Современное клиническое применение искусственного интеллекта в медицинской визуализации

В настоящее время искусственный интеллект (ИИ) весьма эффективно развивается, а его приложения ценны во многих областях науки, в том числе и медицинской, – главным образом из-за его способности обеспечить точность, объективность и автоматизацию. Стремительное развитие диагностических технологий предоставляет возможность внедрять в современную медицину инновационные решения с применением ИИ, позволяющего разгрузить медицинских работников за счет ускорения процесса диагностики и в то же время повысить его качество, а также эффективность последующего специального лечения. В обзоре кратко представлены текущее состояние знаний и ряд существующих моделей ИИ, используемых в повседневной практике в сфере медицинской визуализации. Показано, что ИИ обладает огромным потенциалом для преобразования рентгенодиагностики и других областей медицины, особенно при анализе медицинских изображений. Несмотря на трудности, связанные с внедрением ИИ в практическую деятельность, такие как необходимость надлежащего обучения персонала и этические проблемы, преимущества его применения весьма значительны. ИИ может помочь повысить точность диагностики, ускорить сам процесс диагностирования и сократить расходы на медицинское обслуживание. Дальнейшее развитие технологий ИИ в сочетании с постоянным сотрудничеством между российскими разработчиками ИИ и медицинскими работниками будет способствовать еще большим достижениям в области здравоохранения, которые принесут несомненную пользу как пациентам, так и персоналу лечебных учреждений.

1. Ghaffar Nia N, Kaplanoglu E, Nasab A. Evaluation of artificial intelligence techniques in disease diagnosis and prediction. Discov Artif Intell. 2023; 3: 5. https://doi.org/10.1007/s44163-023-00049-5.

2. Kumar Y, Koul A, Singla R, Ijaz MF. Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing framework and future research agenda. J Ambient Intell Humaniz Comput. 2022; 14(7): 8459–86. https://doi.org/10.1007/s12652-021-03612-z.

3. Hosny A., Parmar C., Quackenbush J., et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018; 18(8): 500–10. https://doi.org/10.1038/s41568-018-0016-5.

4. Waldstein SM, Seeböck P, Donner R, et al. Unbiased identification of novel subclinical imaging biomarkers using unsupervised deep learning. Sci Rep. 2020; 10: 12954. https://doi.org/10.1038/s41598-020-69814-1.

5. Plested J, Gedeon T. Deep transfer learning for image classification: an overview. arXiv:2205.09904. https://doi.org/10.48550/arXiv.2205.09904.

6. Alowais SA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023; 23(1): 689. https://doi.org/10.1186/s12909-023-04698-z.

7. Sinha A, Dolz J. Multi-scale self-guided attention for medical image segmentation. IEEE J Biomed Health Inform. 2021; 25(1): 121–30. https://doi.org/10.1109/JBHI.2020.2986926.

8. Popescu D, Stanciulescu A, Pomohaci MD, Ichim L. Decision support system for liver lesion segmentation based on advanced convolutional neural network architectures. Bioengineering. 2022; 9(9): 467. https://doi.org/10.3390/bioengineering9090467.

9. Altini N, Brunetti A, Puro E, et al. NDG-CAM: nuclei detection in histopathology images with semantic segmentation networks and grad-CAM. Bioengineering. 2022; 9(9): 475. https://doi.org/10.3390/bioengineering9090475.

10. van de Sande D, Sharabiani M, Bluemink H, et al. Artificial intelligence based treatment planning of radiotherapy for locally advanced breast cancer. Phys Imaging Radiat Oncol. 2021; 20: 111–6. https://doi.org/10.1016/j.phro.2021.11.007.

11. Schork NJ. Artificial intelligence and personalized medicine. Cancer Treat Res. 2019; 178: 265–83. https://doi.org/10.1007/978-3-030-16391-4_11.

12. Uddin M, Wang Y, Woodbury-Smith M. Artificial intelligence for precision medicine in neurodevelopmental disorders. NPJ Digit Med. 2019; 2: 112. https://doi.org/10.1038/s41746-019-0191-0.

13. Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial intelligence in surgery: promises and perils. Ann Surg. 2018; 268(1): 70–6. https://doi.org/10.1097/SLA.0000000000002693.

14. Lee W, Shin H., Chang MC. Deep learning algorithm to evaluate cervical spondylotic myelopathy using lateral cervical spine radiograph. BMC Neurol. 2022; 22(1): 147. https://doi.org/10.1186/s12883-022-02670-w.

15. Xu JH, Zhou XM, Ma JL, et al. Application of convolutional neural network to risk evaluation of positive circumferential resection margin of rectal cancer by magnetic resonance imaging. Zhonghua Wei Chang Wai Ke Za Zhi. 2020; 23(6): 572–7 (in Chinese). https://doi.org/10.3760/cma.j.cn.441530-20191023-00460.

16. Obuchowicz R, Strzelecki M, Piórkowski A. Clinical applications of artificial intelligence in medical imaging and image processing – a review. Cancers. 2024; 16(10): 1870. https://doi.org/10.3390/cancers16101870.

17. Barragán-Montero A, Javaid U, Valdés G, et al. Artificial intelligence and machine learning for medical imaging: a technology review. Phys Med. 2021; 83: 242–56. https://doi.org/10.1016/j.ejmp.2021.04.016.

18. Khalifa M, Albadawy M. Artificial Intelligence for clinical prediction: exploring key domains and essential functions. Comput Methods Programs Biomed Update. 2024; 5: 100148. . https://doi.org/10.1016/j.cmpbup.2024.100148.

19. Lee GW, Shin H, Chang MC. Deep learning algorithm to evaluate cervical spondylotic myelopathy using lateral cervical spine radiograph. BMC Neurol. 2022; 22(1): 147. https://doi.org/10.1186/s12883-022-02670-w.

20. Abdelrahman K, Shiyovich A, Huck DM, et al. Artificial intelligence in coronary artery calcium scoring detection and quantification. Diagnostics. 2024; 14(2): 125. https://doi.org/10.3390/diagnostics14020125.

21. Muzammil MA, Javid S, Afridi AK, et al. Artificial intelligenceenhanced electrocardiography for accurate diagnosis and management of cardiovascular diseases. J Electrocardiol. 2024; 83: 30–40. https://doi.org/10.1016/j.jelectrocard.2024.01.006.

22. Seah JCY, Tang JSN, Kitchen A, et al. Chest radiographs in congestive heart failure: visualizing neural network learning. Radiology. 2019; 290(2): 514–22. https://doi.org/10.1148/radiol.2018180887.

23. Reza-Soltani S, Fakhare Alam L, Debellotte O, et al. The role of artificial intelligence and machine learning in cardiovascular imaging and diagnosis. Cureus. 2024; 16(9): e68472. https://doi.org/10.7759/cureus.68472.

24. Pezel T, Toupin S, Bousson V, et al. A machine learning model using cardiac CT and MRI data predicts cardiovascular events in obstructive coronary artery disease. Radiology. 2025; 314(1): e233030. https://doi.org/10.1148/radiol.233030.

25. Леденев В.В., Солодкий В.А., Нуднов Н.В., Сотников В.М. Количественные характеристики лучевого повреждения легочной ткани у онкологических пациентов при лучевой терапии на основании данных РКТ. Медицинская визуализация. 2022; 26(4): 60–74. https://doi.org/10.24835/1607-0763-1182.

26. Морозов С.П., Владзимирский А.В., Гомболевский В.А. и др. Искусственный интеллект в скрининге рака легкого: оценка диагностической точности алгоритма для анализа низкодозовых компьютерных томографий. Туберкулез и болезни легких. 2020; 98(8): 24–31. https://doi.org/10.21292/2075-1230-2020-98-8-24-31.

27. Рожкова Н.И. Технологии искусственного интеллекта и системной биологии в онкомаммоскрининге. URL: https://rusmammo.ru/tehnologii-iskusstvennogo-intellektai-sistemnoj-biologii-v-onkomammoskrininge-rozhkovanadezhda-ivanovna/ (дата обращения 12.09.2024).

28. Солодкий В.А., Каприн А.Д., Нуднов Н.В. и др. Искусственный интеллект в скрининге рака молочной железы (литературный обзор). URL: http://vestnik.rncrr.ru/vestnik/v22/docs/solodkiy_t4.pdf (дата обращения 12.09.2024).

29. Солодкий В.А., Каприн А.Д., Нуднов Н.В. и др. Современные системы поддержки принятия врачебных решений на базе искусственного интеллекта для анализа цифровых маммографических изображений. Вестник рентгенологии и радиологии. 2023; 104(2): 151–62. https://doi.org/10.20862/0042-4676-2023-104-2-151-162.

30. Солодкий В.А., Каприн А.Д., Нуднов Н.В. и др. Возможности искусственного интеллекта в оценке риска рака молочной железы на маммографических изображениях (клинические примеры). Вестник Российского научного центра рентгенорадиологии. 2023; 23(1): 24–31. Solodkiy VA, Kaprin AD, Nudnov NV, et al. The possibilities of artificial intelligence in breast cancer risk assessment on mammographic images (clinical examples). Vestnik of the Russian Scientific Center of Roentgenoradiology. 2023; 23(1): 24–31 (in Russ).

31. Quanyang W, Yao H, Sicong W, et al. Artificial intelligence in lung cancer screening: detection, classification, prediction, and prognosis. Cancer Med. 2024; 13(7): e7140. https://doi.org/10.1002/cam4.7140.

32. de Koning HJ, van der Aalst CM, de Jong PA, et al. Reduced lung-cancer mortality with volume CT screening in a randomized trial. N Engl J Med. 2020; 382(6): 503–13. https://doi.org/10.1056/NEJMoa1911793.

33. Huang KL, Wang SY, Lu WC, et al. Effects of low-dose computed tomography on lung cancer screening: a systematic review, meta-analysis, and trial sequential analysis. BMC Pulm Med. 2019; 19(1): 126. https://doi.org/10.1186/s12890-019-0883-x.

34. National Lung Screening Trial Research Team. Lung cancer incidence and mortality with extended follow-up in the National Lung Screening Trial. J Thorac Oncol. 2019; 14(10): 1732–42. https://doi.org/10.1016/j.jtho.2019.05.044.

35. Pastorino U, Sverzellati N, Sestini S, et al. Ten-year results of the multicentric Italian lung detection trial demonstrate the safety and efficacy of biennial lung cancer screening. Eur J Cancer. 2019; 118: 142–8. https://doi.org/10.1016/j.ejca.2019.06.009.

36. Polat G, Halici U, Dogrusoz YS. False positive reduction in lung computed tomography images using convolutional neural networks. arXiv:1811.01424. https://doi.org/10.48550/arXiv.1811.01424.

37. Морозов С.П., Владзимирский А.В., Гомболевский В.А. и др. Искусственный интеллект в скрининге рака легкого: оценка диагностической точности алгоритма для анализа низкодозовых компьютерных томографий. Туберкулез и болезни легких. 2020; 98(8): 24–31. https://doi.org/10.21292/2075-1230-2020-98-8-24-31.

38. WHO position paper on mammography screening. Available at: https://www.who.int/publications/i/item/9789241507936 (accessed 12.09.2024).

39. Wang Z, Zhang X, Wang X, et al. Deep learning techniques for imaging diagnosis of renal cell carcinoma: current and emerging trends. Front Oncol. 2023; 13: 1152622. https://doi.org/10.3389/fonc.2023.1152622.

40. Luchini C, Pea A, Scarpa A. Artificial intelligence in oncology: current applications and future perspectives. Br J Cancer. 2022; 126(1): 4–9. https://doi.org/10.1038/s41416-021-01633-1.

41. Koh DM, Papanikolaou N, Bick U, et al. Artificial intelligence and machine learning in cancer imaging. Commun Med. 2022; 2: 133. https://doi.org/10.1038/s43856-022-00199-0.

42. Yedavalli VS, Tong E, Martin D, et al. Artificial intelligence in stroke imaging: current and future perspectives. Clin Imaging. 2021; 69: 246–54. https://doi.org/10.1016/j.clinimag.2020.09.005.

43. Soun JE, Chow DS, Nagamine M, et al. Artificial intelligence and acute stroke imaging. AJNR Am J Neuroradiol. 2021; 42(1): 2–11. https://doi.org/10.3174/ajnr.A6883.

44. Lui YW, Chang PD, Zaharchuk G, et al. Artificial intelligence in neuroradiology: current status and future directions. AJNR Am J Neuroradiol. 2020; 41(8): E52–9. https://doi.org/10.3174/ajnr.A6681.

45. Регентова О.С., Солодкий В.А., Боженко В.К. и др. Радиомический анализ данных в нейроонкологии. Вестник Российского научного центра рентгенорадиологии. 2024; 24(2): 69–77.

46. Hussain A, Fareed A, Taseen S. Bone fracture detection-Can artificial intelligence replace doctors in orthopedic radiography analysis? Front Artif Intell. 2023; 6: 1223909. https://doi.org/10.3389/frai.2023.1223909.

47. Dell'Aria A, Tack D, Saddiki N, et al. Radiographic detection of post-traumatic bone fractures: contribution of artificial intelligence software to the analysis of senior and junior radiologists. J Belg Soc Radiol. 2024; 108(1): 44. https://doi.org/10.5334/jbsr.3574.

48. Gurung B, Liu P, Harris PDR, et al. Artificial intelligence for image analysis in total hip and total knee arthroplasty: a scoping review. Bone Joint J. 2022; 104-B(8): 929–37. https://doi.org/10.1302/0301-620X.104B8.BJJ-2022-0120.R2.

49. Нуднов Н.В., Коробов А.В., Скачков А.А. и др. Оценка качества работы искусственного интеллекта в выявлении дегенеративных заболеваний пояснично-крестцового отдела позвоночника. Вестник рентгенологии и радиологии. 2024; 105(1): 20–8. https://doi.org/10.20862/0042-4676-2024-105-1-20-28.

50. Русаков А.С., Тумко В.В., Сарбаев Р.С. и др. Модель нейронной сети для выявления и классификации стенозов пояснично-крестцового отдела позвоночника на МР-томограммах. Медицинская визуализация. 2025; 29(1): 102–12. https://doi.org/10.24835/1607-0763-1436.

51. Kim D, Lee JH, Kim SW, et al. Quantitative measurement of pneumothorax using artificial intelligence management model and clinical application. Diagnostics. 2022; 12(8): 1823. https://doi.org/10.3390/diagnostics12081823.

52. Hunter JG, Pierce JD, Gilkeson RC, et al. clinical implementation of an artificial intelligence tool in the detection and management of pneumothoraces in patients with COVID-19. Cureus. 2023; 15(7): e42509. https://doi.org/10.7759/cureus.42509.

53. Mascarenhas Saraiva M, Ribeiro T, Afonso J, et al. Artificial intelligence and capsule endoscopy: automatic detection of small bowel blood content using a convolutional neural network. GE Port J Gastroenterol. 2021; 29(5): 331–8. https://doi.org/10.1159/000518901.

54. Kumar R, Kang FU, Sharma A, et al. Modern applications of artificial intelligence in the detection of diseases of the gastrointestinal tract, liver and pancreas. Curr Med Chem. 2022; 29(1): 66–85. https://doi.org/10.2174/0929867328666210405114938.

55. Cardobi N, Dal Palù A, Pedrini F, et al. An overview of artificial intelligence applications in liver and pancreatic imaging. Cancers. 2021; 13(9): 2162. https://doi.org/10.3390/cancers13092162.

56. Johnson KB, Wei WQ, Weeraratne D, et al. Precision medicine, AI, and the future of personalized health care. Clin Transl Sci. 2021; 14(1): 86–93. https://doi.org/10.1111/cts.12884.

57. Quazi S. Artificial intelligence and machine learning in precision and genomic medicine. Med Oncol. 2022; 39(8): 120. https://doi.org/10.1007/s12032-022-01711-1.

58. Evans W, Meslin EM, Kai J, Qureshi N. Precision medicineare we there yet? A narrative review of precision medicine's applicability in primary care. J Pers Med. 2024; 14(4): 418. https://doi.org/10.3390/jpm14040418.