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.

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 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.

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.

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.

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].

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.

1. Разновидность искусственных нейронных сетей, которые состоят из множества слоев для обработки информации, что позволяет глубже анализировать информацию, прежде чем выдавать результат. 2. Метод визуализации и анализа, используемый для систематизации и упрощения процесса принятия решений. Информация представлена в виде древовидной структуры, где каждый узел представляет собой вопрос или условие, а ветви – возможные решения, ответы или исходы.