Искусственный интеллект в онкологии: мировой опыт использования и перспективы развития

ВВЕДЕНИЕ / INTRODUCTION

Искусственный интеллект (ИИ) активно трансформирует различные сферы жизнедеятельности, включая медицину. В онкологии ИИ открывает новые возможности для улучшения диагностики, лечения и прогнозирования исходов у пациентов с опухолевыми заболеваниями. Понимание эволюции ИИ и его современных достижений позволяет разрабатывать стратегии для дальнейшего развития этой технологии в медицине.

История ИИ началась в 1950 г., когда Алан Тьюринг предложил идею использования компьютеров для имитации разумного поведения [1]. В 1956 г. Джон Маккарти ввел термин «искусственный интеллект», определив его как «науку и инженерию создания интеллектуальных машин» [1][2]. Первоначально ИИ основывался на простых правилах «если, то», но со временем эволюционировал в сложные алгоритмы, способные имитировать процессы человеческого мышления [1].

Сегодня ИИ представляет собой мощный инструмент, применяемый в различных научных областях, включая онкологию [2–5]. Он позволяет анализировать большие объемы данных, выявлять закономерности и улучшать процесс принятия клинических решений. В прецизионной онкологии ИИ интегрирует данные мультиомного анализа, высокопроизводительные вычисления и методы глубокого обучения, что способствует развитию персонализированного подхода к лечению [3].

Области применения ИИ в онкологии включают раннее выявление и скрининг рака, диагностику, классификацию опухолей, анализ геномики рака, изучение микроокружения опухоли, оценку биомаркеров, а также разработку новых лекарственных препаратов [3–6].

Для понимания роли ИИ важно различать два ключевых понятия: машинное обучение и глубокое обучение. Машинное обучение – это способность алгоритмов обучаться на данных и улучшать свои прогностические модели, тогда как глубокое обучение – это подвид машинного обучения, использующий многослойные нейронные сети для достижения высокой точности анализа [3][4]. Оба подхода играют решающую роль во внедрении ИИ в онкологии.

Цель – провести анализ зарубежного опыта применения ИИ в онкологии, рассмотреть современные достижения ИИ, его влияние на клиническую практику.

МАТЕРИАЛ И МЕТОДЫ / MATERIAL AND METHODS

Поиск публикаций / Search for publications

Для проведения систематического обзора литературы был выполнен поиск публикаций в базе данных PubMed/MEDLINE. Поиск проводился с использованием комбинации ключевых слов и MeSH-терминов, ориентированных на области ИИ и онкологических заболеваний. Период поиска охватывал публикации с 2000 г. по 2025 г., чтобы рассмотреть современные достижения в области и динамику развития технологий ИИ с учетом актуальных исследований на момент подготовки статьи.

Использовался следующий запрос с ключевыми словами для поиска в заголовках и резюме [Title/Abstract] статей: ("artificial intelligence" "AI" OR "machine learning" OR "deep learning" OR "neural network" OR "computational intelligence" OR "machine intelligence") AND ("tumor" OR "neoplasm" OR "neoplasms"[MeSH] OR "cancer" OR "malignant" OR "oncology") AND ("therap*" OR "treatment" OR "chemotherapy" OR "radiotherapy" OR "immunotherapy" OR "drug therap*" OR "pharmacotherapy" OR "disease management") AND ("clinical" OR "patient" OR "clinic" OR "patients"[MeSH]) AND ("decision support" OR "precision medicine" OR "personalized medicine" OR "treatment outcome"[MeSH] OR "prognosis" OR "predictive" OR "algorithm").

Общее количество идентифицированных записей при поиске в базе данных PubMed/MEDLINE составило 7680.

Отбор публикаций / Selection of publications

Отбор публикаций проводился в соответствии с рекомендациями PRISMA (англ. Preferred Reporting Items for Systematic Reviews and Meta-Analyses) (рис. 1). На этапе скрининга (n=7680) были исключены 6985 записей по следующим причинам: 2096 – дубликаты, 1048 – неоригинальные статьи (обзоры, письма, редакционные материалы), 3841 – нерелевантные теме (не касались применения ИИ в онкологии или терапии). Оставшиеся 695 полных текстов были оценены на соответствие критериям включения.

Критерии включения: оригинальные статьи на английском языке, описывающие применение ИИ в терапии онкологических заболеваний (включая персонализированное лечение, прогнозирование исходов, оптимизацию терапии), клинические исследования, когортные исследования или валидационные работы, публикации с полными текстами.

Критерии исключения: нерелевантные теме, неклинические исследования, нерандомизированные клинические испытания, статьи не на английском языке, отсутствие доступного полного текста статьи.

На этапе оценки полных текстов (n=695) были исключены 137 записей: 104 – нерелевантные, 3 – не на английском языке, 6 – отсутствие полного текста, 24 – исследования, не предоставившие данных о клинической эффективности ИИ-приложений. В конечном итоге в обзор методом случайного отбора было включено 32 исследования, которые соответствовали всем критериям и легли в основу анализа.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ / RESULTS AND DISCUSSION

Развитие направления ИИ в онкологии / Development of AI in oncology

Злокачественные новообразования продолжают оставаться одной из основных причин смертности в мире, что делает совершенствование методов ранней диагностики, прогноза и персонализированного лечения критически важным [5].

В последние годы ИИ стал перспективным инструментом в этой области медицины, демонстрируя потенциал для революционных изменений в клинической практике. Например, системы на основе сверточных нейронных сетей (англ. convolutional neural networks, CNN) повышают точность обнаружения опухолей на маммограммах до 94%, сопоставимую с точностью опытных специалистов лучевой диагностики [6], а алгоритмы машинного обучения, такие как DeepSurv, позволяют прогнозировать выживаемость пациентов с глиобластомой на 18% точнее традиционных методов [7].

На рисунке 2 представлены данные о количестве научных статей, посвященных применению ИИ в исследованиях рака, а также о количестве моделей на основе ИИ, используемых для лечения различных видов онкологических заболеваний [8]. Эти данные отражают стремительное развитие данной области.

Большинство научных статей посвящено описанию программ под управлением ИИ для персональных компьютеров. При этом в научной литературе практически отсутствуют публикации, посвященные мобильным приложениям на основе ИИ для онкологии, что может быть объяснено низкой коммерческой заинтересованностью компаний: подобные продукты, как правило, распространяются через магазины приложений в свободном доступе и не закупаются медучреждениями напрямую, а врачи не готовы оплачивать подписки на приложения из-за сохраняющегося скепсиса относительно клинической эффективности ИИ.

Персонализированный подход также усиливается благодаря ИИ: платформы типа IBM Watson for Genomics анализируют геномные данные, результаты исследований, чтобы рекомендовать оптимальные схемы лечения [9]. В разработке лекарств генеративные модели (англ. generative adversarial networks, GANs) ускоряют создание таргетных препаратов, как в случае ингибиторов мутации в гене KRAS для колоректального рака [10].

Однако внедрение ИИ сталкивается с проблемами, включая необходимость валидации на разнородных данных и этические вопросы прозрачности алгоритмов [11]. Эксперты подчеркивают, что дальнейший прогресс требует стандартизации протоколов и междисциплинарного сотрудничества. В частности, анализ ключевых программ ИИ, применяемых в мировой онкологической практике, с оценкой их эффективности и перспектив показывает разнообразие подходов и интеграцию ИИ в клинические процессы (табл. 1) [12–20].

Анализ данных таблицы 1 указывает на новаторский потенциал ИИ в онкологии, раскрывая уникальные возможности современных платформ. Впервые систематизированы ключевые программы ИИ с акцентом на их новейшие достижения к 2025 г. Например, Google DeepMind Health демонстрирует улучшение эффективности на 2% в снижении диагностических ошибок за счет мультимодального анализа (изображения + текст), что открывает перспективы для комбинирования геномных данных с данными визуализации. PathAI и Lunit INSIGHT внедряют инновационные подходы к автоматизации патоморфологических исследований и скрининга онкологических заболеваний, достигая показателей чувствительности 95% и площади под кривой 0,96, что сопоставимо с экспертным уровнем. Применение Tempus в прецизионной онкологии выделяется повышением выживаемости больных на 15% благодаря анализу онкохирургических данных, а AiCure предлагает новаторский подход к мониторингу приверженности пациентов к лечению через носимые устройства.

Эти достижения подчеркивают новизну в интеграции ИИ с мультимодальными данными и автоматизацией проведения врачебных консилиумов, что ранее не применялось в таком масштабе. Однако новизна технологий сопряжена с вызовами: 70% программ сталкиваются с предвзятостью данных, а 60% – с проблемами конфиденциальности, что требует разработки новых стандартов и протоколов. Перспективы включают создание экосистем глобального скрининга, интеграцию с носимыми устройствами и автоматизацию «умных» клиник, что обещает революционные изменения в онкологической практике, снижая нагрузку на врачей на 20%, повышая эффективность терапии и улучшая клинические исходы.

Уровни влияния ИИ в онкологии / The AI impact levels in oncology

С развитием технологий ИИ будет больше интегрирован в клиническую работу по диагностике и лечению опухолей. Для целей скрининга и диагностики они могут быть внедрены в медицинские диагностические устройства для повышения точности и эффективности выявления злокачественных новообразований. В терапевтических целях технологии ИИ используются для принятия клинических решений в онкологии, проведения онкохирургических операций и лучевой терапии, а также для прогнозирования эффективности терапии и исхода лечения раковых заболеваний. Влияние ИИ в онкологии можно ощутить на трех уровнях: врач, пациент и больница.

Уровень «врач»

Основное влияние на уровне медицинских работников в онкологии заключается в том, что применение технологий ИИ может сократить количество регулярной повторяющейся работы и человеческих ошибок при диагностике и лечении раковых заболеваний. Применение ИИ в клинической онкологии способно значительно повысить эффективность, точность, согласованность и доступность диагностики и терапии злокачественных опухолей [21–25].

С развитием технологий и разработкой нового медицинского оборудования результаты исследований при диагностике и лечению онкологических больных быстро улучшаются. Экспоненциально растущий объем данных может быть получен на любом этапе клинического процесса лечения рака и применим к различным методам и моделям ИИ. Благодаря этому ИИ предоставляет более точные и достаточные медицинские данные, тем самым помогая врачам составить полное клиническое представление о каждом пациенте с опухолевым заболеванием и принимать обоснованные решения по персонализированной терапии.

Уровень «пациент»

ИИ может выявлять закономерности для конкретных групп пациентов с онкологическими заболеваниями и улучшать диагностику и лечение рака [26]. Например, он применялся для извлечения и анализа неструктурированных текстов, которые больные раком простаты публиковали на онлайн-платформе [27]. ИИ анализирует поведение пациентов, демографические данные, клинические факторы и эмоции. Результаты показали, что платформа повысила возможности пациентов в плане принятия индивидуальных решений, удовлетворения клинических и эмоциональных потребностей, что способствует расширению применения онлайн-платформ медицинской поддержки пациентов [27].

S.S. Abidi предложил информационную структуру, основанную на информационных технологиях, которая автоматически преобразовывает медицинские данные и генерирует сервисы поддержки принятия решений на основе знаний [28]. C.Y. Hung et al. разработали индекс здоровья с использованием глубокого обучения на основе крупномасштабных и долгосрочных данных о населении, электронных медицинских карт [29]. Более того, поскольку люди, пережившие рак, часто испытывают депрессию, ИИ можно использовать для выявления признаков депрессии в речи, языке и выражении лица, что будет способствовать раннему выявлению данного состояния и потенциально обеспечит более качественную поддержку таких пациентов [30].

На уровне пациента интеллектуальные носимые медицинские устройства могут собирать, анализировать и отображать физиологические данные человека с помощью датчиков, позволяя пользователям отслеживать изменения своих физических показателей в режиме реального времени и реагировать на них.

Уровень «больница»

Во всем мире наблюдается тенденция к созданию «умных» больниц. Развитие технологий ИИ и материалов для обработки данных оцифрует развитие специализированных онкологических клиник, ускорит внедрение в них цифровых медицинских услуг. Централизованное хранение данных о пациентах и обмен ими превратит больницы в огромные центры обработки данных.

Новые системы ИИ способны интегрировать работу больниц, врачей и пациентов, а также научные исследования в области онкологии. В связи с этим ИИ направлен на создание «умных» онкологических клиник путем модернизации таких систем, как электронные медицинские карты и логистические цепочки. Например, можно разработать подход на основе обработки естественного языка для синтеза структурированных электронных медицинских карт и клинических заметок.

Перспективы / Рrospects

ИИ в онкологии стремится улучшить обмен медицинскими данными и обеспечить их безопасность. Системы ИИ используются в этом процессе для обеспечения качества данных, упрощения загрузки изображений и снижения нагрузки на специалистов [31]. Кроме того, машинное обучение можно использовать для интеграции крупномасштабных сведений о пациентах из нескольких больниц, увеличивая размер базы данных и расширяя возможности обобщения для анализа.

Недавнее исследование объединило данные пациентов с колоректальным раком из разных клиник, преодолев несогласованность признаков и расхождение в распределении с помощью гибридных моделей трансферного обучения из нескольких центров в сочетании с глубокими нейронными сетями (англ. deep neural network, DNN)¹ и моделью дерева решений (англ. decision tree learning, DTL)². Такой подход обладает превосходной способностью к обобщению независимо от неоднородности данных [32].

ЗАКЛЮЧЕНИЕ / CONCLUSION

ИИ активно трансформирует онкологию, предлагая инновационные решения для диагностики, лечения и мониторинга онкологических заболеваний. Современные платформы ИИ, такие как IBM Watson for Oncology, Google DeepMind Health и ProFound AI, демонстрируют высокую точность и эффективность, сопоставимую с таковыми у опытных экспертов-онкологов. Эти технологии способствуют раннему выявлению рака, персонализации терапии и улучшению клинических исходов.

Исследование динамики публикаций и моделей ИИ, применяемых в онкологии, показало значительный рост их количества с 2010 по 2022 гг., что подчеркивает активное развитие этой области. Несмотря на существующие вызовы, такие как необходимость валидации данных и этические аспекты, ИИ обладает значительным потенциалом для улучшения клинической практики. Будущее онкологии связано с дальнейшей интеграцией ИИ в медицинские системы, что позволит создать более эффективные и персонализированные подходы к лечению рака.

Применение ИИ на уровне врачей сокращает человеческие ошибки и повышает эффективность, на уровне пациентов – обеспечивает персонализацию терапии и поддержку, а на уровне больниц – способствует созданию интегрированных цифровых экосистем. Дальнейший прогресс зависит от междисциплинарного сотрудничества, инвестиций в исследования и разработки нормативной базы, обеспечивающей безопасность и доступность технологий ИИ для всех пациентов.