Клинические перспективы применения искусственного интеллекта в акушерстве и гинекологии

Sone K. et al. Clinical Prospects for Artificial Intelligence in Obstetrics and Gynecology //JMA journal. – 2025. DOI: 10.31662/jmaj.2024-0197

Авторы статьи: Kenbun Sone, Ayumi Taguchi, Yuichiro Miyamoto, Mayuyo Uchino-Mori, Takayuki Iriyama, Yasushi Hirota, Yutaka Osuga

Оригинал статьи распространяется по лицензии CC BY 4.0

Перевод статьи: ©2025 ООО «Издательство «Открытые системы», распространяется по лицензии CC BY-NC-ND 4.0

Аннотация

В последние годы исследования в области искусственного интеллекта (ИИ) в медицинской сфере активно проводятся благодаря эволюции алгоритмов, таких как глубокое обучение, и достижениям в области аппаратного обеспечения, например, графическим процессорам, а некоторые такие медицинские устройства уже используются в клиниках. Также проводится все больше исследований ИИ в акушерстве и гинекологии. В этом обзоре обсуждаются последние исследования в каждой области. В сфере перинатологии описано применение ИИ при кардиотокографии, исследованиях по диагностике аномалий плода с помощью УЗИ, исследованиях по предлежанию плаценты с помощью магнитно-резонансной томографии (МРТ). В репродуктивной медицине проведены многочисленные исследования эффективности вспомогательных репродуктивных технологий, а также отбора подходящих ооцитов и хороших эмбрионов. Что касается злокачественных новообразований в гинекологии, имеется множество публикаций о диагностике с использованием МРТ и оценке прогноза на основании гистоморфологической картины при раке шейки матки, диагностике с использованием гистероскопии и прогнозировании молекулярных подтипов на основе гистоморфологической картины при раке эндометрия и диагностике с использованием МРТ и ультразвука, а также прогнозировании эффективности противоопухолевых препаратов при раке яичников. Однако проблемы, связанные с исследованиями ИИ, включают обработку личной информации, отсутствие регулирующего законодательства и прозрачность. Для проведения продвинутых исследований ИИ необходимо решить эти проблемы.

Введение

Первый бум ИИ произошел с 1950-х по 1960-е годы. Исследователи полагали, что могут разработать программы, имитирующие человеческий интеллект, и появились первые системы ИИ. За это время были разработаны поисковые алгоритмы и механизмы логического вывода. Однако технологии того времени имели ограничения в решении сложных проблем, и ИИ не достиг ожидаемых результатов. Это привело к первому снижению заинтересованности в отношении ИИ в 1970-х годах. Второй бум ИИ произошел в 1980-х годах, когда ИИ снова привлек внимание. Основным фактором этого стало развитие экспертных систем. Экспертные системы использовали специализированные знания в отдельных сферах для решения задач и применялись в таких областях, как бизнес-диагностика и поддержка принятия решений. Однако этот бум продлился недолго, так как стало ясно, что экспертные системы не справляются со сложностями реальных задач. Поэтому в начале 1990-х годов отмечен второй период снижения интереса к ИИ. После этих колебаний интереса к искусственному интеллекту (ИИ) наступил третий бум ИИ, и он стал незаменимым инструментом в нашей жизни [1, 2]. Причинами третьего бума ИИ являются рост применения больших данных, а также распространение Интернета и мобильных устройств, которые генерируют огромные объемы данных и делают большие наборы данных доступными для обучения ИИ. Разработка инновационных алгоритмов, особенно в области глубокого обучения, таких как сверточная нейронная сеть (CNN), значительно повысила эффективность ИИ. Достижения в области аппаратного обеспечения, такие как графические процессоры, позволили быстрее обрабатывать большие объемы данных и обучать модели глубокого обучения. Так, проведено огромное количество исследований ИИ в области медицины, производивших большое количество исследовательских отчетов об этих технологиях [3, 4].

Глубокое обучение эффективно в распознавании изображений, а ИИ анализирует данные изображений, таких как рентгенограммы, компьютерные томограммы и магнитно-резонансные томограммы (МРТ), способствуя ранней и более точной диагностике (5). Все больше медицинских устройств на основе ИИ регистрируют за рубежом и в Японии. В настоящем обзоре мы рассматриваем последние исследования ИИ в области акушерства и гинекологии.

Акушерство

Кардиотокография

Кардиотокография (КТГ) контролирует частоту сердечных сокращений плода (ЧСС) и сокращения матки и широко используется в качестве инструмента скрининга для определения состояния плода во время беременности и родов. Поэтому были проведены многочисленные исследования использования ИИ, связанные с КТГ.

Важным первым шагом в развитии автоматизации на основе ИИ, связанной с КТГ, является обнаружение ЧСС плода. Асфиксия, связанная с метаболическим ацидозом, является частой причиной гибели плода. Zhong с соавт. собрали 43 888 записей данных КТ�� рожениц. После фильтрации данных было использовано 2341 запись. Модель ИИ, разработанная в этом исследовании, CTG-NET, хорошо зарекомендовала себя при автоматизированном анализе ЧСС плода (6). Imane с соавт. разработали DeepCTGⓇ 1.0, модель, которая может прогнозировать ацидоз плода с использованием данных КТГ. В ней используются четыре характеристики (минимальные и максимальные базовые значения ЧСС плода и области акцелерации и децелерации), извлеченные из результатов 30-минутных КТГ. Модель была обучена и оценена с использованием трех различных наборов данных, включая значения pH крови артерии пуповины. Результаты были относительно хорошими, с площадью под кривой (AUC) 0,7–0,8 для прогнозирования pH крови артерии пуповины (< 7,05) [7]. Gude разработал модель искусственного интеллекта, чтобы различать поздние и переменные децелерации. Алгоритм, разработанный в этом исследовании, использовался для прогнозирования рН крови артерии пуповины. Алгоритм ансамблевой классификации продемонстрировал точность 85 % при прогнозировании ацидоза плода на основе признаков, извлеченных из данных КТГ [8]. Хотя исследования применения ИИ для КТГ демонстрируют точность, в настоящее время ИИ представляется недостаточным для практического применения при КТГ. В будущих исследованиях, по-видимому, необходимы бо́льшие размеры выборки для улучшения результатов.

Ультразвуковые исследования

В нескольких исследованиях в сфере перинатологии описано использование глубокого обучения для ультразвукового исследования плода. Чтобы применить машинное обучение к результатам УЗИ плода, важно точно обнаруживать небольшие структуры, такие как перегородка желудочка, которая динамически меняет форму с каждым ударом сердца и ее трудно обнаружить с помощью обычных методов сегментации. Код цветовой структуры (CSC) основан на использовании временных рядов и информации о поперечном сечении. Желудочковая перегородка была аннотирована с использованием 421 видео нормального эхокардиографического исследования плода у 211 беременных женщин. Сравнение между сегментацией с помощью CSC и обычными методами сегментации, DeepLab v3+ и U-net, показало, что CSC демонстрирует лучшие результаты со средними значениями перекрестной логической суммы 0,0224, 0,1519 и 0,5543, соответственно [9]. Tang c соавт. разработали модель генетического скрининга заболеваний с использованием глубокого обучения на основе информации о лице, полученной при ультразвуковом исследовании плода. Они разработали двухэтапную модель ансамблевого обучения Fgds-EL, основанную на ультразвуковых исследованиях и направленную на выявление генетических заболеваний по 932 изображениям. Генетические заболевания, рассмотренные в этом исследовании, в основном представляли собой трисомии 21, 13 и 18. Это исследование дало чувствительность и специфичность 0,92 и 0,97, соответственно, что сопоставимо с чувствительностью и специфичностью опытных специалистов в ультразвуковой диагностике; поэтому эта модель может служить в качестве метода скрининга генетических заболеваний плода в будущем [10]. Кистозная гигрома имеет частоту возникновения 1 случай на 8000 родов и связана с хромосомными аномалиями, такими как трисомия 21 и синдром Тернера. Walker с соавт. разработали алгоритм глубокого обучения для диагностики кистозной гигромы по ультразвуковым изображениям плода. Набор данных включал 129 случаев кистозной гигромы из 289 сагиттальных ультразвуковых изображений плода и 160 случаев нормальной толщины воротникового пространства в качестве контрольной группы. Общая модель показала хорошие результаты, демонстрируя точность 93 % (95 % доверительный интервал [ДИ]: 88–98 %), чувствительность 92 % (95 % ДИ: 79–100 %), специфичность 94 % (95 % ДИ: 91–96 %) и площадь под стандартной ROC-кривой 0,94 (95 % ДИ: 0,89–1,0) [11]. УЗИ плода является сложной областью в социальной реализации медицинских устройств ИИ, поскольку плод и его сердце являются движущимися объектами. Тем не менее, нацеливание на специфические для конкретных органов и заболеваний аномалии, а не на общие аномалии плода, может позволить использовать медицинские устройства с ИИ в клинической практике.

МРТ

МРТ может проводиться в перинатальном периоде, хотя и не так часто, как УЗИ, в зависимости от заболевания. Shahedi с соавт. использовали CNN для одновременной сегментации полости матки и плаценты при МРТ. Сеть впервые прошла обучение на МРТ у 181 пациента: 157 для обучения и 24 для валидации. Эффективность алгоритма сегментации оценивали с использованием МРТ у 60 дополнительных пациенток, не участвовавших в обучении, а средние коэффициенты подобия Dice для полости матки и плаценты составляли 92 % и 80 % соответственно, что указывает на отличную эффективность [12]. Кроме того, Lim с соавт. представили модель глубокого обучения для распознавания плода на МРТ [13].

Akazawa с соавт. разработали модель глубокого обучения для прогнозирования тяжелого кровотечения (интраоперационная кровопотеря > 2000 мл) на основе МРТ пациенток с предлежанием плаценты, информации о пациентке и данных анализа крови. Прогностическую способность этой модели оценивали путем сравнения с прогнозами акушеров и гинекологов. У 26 (54,2%) из 48 включенных пациенток была кровопотеря ≥ 2000 мл, а у 22 (45,8 %) — < 2000 мл. Мультимодальная модель глубокого обучения, разработанная акушерами и гинекологами, продемонстрировала точность 0,68, AUC 0,74 и медианную прогностическую способность 0,61 [14]. Zheng с соавт. разработали модель машинного обучения для прогнозирования приращения плаценты на основе МРТ и клинической информации, такой как хирургическое вмешательство на матке в анамнезе и предлежание плаценты, с AUC 0,85 [15]. Хотя МРТ относительно легко выполнимо в исследованиях ИИ, поскольку пациент, как правило, фиксирован, размер выборки таких исследований меньше, чем у исследований КТГ и эхокардиографии ввиду меньшей частоты обследования. Таким образом, необходимы новые алгоритмы с высокой точностью даже при небольших размерах выборки.

Прочие

С появлением новых диагностических критериев гестационного сахарного диабета (ГСД) диагностика ГСД стала более точной, что увеличило число подходящих пациенток и потенциально привело к финансовым и эмоциональным проблемам. Kurt с соавт. разработали модель выявления беременных женщин с риском ГСД с использованием глубокого обучения для снижения ненужных пероральных тестов на толерантность к глюкозе для беременных женщин без риска ГСД. Данные были получены проспективно на 489 беременных женщинах для разработки модели. Также была разработана новая модель поддержки принятия решений для ГСД, которая продемонстрировала 95 % чувствительность, 99 % специфичность и 98 % AUC (95 % ДИ: 0,95–1,00, p < 0,001) [16].

Кроме того, имеется несколько публикаций о модели прогнозирования способа родоразрешения. Используя машины опорных векторов, многослойные перцептроны и алгоритм случайного леса, Ramón с соавт. разработали модель машинного обучения для прогнозирования трех типов родоразрешения: кесарева сечения, нормальных родов и родов с инструментальным пособием. Эта модель прогнозировала режим родоразрешения для 25 038 родов с использованием 48 переменных в качестве входных слоев (например, возраста, количества родов в анамнезе, времени между отхождения вод и родоразрешением, использование индукции родов и наличие безболезненных родов). Точность прогноза кесарева сечения составила > 90 %, а потребность в инструментальном пособии в родах прогнозировалась на уровне 86 % [17].

Репродуктивная медицина

Также активно проводятся исследования ИИ в репродуктивной медицине. В Японии вспомогательные репродуктивные технологии (ВРТ) были одобрены в качестве покрываемого страховкой лечения в 2022 году. Поэтому исследования ИИ потенциально могут стать еще более популярными в будущем. При использовании ВРТ важно определить качество ооцитов. Targosz с соавт. разработали модель классификации ооцитов с использованием глубокого обучения по микроскопическим изображениям. В этом исследовании использовались два типа глубоких нейронных сетей: один для извлечения определенных областей изображений ооцитов, а другой для их классификации. Точность модели составила 0,957, что является хорошим результатом [18]. Кроме того, важно выявлять высококачественные сперматозоиды, и было проведено несколько исследований ИИ [19, 20, 21, 22]. Например, Sato с соавт. разработали модель ИИ для морфологической оценки сперматозоидов под микроскопом. Чувствительность и положительная прогностическая ценность для выявления аномальных и нормальных сперматозоидов составили 0,881 и 0,853 и 0,794 и 0,689 соответственно [22].

В нескольких ретроспективных исследованиях использовался ИИ для идентификации эмбрионов с высокой частотой имплантации и беременности [23, 24, 25, 26]. Khorsravi с соавт. разработали модель глубокого обучения (STORK) для отбора высококачественных эмбрионов с использованием большой коллекции покадровых изображений человеческих эмбрионов (приблизительно 50 000) из крупного центра репродуктивной медицины в США. Модель STORK демонстрировала AUC > 0,98, что было лучше, чем у отдельных культур эмбрионов. Клинические данные 2182 эмбрионов были использованы для создания дерева принятия решений с целью определения качества эмбрионов и возраста пациенток. Частота беременности варьировалась от 13,8 % (возраст > 41 года, низкое качество) до 66,3 % (возраст < 37 лет, высокое качество) [25]. Bormann с соавт. разработали модель глубокого обучения для отбора хороших эмбрионов из 97 клинических когорт пациенток (742 эмбриона) с использованием однократных изображений эмбрионов, полученных через 113 часов после экстракорпорального оплодотворения. Точность разработанной модели составила 90 %, превысив способность 15 обученных специалистов по культивированию эмбрионов идентифицировать хорошие эмбрионы [26].

Основной причиной неудачи имплантации и аборта является анеуплоидия эмбриона, и предимплантационное генетическое тестирование на анеуплоидию (PGTA) является одним из новейших методов идентификации анеуплоидных эмбрионов, поскольку оно позволяет проводить точный анализ количества хромосом [27, 28]. Тем не менее, PGTA является инвазивным и дорогостоящим тестом, и в настоящее время проводится несколько исследований по прогнозированию плоидности с помощью ИИ [29, 30, 31, 32]. Ma с соавт. ретроспективно проанализировали 3448 бластоцист из 979 интервальных циклов PGT и использовали глубокое обучение для разработки модели прогнозирования плоидности. Разработанная модель продемонстрировала AUC 0,612, которая увеличилась до 0,688 при добавлении клинико-эмбриологических признаков [32]. Таким образом, существует множество публикаций об исследованиях ИИ, связанных с АРТ. Тем не менее, точность является неудовлетворительной, и одобрено лишь несколько медицинских устройств с ИИ. Необходимы большие размеры выборки и новые модели глубокого обучения для расширения клинического применения.

Поскольку внутриматочные спайки и поражения, такие как полипы матки, могут привести к невозможности имплантации, было проведено исследование с использованием ИИ. Li с соавт. разработали модель глубокого обучения для прогнозирования исходов бесплодия после гистероскопического адгезиолизиса. Они использовали 4922 гистероскопических изображения 555 случаев внутриматочных спаек после гистероскопического адгезиолиза. Основным критерием оценки была способность прогнозировать беременность в течение 1 года после адгезиолизиса, достигнув AUC 0,95 [33]. Zhao с соавт. разработали модель глубокого обучения для точного обнаружения полипов эндометрия для резекции. Кроме того, был разработан алгоритм ассоциации смежных кадров видео для решения проблемы обнаружения нестабильных полипов. Модель была обучена на наборе данных из 11 839 изображений 323 случаев, а ее диагностическая эффективность была подтверждена с использованием двух наборов данных, включающих 431 случай, предоставленных двумя другими больницами. Результаты показали, что чувствительность на основе очагов поражений достигла 100 % и 92,0 % для двух наборов тестов соответственно [34].

Онкогинекология

Злокачественные новообразования шейки матки

Цитология шейки матки и скрининг на вирус папилломы человека имеют важное значение для диагностики рака шейки матки. Tao с соавт. разработали систему сортировки с использованием ИИ для прогнозирования очагов цервикальной интраэпителиальной неоплазии (CIN) 2+ (атипичные плоские клетки неопределенного значения) с использованием цитологического исследования ASCUS. Система достигла высокой чувствительности (92,9 %; 95 % ДИ: 75,0–98,8 %) и специфичности (49,7 %; 95 % ДИ: 45,6–53,8 %) [35].

Кольпоскопия используется для диагностики предраковой CIN и рака шейки матки на ранней стадии. Связь между использованием ИИ и кольпоскопией является актуальной областью исследований в акушерстве и гинекологии [36, 37, 38, 39, 40, 41, 42, 43]. Shinohara с соавт. разработали модель глубокого обучения для сегментации поражений CIN перед обработкой уксусной кислотой и получили хорошие результаты с точностью, прецизионностью и оценкой F1 0,894, 0,837 и 0,834 соответственно [43]. За рубежом используется оборудование для кольпоскопии, оборудованное ИИ. Ким с соавт. определили, улучшилась ли диагностическая способность четырех кольпоскопистов (2 квалифицированных и 2 неопытных) с системой Cerviray AIⓇ и без нее (AIDOT, Сеул, Корея). Чувствительность и специфичность повысились при использовании системы ИИ, направленной на прогнозирование и диагностику поражений при кольпоскопии [44]. В этом исследовании приняли участие 19 435 пациентов из шести больниц по всему Китаю. Набор данных включал кольпоскопические изображения, клиническую информацию и результаты патоморфологических исследований (золотой стандарт). Согласованность между обнаруженной на кольпоскопии патологией и местом поражения, оцененным с помощью CAIADS, была выше, чем при интерпретации кольпоскопистами [45]. Cho с соавт. разработали модель глубокого обучения для диагностики CIN1, CIN2, CIN3 и неопухолевых поражений с использованием 1106 патоморфологический изображений от 588 пациентов. Средние значения площади под ROC-кривой для каждого класса с использованием EfficientNet-B7 составляли 0,996, 0,971, 0,956 и 0,990 для групп неопухолевых поражений, CIN1, CIN2 и CIN3 соответственно [46].

Zhang с соавт. проанализировали клинические данные и репрезентативные патоморфологические изображения пациенток с раком шейки матки, окрашенные гематоксилином и эозином, и разработали модель глубокого обучения для прогнозирования 5-летней выживаемости. Они ретроспективно собрали данные у 238 пациенток с неоперабельным раком шейки матки, получавших химиолучевую терапию. После сегментации изображений, окрашенных гематоксилином и эозином на участки размером 224 × 224 пикселя были извлечены глубокие признаки. AUC разработанной модели глубокого обучения составила 0,750 (95 % ДИ 0,540–0,959) [47]. Li с соавт. разработали модель ИИ для диагностики гистологических типов рака шейки матки, используя 8496 гистологических изображений 229 образцов шейки матки (плоскоклеточный рак [ПКР] шейки матки, n = 37; аденокарцинома шейки матки, n = 8; интактная ткань шейки матки, n = 184). Модель ИИ отличала ПКР от аденокарциномы [48]. МРТ может быть использована для изучения локальной распространенности рака шейки матки, и имеются публикации о глубоком обучении на данных МРТ при раке шейки матки. Qian с соавт. разработали модель глубокого обучения для прогнозирования метастазов в лимфатические узлы нормального размера на основе МРТ при раке шейки матки. Набор данных, использованный в этом исследовании, включал данные МРТ и информацию о пациенте (возраст, диаметр опухоли, стадия, распределение внешнего коэффициента диффузии [ADC], значение ПКР), полученные на 169 пациентках с раком шейки матки, а статус метастазов в лимфатические узлы определяли с помощью гистоморфологического исследования. Правильность разработанной диагностической модели достигла AUC 0,890, и были получены хорошие результаты [49]. Zhang с соавт. разработали модель глубокого обучения для прогнозирования патоморфологических особенностей, требующих адъювантной лучевой терапии, на основе МРТ при ПКР шейки матки на ранней стадии. Модель глубокого обучения, разработанная на основе набора данных МРТ 289 пациенток, перенесших радикальную гистерэктомию и диссекцию тазовых лимфатических узлов, продемонстрировала высокую точность и способность прогнозировать необходимость лучевой терапии, о чем свидетельствует AUC 0,79 (95 % ДИ: 0,67–0,90) в испытуемой когорте [50].

Рак эндометрия, саркома матки

Имеются многочисленные публикации об исследованиях по диагностике рака эндометрия на МРТ-изображениях с использованием искусственного интеллекта. Urushibara с соавт. обучили CNN для прогнозирования рака эндометрия на МРТ-изображениях 204 случаев рака эндометрия и 184 незлокачественных поражений, и им удалось достичь AUC 0,88–0,95 [51]. При раке эндометрия глубокая инвазия миометрия является одним из факторов риска рецидива, и МРТ необходима для предоперационной диагностики, хотя иногда диагностика может быть затруднена. Xiong с соавт. разработали модель оценки с использованием ИИ для глубокой инвазии миометрия при раке эндометрия с использованием МРТ-изображений 75 пациенток со стадией IA и 79 пациенток со стадией 1B рака эндометрия. Точность модели составила 86,9 %, чувствительность — 81,8 %, специфичность — 91,7 % [52]. МРТ может помочь в прогнозировании гистологического типа рака эндометрия. По сравнению с другими видами рака эндометрия, карциносаркома эндометрия имеет более неблагоприятный прогноз. Однако предоперационная биопсия может дать ошибочный результат, поскольку в биопсийном материале содержатся различные компоненты. Saida с соавт. разработали модель глубокого обучения для прогнозирования карциносаркомы эндометрия с использованием МРТ-изображений 52 пациенток с карциносаркомой матки и 279 пациенток с карциномой эндометрия. Модель продемонстрировала такую же или лучшую диагностическую эффективность, чем опытные рентгенологи [53]. В последнее время ингибиторы иммунных контрольных точек стали ключевыми препаратами в лечении рака эндометрия, а микросателлитная нестабильность [MSI] является биомаркером этой эффективности. Была разработана модель глубокого обучения с использованием образцов, окрашенных гематоксилином и эозином, от 529 пациенток с раком эндометрия в Атласе ракового генома (TCGA) с точностью > 90 % [54]. В последние годы было высказано предположение, что рак матки (рак эндометрия и серозный рак) можно разделить на четыре молекулярных подтипа на основе комплексного генетического анализа данных TCGA: тип POLE, тип MSI, тип с высоким количеством копий и тип с низким количеством копий. Целью исследования Fremond с соавт. была разработка модели глубокого обучения для прогнозирования четырех молекулярных подтипов рака эндометрия на основе гистоморфологических изображений и клинических данных рандомизированного исследования PORTEC. Модель глубокого обучения была способна определять молекулярный подтип рака эндометрия с высокой точностью. В частности, она продемонстрировала отличные результаты в классификации мутантов POLE и типов MSI [55]. В последние годы гистероскопия используется не только для диагностики доброкачественных заболеваний, таких как миома матки и полипы эндометрия, но и для диагностики рака эндометрия. Целью Takahashi с соавт. была разработка автоматической диагностической системы для рака эндометрия с использованием глубокого обучения на основе гипотезы о том, что гистероскопия может быть важным инструментом для скрининга рака эндометрия. Кроме того, они разработали оригинальный алгоритм, который достиг высокой точности даже при небольшом количестве случаев. Гистероскопия была выполнена у 177 пациенток (нормальный эндометрий — 60; гистеромиома — 21; полип эндометрия — 60; атипичная гиперплазия эндометрия — 15; рак эндометрия — 21). Изображения были разделены на две группы: злокачественные (атипичная гиперплазия эндометрия) и незлокачественные (нормальный эндометрий, полипы эндометрия и миома). Глубокое обучение для прогнозирования двух групп достигло точности > 90 % [56]. Саркома матки представляет собой злокачественную опухоль мягких тканей, развивающуюся из миометрия. Данная опухоль имеет плохой прогноз. МРТ используется для предоперационной диагностики миомы и саркомы матки. Однако иногда трудно провести различие между дегенеративной миомой и саркомой матки. Toyohara с соавт. разработали диагностическую модель сарком матки с использованием глубокого обучения на МРТ-изображениях и послеоперационных патоморфологических диагнозах. В многоцентровом исследовании авторы использовали предоперационные МРТ-изображения 61 пациентки с саркомой матки и 200 пациенток с патоморфологически подтвержденной миомой матки после операции. Глубокое обучение проводили с использованием T1-, T2- и диффузионно-взвешенных изображений. Кроме того, сравнивали точность послеоперационной патоморфологической диагностики установленной моделью и рентгенологами (специалистами). Показатели точности разработанной модели ИИ, резидентов и специалистов составили 91,3 %, 80,1 % и 88,3 % соответственно. Результаты разработанного алгоритма были сопоставимы с результатами рентгенологов [57]. Аннотация места поражения для разработки модели ИИ для медицинской визуализации обычно выполняется вручную. Таким образом, это становится ограничивающим скорость шагом в исследованиях, если требуется большой объем данных. Toyohara с соавт. разработали систему, которая автоматически извлекает участок поражения с помощью МРТ-изображений саркомы матки и миомы матки, а затем автоматически диагностирует извлеченное изображение с помощью ИИ. Точность, чувствительность и специфичность разработанной модели составили 92,44 %, 92,25 % и 92,50 % соответственно. Система искусственного интеллекта, разработанная в этом исследовании, извлекала данные о месте поражения из МРТ-изображений без вмешательства человека и могла диагностировать саркомы матки с точностью, сопоставимой с точностью рентгенологов. После дальнейшей верификации модель ИИ может быть использована для диагностики других заболеваний [58].

Злокачественные новообразования яичников

Рак яичников сопровождается самой высокой летальностью среди гинекологических злокачественных новообразований. Он был предметом многих исследований с использованием ИИ. Сообщалось о разработке модели глубокого обучения для прогнозирования злокачественных и незлокачественных новообразований на основе результатов МРТ [59, 60]. В исследовании Saida с соавт. приняли участие 194 пациентки с патоморфологически подтвержденным раком яичников или пограничной опухолью яичника, а также 271 пациентка с незлокачественными поражениями. МРТ-анализ проводили с использованием T2-взвешенной визуализации (T2WI), диффузионно-взвешенной визуализации (DWI), распределения внешнего коэффициента диффузии (ADC) и T1-взвешенной визуализации с подавлением сигнала от жировой ткани (T1WI). Модель CNN в этом исследовании была обучена с использованием 1798 изображений от 146 онкологических пациенток и 1865 изображений от 219 пациенток без злокачественных новообразований. Обучение проводилось отдельно для каждого типа изображения. Эффективность CNN оценивали с использованием тестового набора данных, состоящего из 100 изображений — 48 злокачественных и 52 доброкачественных поражений. Разработанная CNN продемонстрировала эффективность, эквивалентную эффективности опытных рентгенологов при диагностике рака яичников по данным МРТ [59]. Предоперационная диагностика рака яичников и пограничных опухолей яичников имеет важное значение для определения стратегий лечения. Однако иногда диагностика затруднена. Wang с соавт. разработали модель глубокого обучения для прогнозирования 102 пограничных опухолей яичника и 89 случаев рака яичников с использованием T1- и T2-взвешенных изображений. AUC составила 0,87, точность — 83,7 %, чувствительность — 75,0 %, а специфичность — 87,5 %, что превышает результаты оценки рентгенологов (0,75 %, 75,5 %, 96,0 % и 54,2 % соответственно; p < 0,001) [61]. Ультразвуковая диагностика — это минимально инвазивный, простой и эффективный метод диагностики рака яичников. Также были проведены исследования ультразвуковой диагностики с использованием ИИ при раке яичников [62, 63]. Gao с соавт. разработали модель обнаружения рака яичников с использованием полученных в нескольких учреждениях ультразвуковых изображений 3755 пациенток с раком яичников и 101 777 здоровых лиц. По сравнению с рентгенологами разработанная модель была более точной в выявлении рака яичников во внутреннем наборе данных валидации (88,8 % в сравнении с 85,7 %). Диагностическая помощь, предоставленная моделью, повысила точность (которая достигла 87,6 %) и чувствительность диагностики, осуществляемой рентгенологами [62]. Также сообщалось об исследовании патоморфологической визуализации с использованием ИИ при раке яичников [64, 65], в котором патоморфологический классификатор глубокого обучения на основе изображений под названием PathoRiCH (Pathologic Risk Classifier for high-grade serous ovarian cancer — патоморфологический классификатор риска для серозного рака яичников высокой степени злокачественности) смог предсказать ответ на лечение с использованием препаратов платины при серозном раке яичников высокой степени злокачественности [64].

Таким образом, публикаций об исследованиях ИИ в области онкогинекологии больше, чем в других областях акушерства и гинекологии. Точность прогнозирования молекулярного подтипа и MSI по патоморфологическим изображениям при раке эндометрия высока. Однако в некоторых исследованиях показана низкая точность. Таким образом, требуются большие размеры выборки и новые алгоритмы с высокой точностью даже при небольшом количестве случаев.

Проблемы с исследованиями ИИ в медицине

Модели ИИ полагаются на обучающие данные. Если используются неполные данные или данные с систематическими ошибками, точность диагноза и прогноза снижается. Кроме того, когда данные собираются из нескольких учреждений для увеличения объема информации, вероятно, произойдет смещение домена между учреждениями и медицинскими устройствами, где обучающие данные и результаты тестирования не совпадают. Поэтому важны исследования по разработке хороших моделей ИИ с неполными данными или данными, содержащими систематические ошибки. В Японии при обработке, хранении и обмене медицинскими данными пациентов требуется строгая защита конфиденциальности. Несанкционированный доступ и утечка данных могут привести к серьезным проблемам. Законы и нормативные акты, связанные с ИИ, были пересмотрены и внедрены в Японии и за рубежом; однако они по-прежнему неидеальны. Многие алгоритмы ИИ называются «черными ящиками», и трудно понять, как они достигают результатов. Кроме того, прозрачные и объяснимые процессы принятия решений в области ИИ важны для медицинских работников и пациентов для повышения доверия. Метод визуализации этого черного ящика заключается в отображении тепловой карты с использованием градиент-взвешенного активационного картирования класса. Внедрение ИИ может изменить роли и необходимые навыки медицинских работников. Необходимы образование и обучение в связи с этим изменением [66, 67]. Тем не менее, нет единого мнения о том, в какой степени медицинские работники должны изучать и понимать ИИ. В дальнейшем необходимо разработать образовательную программу для этих целей. ИИ поможет медицинским работникам принимать решения, распознавая закономерности и взаимосвязи в обширных наборах данных. Ожидается, что в медицинских учреждениях внедрение ИИ автоматизирует повторяющиеся задачи, позволяя медицинским работникам сосредоточиться на принятии более сложных решений и общении с пациентами. ИИ станет частью инфраструктуры, которая свяжет пациентов и специалистов в отношении мониторинга пациентов и оказания профилактической помощи, что позволит обеспечить более непрерывный и персонализированный уход [68].

Одобренные в настоящее время медицинские устройства на основе ИИ для акушерства и гинекологии и перспективы на будущее
Ниже приведены примеры одобренных в настоящее время медицинских устройств на основе ИИ в акушерстве и гинекологии. Embryoscope+ — это система на основе ИИ, которая контролирует развитие эмбриона и оценивает его качество. Он был одобрен в Японии для повышения показателей успеха экстракорпорального оплодотворения [69]. DYSIS Ultra — это кольпоскоп с ИИ, одобренный Управлением по контролю качества пищевых продуктов и лекарственных средств США (FDA) и имеющий маркировку CE в Европе. Его особенностью является то, что ИИ автоматически генерирует карту DYSIS на основе результатов анализа, показывая аномальные области в разных цветах. Это обеспечивает визуальную поддержку врачу при постановке диагноза (https://dysismedical.com/products/dysis-ultra/).

Перспективы включают модели диагностики и прогнозирования лечения, которые интегрируют различные модальные данные с ИИ. Например, проект BRIDGE, в котором мы участвуем, создает первый цифровой банк медицинских данных в Японии, который связывает медицинские и геномные данные, а также изображения, полученные в результате визуализирующих исследований, и данные о применяемых лекарственных средствах для каждого пациента. Мы стремимся реализовать рабочий процесс оказания медицинской помощи следующего поколения на основе ИИ и применить его для открытия лекарственных препаратов и разработки медицинских устройств.

Заключение

Исследования ИИ активно проводятся в области акушерства и гинекологии, и имеется множество публикаций по данному вопросу. Тем не менее, прежде чем результаты этих исследований смогут быть применены в клинической практике, необходимы не только технологические достижения, но и определения правовых, этических и социальных рамок.

Список литературы

• 1.Russell S, Norvig P. Artificial intelligence: a modern approach. Englewood Cliffs: Prentice Hall; 1995.
• 2.Luger G, Stubblefield W. Artificial intelligence: structures and strategies for complex problem solving. San Francisco, CA, USA: Benjamin/Cummings; 2004.
• 3.Sone K, Toyohara Y, Taguchi A, et al. Application of artificial intelligence in gynecologic malignancies: a review. J Obstet Gynaecol Res. 2021;47(8):2577-85.
• 4.Hamamoto R, Suvarna K, Yamada M, et al. Application of artificial intelligence technology in oncology: towards the establishment of precision medicine. Cancers (Basel). 2020;12(12):3532.
• 5.Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-10.
• 6.Zhong M, Yi H, Lai F, et al. CTGNet: automatic analysis of fetal heart rate from cardiotocograph using artificial intelligence. J Matern Fetal Med. 2022;4(2):103-12.
• 7.Ben M’Barek IB, Jauvion G, Vitrou J, et al. DeepCTGⓇ 1.0: an interpretable model to detect fetal hypoxia from cardiotocography data during labor and delivery. Front Pediatr. 2023;11:1190441.

• 8.Gude V, Corns S. Integrated deep learning and supervised machine learning model for predictive fetal monitoring. Diagnostics (Basel). 2022;12(11):2843.
• 9.Dozen A, Komatsu M, Sakai A, et al. Image segmentation of the ventricular septum in fetal cardiac ultrasound videos based on deep learning using time-series information. Biomolecules. 2020;10(11):1526.
• 10.Tang J, Han J, Xie B, et al. The two-stage ensemble learning model based on aggregated facial features in screening for fetal genetic diseases. Int J Environ Res Public Health. 2023;20(3):2377.
• 11.Walker MC, Willner I, Miguel OX, et al. Using deep-learning in fetal ultrasound analysis for diagnosis of cystic hygroma in the first trimester. PLOS ONE. 2022;17(6):e0269323.
• 12.Shahedi M, Dormer JD, Do QN, et al. Automatic segmentation of uterine cavity and placenta on mr images using deep learning. Proc SPIE Int Soc Opt Eng. 2022;12036:1203611.
• 13.Lim A, Lo J, Wagner MW, et al. Automatic artifact detection algorithm in fetal MRI. Front Artif Intell. 2022;5:861791.
• 14.Akazawa M, Hashimoto K. A multimodal deep learning model for predicting severe hemorrhage in placenta previa. Sci Rep. 2023;13(1):17320.
• 15.Zheng C, Zhong J, Wang Y, et al. Deep learning radiomic analysis of mri combined with clinical characteristics diagnoses placenta accreta spectrum and its subtypes. J Magn Reson Imaging. Forthcoming 2024. doi: 10.1002/jmri.29317.
• 16.Kurt B, Gürlek B, Keskin S, et al. Prediction of gestational diabetes using deep learning and Bayesian optimization and traditional machine learning techniques. Med Biol Eng Comput. 2023;61(7):1649-60.
• 17.De Ramón Fernández A, Ruiz Fernández D, Prieto Sánchez MT. Prediction of the mode of delivery using artificial intelligence algorithms. Comput Methods Programs Biomed. 2022;219:106740.
• 18.Targosz A, Myszor D, Mrugacz G. Human oocytes image classification method based on deep neural networks. Biomed Eng Online. 2023;22(1):92.
• 19.Thirumalaraju P, Kanakasabapathy MK, Bormann CL, et al. Human sperm morphology analysis using smartphone microscopy and deep learning. Fertil Steril. 2019;112(3):e41.
• 20.Riordon J, McCallum C, Sinton D. Deep learning for the classification of human sperm. Comput Biol Med. 2019;111:103342.
• 21.Tsai VF, Zhuang B, Pong YH, et al. Web- and artificial intelligence-based image recognition for sperm motility analysis: verification study. JMIR Med Inform. 2020;8(11):e20031.
• 22.Sato T, Kishi H, Murakata S, et al. A new deep-learning model using YOLOv3 to support sperm selection during intracytoplasmic sperm injection procedure. Reprod Med Biol. 2022;21(1):e12454.
• 23.Tran D, Cooke S, Illingworth PJ, et al. Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer. Hum Reprod. 2019;34(6):1011-8.
• 24.Bori L, Paya E, Alegre L, et al. Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential. Fertil Steril. 2020;114(6):1232-41.
• 25.Khosravi P, Kazemi E, Zhan Q, et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. npj Digit Med. 2019;2:21.
• 26.Bormann CL, Kanakasabapathy MK, Thirumalaraju P, et al. Performance of a deep learning based neural network in the selection of human blastocysts for implantation. eLife. 2020;9:e55301.
• 27.Pennetta F, Lagalla C, Borini A. Embryo morphokinetic characteristics and euploidy. Curr Opin Obstet Gynecol. 2018;30(3):185-96.
• 28.Maxwell SM, Grifo JA. Should every embryo undergo preimplantation genetic testing for aneuploidy? A review of the modern approach to in vitro fertilization. Best Pract Res Clin Obstet Gynaecol. 2018;53:38-47.
• 29.Diakiw SM, Hall JMM, VerMilyea MD, et al. Development of an artificial intelligence model for predicting the likelihood of human embryo euploidy based on blastocyst images from multiple imaging systems during IVF. Hum Reprod. 2022;37(8):1746-59.
• 30.Huang B, Tan W, Li Z, et al. An artificial intelligence model (euploid prediction algorithm) can predict embryo ploidy status based on time-lapse data. Reprod Biol Endocrinol. 2021;19(1):185.
• 31.Yuan Z, Yuan M, Song X, et al. Development of an artificial intelligence based model for predicting the euploidy of blastocysts in PGT-A treatments. Sci Rep. 2023;13(1):2322.
• 32.Ma BX, Zhao GN, Yi ZF, et al. Enhancing clinical utility: deep learning-based embryo scoring model for non-invasive aneuploidy prediction. Reprod Biol Endocrinol. 2024;22(1):58.
• 33.Li B, Chen H, Duan H. Artificial intelligence-driven prognostic system for conception prediction and management in intrauterine adhesions following hysteroscopic adhesiolysis: a diagnostic study using hysteroscopic images. Front Bioeng Biotechnol. 2024;12:1327207.
• 34.Zhao A, Du X, Yuan S, et al. Automated detection of endometrial polyps from hysteroscopic videos using deep learning. Diagnostics (Basel). 2023;13(8):1409.
• 35.Tao X, Chu X, Guo B, et al. Scrutinizing high-risk patients from ASC-US cytology via a deep learning model. Cancer Cytopathol. 2022;130(6):407-14.
• 36.Asiedu MN, Simhal A, Chaudhary U, et al. Development of algorithms for automated detection of cervical pre-cancers with a low-cost, point-of-care, pocket colposcope. IEEE Trans Biomed Eng. 2019;66(8):2306-18.
• 37.Miyagi Y, Takehara K, Miyake T. Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images. Mol Clin Oncol. 2019;11(6):583-9.
• 38.Miyagi Y, Takehara K, Nagayasu Y, et al. Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images combined with HPV types. Oncol Lett. 2020;19(2):1602-10.
• 39.Yuan C, Yao Y, Cheng B, et al. The application of deep learning based diagnostic system to cervical squamous intraepithelial lesions recognition in colposcopy images. Sci Rep. 2020;10(1):11639.
• 40.Fu L, Xia W, Shi W, et al. Deep learning based cervical screening by the cross-modal integration of colposcopy, cytology, and HPV test. Int J Med Inform. 2022;159:104675.
• 41.Fang S, Yang J, Wang M, et al. An Improved image classification method for cervical precancerous lesions based on shufflenet. Comput Intell Neurosci. 2022;2022:9675628.
• 42.Chen X, Pu X, Chen Z, et al. Application of EfficientNet-B0 and GRU-based deep learning on classifying the colposcopy diagnosis of precancerous cervical lesions. Cancer Med. 2023;12(7):8690-9.
• 43.Shinohara T, Murakami K, Matsumura N. Diagnosis assistance in colposcopy by segmenting acetowhite epithelium using u-net with images before and after acetic acid solution application. Diagnostics (Basel). 2023;13(9):1596.
• 44.Kim S, An H, Cho HW, et al. Pivotal clinical study to evaluate the efficacy and safety of assistive artificial intelligence-based software for cervical cancer diagnosis. J Clin Med. 2023;12(12):4024.
• 45.Xue P, Tang C, Li Q, et al. Development and validation of an artificial intelligence system for grading colposcopic impressions and guiding biopsies. BMC Med. 2020;18(1):406.
• 46.Cho BJ, Kim JW, Park J, et al. Automated diagnosis of cervical intraepithelial neoplasia in histology images via deep learning. Diagnostics (Basel). 2022;12(2):548.
• 47.Zhang K, Sun K, Zhang C, et al. Using deep learning to predict survival outcome in non-surgical cervical cancer patients based on pathological images. J Cancer Res Clin Oncol. 2023;149(9):6075-83.
• 48.Li YX, Chen F, Shi JJ, et al. Convolutional neural networks for classifying cervical cancer types using histological images. J Digit Imaging. 2023;36(2):441-9.
• 49.Qian W, Li Z, Chen W, et al. RESOLVE-DWI-based deep learning nomogram for prediction of normal-sized lymph node metastasis in cervical cancer: a preliminary study. BMC Med Imaging. 2022;22(1):221.
• 50.Zhang XF, Wu HY, Liang XW, et al. Deep-learning-based radiomics of intratumoral and peritumoral MRI images to predict the pathological features of adjuvant radiotherapy in early-stage cervical squamous cell carcinoma. BMC Womens Health. 2024;24(1):182.
• 51.Urushibara A, Saida T, Mori K, et al. The efficacy of deep learning models in the diagnosis of endometrial cancer using MRI: a comparison with radiologists. BMC Med Imaging. 2022;22(1):80.
• 52.Xiong L, Chen C, Lin Y, et al. A computer-aided determining method for the myometrial infiltration depth of early endometrial cancer on MRI images. Biomed Eng OnLine. 2023;22(1):103.
• 53.Saida T, Mori K, Hoshiai S, et al. Differentiation of carcinosarcoma from endometrial carcinoma on magnetic resonance imaging using deep learning. Pol J Radiol. 2022;87:e521-9.
• 54.Wang CW, Muzakky H, Firdi NP, et al. Deep learning to assess microsatellite instability directly from histopathological whole slide images in endometrial cancer. npj Digit Med. 2024;7(1):143.
• 55.Fremond S, Andani S, Barkey Wolf J, et al. Interpretable deep learning model to predict the molecular classification of endometrial cancer from haematoxylin and eosin-stained whole-slide images: a combined analysis of the PORTEC randomised trials and clinical cohorts. Lancet Digit Health. 2023;5(2):e71-82.
• 56.Takahashi Y, Sone K, Noda K, et al. Automated system for diagnosing endometrial cancer by adopting deep-learning technology in hysteroscopy. PLOS ONE. 2021;16(3):e0248526.
• 57.Toyohara Y, Sone K, Noda K, et al. Development of a deep learning method for improving diagnostic accuracy for uterine sarcoma cases. Sci Rep. 2022;12(1):19612.
• 58.Toyohara Y, Sone K, Noda K, et al. The automatic diagnosis artificial intelligence system for preoperative magnetic resonance imaging of uterine sarcoma. J Gynecol Oncol. 2024;35(3):e24.
• 59.Saida T, Mori K, Hoshiai S, et al. Diagnosing ovarian cancer on MRI: a preliminary study comparing deep learning and radiologist assessments. Cancers (Basel). 2022;14(4):987.
• 60.Hu D, Jian J, Li Y, et al. Deep learning-based segmentation of epithelial ovarian cancer on T2-weighted magnetic resonance images. Quant Imaging Med Surg. 2023;13(3):1464-77.
• 61.Wang Y, Zhang H, Wang T, et al. Deep learning for the ovarian lesion localization and discrimination between borderline and malignant ovarian tumors based on routine MR imaging. Sci Rep. 2023;13(1):2770.
• 62.Gao Y, Zeng S, Xu X, et al. Deep learning-enabled pelvic ultrasound images for accurate diagnosis of ovarian cancer in China: a retrospective, multicentre, diagnostic study. Lancet Digit Health. 2022;4(3):e179-87.
• 63.Du Y, Guo W, Xiao Y, et al. Ultrasound-based deep learning radiomics model for differentiating benign, borderline, and malignant ovarian tumours: a multi-class classification exploratory study. BMC Med Imaging. 2024;24(1):8964.
• 64.Ahn B, Moon D, Kim HS, et al. Histopathologic image-based deep learning classifier for predicting platinum-based treatment responses in high-grade serous ovarian cancer. Nat Commun. 2024;15(1):4253.
• 65.Wu M, Zhu C, Yang J, et al. Exploring prognostic indicators in the pathological images of ovarian cancer based on a deep survival network. Front Genet. 2022;13:1069673.
• 66.Morrow E, Zidaru T, Ross F, et al. Artificial intelligence technologies and compassion in healthcare: a systematic scoping review. Front Psychol. 2022;13:971044.
• 67.Li F, Ruijs N, Lu Y. Ethics & AI: a systematic review on ethical concerns and related strategies for designing with AI in healthcare. AI. 2022;4(1):28-53.
• 68.Bajwa J, Munir U, Nori A, et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(2):e188-94.
• 69.Yang HY, Leahy BD, Jang WD, et al. BlastAssist: a deep learning pipeline to measure interpretable features of human embryos. Hum Reprod. 2024;39(4):698-708.