведений, которые необходимо представить в рукописи при её подаче в журнал. После введения в действие указанных правил в полном объёме обязательным условием принятия рукописи к рассмотрению станет регистрация исследования до его начала и представление в редакцию первичных данных исследования с последующей (в случае принятия работы к печати) их публикацией. Цель вводимых изменений — реализовать переход от «органического роста» журнала к контролируемому развитию с соблюдением принципов добросовестности в науке.