Искусственный интеллект в онкологии: мировой опыт использования и перспективы развития

Цель: провести анализ зарубежного опыта применения искусственного интеллекта (ИИ) в онкологии, рассмотреть современные достижения ИИ, его влияние на клиническую практику.

Материал и методы. Выполнен обзор зарубежной литературы, проведен анализ текущих программ и технологий ИИ в онкологии. Общее количество идентифицированных записей при поиске в базе данных PubMed/MEDLINE составило 7680. После отбора публикаций, проводившегося в соответствии с рекомендациями PRISMA, в обзор методом случайного отбора было включено 32 исследования, которые соответствовали всем критериям и легли в основу анализа.

Результаты. ИИ демонстрирует высокую эффективность в диагностике рака, включая раннее выявление опухолей, оценку медицинских изображений и патологических данных. Анализ публикаций по использованию моделей ИИ в онкологии показал экспоненциальный рост с 2010 по 2022 гг., подтверждая активное развитие области. Заключения программ диагностики и лечения с технологиями ИИ показали точность, сопоставимую с заключениями опытных онкологов, и способность улучшать клинические результаты. Внедрение ИИ также стимулирует развитие персонализации лечения, повышение приверженности пациентов к терапии и оптимизацию работы медицинских организаций. Выявлены уровни влияния ИИ: на врачей (снижение ошибок диагностики и лечения), пациентов (персонализация поддержки) и больницы (создание «умных» систем управления).

Заключение. ИИ становится неотъемлемой частью современной онкологии, предлагая новые возможности для улучшения диагностики, лечения, прогнозирования исходов и поддержки пациентов. Исследование динамики публикаций и моделей ИИ указывает, что использование ИИ в клинической онкологии активно развивается, что открывает новые перспективы для создания «умных» больниц, упрощения обмена медицинскими данными, развития персонализированной медицины и повышения качества лечения пациентов. Интеграция ИИ с новыми технологиями, такими как носимые устройства и мультимодальный анализ, обещает революционные изменения в онкологической практике.

1. Kaul V., Enslin S., Gross S.A. History of artificial intelligence in medicine. Gastrointest Endosc. 2020; 92 (4): 807–12. https://doi.org/10.1016/j.gie.2020.06.040.

2. Hamamoto R., Suvarna K., Yamada M., et al. Application of artificial intelligence technology in oncology: towards the establishment of precision medicine. Cancers. 2020; 12 (12): 3532. https://doi.org/10.3390/cancers12123532.

3. Bhinder B., Gilvary C., Madhukar N.S., Elemento O. Artificial intelligence in cancer research and precision medicine. Cancer Discov. 2021; 11 (4): 900–15. https://doi.org/10.1158/2159-8290.CD-21-0090.

4. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. Искусственный интеллект: основные термины и понятия, применение в здравоохранении и клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (3): 409–15. https://doi.org/10.17749/2070-4909/farmakoekonomika. 2024.267.

5. Siegel R.L., Miller K.D., Fuchs H.E., Jemal A. Cancer statistics, 2021. CA Cancer J Clin. 2021; 71 (1): 7–33. https://doi.org/10.3322/caac.21654.

6. McKinney S.M., Sieniek M., Godbole V., et al. International evaluation of an AI system for breast cancer screening. Nature. 2020; 577 (7788): 89–94. https://doi.org/10.1038/s41586-019-1799-6.

7. Katzman J.L., Shaham U., Cloninger A., et al. DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Med Res Methodol. 2018; 18 (1): 24. https://doi.org/10.1186/s12874-018-0482-1.

8. Zadeh Shirazi A., Tofighi M., Gharavi A., Gomez G.A. The application of artificial intelligence to cancer research: a comprehensive guide. Technol Cancer Res Treat. 2024; 23: 15330338241250324. https://doi.org/10.1177/15330338241250324.

9. Itahashi K., Kondo S., Kubo T., et al. Evaluating clinical genome sequence analysis by Watson for Genomics. Front Med. 2018; 5: 305. https://doi.org/10.3389/fmed.2018.00305.

10. Guitton T., Allaume P., Rabilloud N., et al. Artificial intelligence in predicting microsatellite instability and KRAS, BRAF mutations from whole-slide images in colorectal cancer: a systematic review. Diagnostics. 2023; 14 (1): 99. https://doi.org/10.3390/diagnostics14010099.

11. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019; 25 (1): 44–56. https://doi.org/10.1038/s41591-018-0300-7.

12. Somashekhar S.P., Sepúlveda M.J., Puglielli S., et al. Watson for oncology and breast cancer treatment recommendations: agreement with an expert multidisciplinary tumor board. Ann Oncol. 2018; 29 (2): 418–23. https://doi.org/10.1093/annonc/mdx781.

13. McKinney S.M., Sieniek M., Godbole V., et al. International evaluation of an AI system for breast cancer screening. Nature. 2020; 577 (7788): 89–94. https://doi.org/10.1038/s41586-019-1799-6.

14. Dacic S., Travis W.D., Giltnane J.M., et al., Artificial intelligence (AI)- powered pathologic response (PathR) assessment of resection specimens after neoadjuvant atezolizumab in patients with non-small cell lung cancer: results from the LCMC3 study. J Clin Oncol. 2021; 39 (15): 106. https://doi.org/10.1200/JCO.2021.39.15_suppl.106.

15. Beaubier N., Tell R., Lau D., et al. Clinical validation of the tempus xT next-generation targeted oncology sequencing assay. Oncotarget. 2019; 10 (24): 2384–96. https://doi.org/10.18632/oncotarget.26797.

16. Coombs L., Orlando A., Wang X., et al. A machine learning framework supporting prospective clinical decisions applied to risk prediction in oncology. Digit Med. 2022; 5: 117. https://doi.org/10.1038/s41746-022-00660-3.

17. Bhattacharya S., Saleem S.M., Singh A., et al. Empowering precision medicine: regenerative AI in breast cancer. Front Oncol. 2024; 14: 1465720. https://doi.org/10.3389/fonc.2024.

18. Kim E.Y., Kim Y.J., Choi W.J., et al. Concordance rate of radiologists and a commercialized deep-learning solution for chest X-ray: real-world experience with a multicenter health screening cohort. PLoS One. 2022; 17 (2): e0264383. https://doi.org/10.1371/journal.pone.0264383.

19. Hussain S., Ali M., Naseem U., et al. Breast cancer risk prediction using machine learning: a systematic review. Front Oncol. 2024; 14: 1343627. https://doi.org/10.3389/fonc.2024.

20. Singh R.S., Masih G.D., Joshi R., et al. Chapter Five – Role of artificial intelligence in cancer diagnostics and therapeutics. In: Sobti R.C., Ganju A.K., Sobti A. (Eds) Biomarkers in cancer detection and monitoring of therapeutics. Academic Press; 2023: 83–97. https://doi.org/10.1016/B978-0-323-95116-6.00015-3.

21. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (2): 243–50. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.254.

22. Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114–24. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.287.

23. Storås A.M., Strümke I., Riegler M.A., et al. Artificial intelligence in dry eye disease. Ocul Surf. 2022; 23: 74–86. https://doi.org/10.1016/j.jtos.2021.11.004.

24. Xu F., Wan C., Zhao L., et al. Predicting post-therapeutic visual acuity and OCT images in patients with central serous chorioretinopathy by artificial intelligence. Front Bioeng Biotechnol. 2021; 9: 649221. https://doi.org/10.3389/fbioe.2021.649221.

25. Tschandl P., Codella N., Akay B.N., et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019; 20 (7): 938–47. https://doi.org/10.1016/S1470-2045(19)30333-X.

26. Kann B.H., Hosny A., Aerts H. Artificial intelligence for clinical oncology. Cancer Cell. 2021; 39 (7): 916–27. https://doi.org/10.1016/j.ccell.2021.04.002.

27. De Silva D., Ranasinghe W., Bandaragoda T., et al. Machine learning to support social media empowered patients in cancer care and cancer treatment decisions. PLoS One. 2018; 13 (10): e0205855. https://doi.org/10.1371/journal.pone.0205855.

28. Abidi S.S. Knowledge management in healthcare: towards “knowledge-driven” decision-support services. Int J Med Inform. 2001; 63 (1–2): 5–18. https://doi.org/10.1016/s1386-5056(01)00167-8.

29. Hung C.Y., Chen H.Y., Wee L.J., et al. Deriving a novel health index using a large-scale population based electronic health record with deep networks. Annu Int Conf IEEE Eng Med Biol Soc. 2020; 2020: 5872–5. https://doi.org/10.1109/EMBC44109.2020.9176454.

30. Smrke U., Mlakar I., Lin S., et al. Language, speech, and facial expression features for artificial intelligence-based detection of cancer survivors' depression: scoping meta-review. JMIR Ment Health. 2021; 8 (12): e30439. https://doi.org/10.2196/30439.

31. Kang Y., Kim Y.J., Park S., et al. Development and operation of a digital platform for sharing pathology image data. BMC Med Inform Decis Mak. 2021; 21 (1): 114. https://doi.org/10.1186/s12911-021-01466-1.

32. Li J., Tian Y., Li R., et al. Improving prediction for medical institution with limited patient data: leveraging hospital-specific data based on multicenter collaborative research network. Artif Intell Med. 2021; 113: 102024. https://doi.org/10.1016/j.artmed.2021.102024.