Ключевые слова
Как цитировать
Аннотация
Современная медицина и онкология, в частности, находятся в шаге от широкого внедрения искусственного интеллекта в повседневную врачебную практику. В статье описаны наиболее удачные проекты, демонстрирующие участие искусственного интеллекта в диагностике и прогнозировании течения онкологических заболеваний. Проанализированы существующие системы принятия врачебных решений, включающие модули диагностики онкологических заболеваний на основе нейронных сетей. Впервые показаны ограничения применения искусственного интеллекта в онкологии и описаны способы их преодоления. Методы искусственного интеллекта доказали свою эффективность при анализе изображений (рентгеновских снимков, гистологических срезов) и могут применяться для поддержки принятия врачебных решений. Огромный массив накопленных знаний о молекулярно-биологической природе опухолей находит практическое применение для назначения лечения и прогноза течения заболевания за счет обработки алгоритмами машинного обучения. Искусственный интеллект может стать ключом к повышению эффективности оказания медицинской помощи при онкологических заболеваниях.
Библиографические ссылки
Bouma H, Hanckmann P, Marck J-W et al. Automatic human action recognition in a scene from visual inputs. doi:10.1117/12.918582 // Proceedings of SPIE ― The International Society for Optical Engineering. 2012;8388. ISBN:978-081949066-7.
Nam JG, Park S, Hwang EJ et al. Development and validation of deep learning–based automatic detection algorithm for malignant pulmonary nodules on chest radiographs. doi:10.1148/radiol.2018180237 // Radiology. 2019;290(1):218–228. URL:https://pubs.rsna.org/doi/10.1148/radiol.2018180237 (access date: 29 April 2022). ISSN (Online) 1527-1315.
Du D, Feng H, Lv W et al. Machine Learning Methods for Optimal Radiomics-Based Differentiation Between Recurrence and Inflammation: Application to Nasopharyngeal Carcinoma Post-therapy PET/CT Images. doi:10.1007/s11307-019-01411-9 // Mol Imaging Biol. 2020;2(3):730–738.
Dou TH, Coroller TP, van Griethuysen JJM et al. Peritumoral radiomics features predict distant metastasis in locally advanced NSCLC. doi:10.1371/journal.pone.0206108 // PLOS ONE. 2018. ISSN (Print) 1932-6203. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/30388114/ (access date: 29 April 2022). Access mode: free.
Лукьянченко Е.Л., Ильяшенко О.Ю. Преимущества использования цифровой платформы в рамках экосистемы // Сборник научных статей 6-й Всероссийской национальной научно-практической конференции «Проблемы развития современного общества». Курск, 22 января 2021 года. мто‐18 том 1:243–246 [Lukyanchenko EL, Ilyashenko OYu. Advantages of using a digital platform within the ecosystem // Collection of scientific articles of the 6th All-Russian National Scientific and Practical Conference «Problems of development of modern society». Kursk, January 22, 2021. mto‐18 vol. 1:243–246 (In Russ.)].
Дрокин И.С., Еричева Е.В., Бухвалов О.Л. и др. Опыт разработки и внедрения системы поиска онкологических образований с помощью искусственного интеллекта на примере рентгеновской компьютерной томографии легких // Искусственный интеллект в здравоохранении. 2019(3):48–57 [Drokin IS, Ericheva EV, Bukhvalov OL et al. The experience of developing and implementing a system for searching for oncological formations using artificial intelligence on the example of X-ray computed tomography of the lungs // Artificial intelligence in healthcare. 2019(3):48–57 (In Russ.)].
Nagpal K, Foote D, Liu Y et al. Development and validation of a deep learning algorithm for improving Gleason scoring of prostate cancer. doi:10.1038/s41746-019-0112-2 // NPJ Digit Med. 2019. URL:https://www.nature.com/articles/s41746-019-0112-2#citeas. ISSN (Online) 2398-6352.
Saltz J, Gupta R, Hou L et al. Spatial organization and molecular correlation of tumor-infiltrating lymphocytes using deep learning on pathology images. doi:10.1016/j.celrep.2018.03.086 // Cell Rep. 2018. ISSN 2211247. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/29617659/ (access date: 29 April 2022). Access mode: free.
Liu Y, Kohlberg T, Norouzi M et al. Artificial intelligence ― based breast cancer nodal metastasis detection: Insights into the black box for pathologists. doi:10.5858/arpa. 2018-0147-OA //Archives of pathology & laboratory medicine. 2019;143(7):859–868. ISSN (Web) 1543-2165. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/30295070/ (access date: 29 April 2022). Access mode: free.
Bi WL, Hosny A, Schabath MB. Artificial Intelligence in Cancer Imaging: Clinical Challenges and Applications. doi:10.3322/caac.21552 // CA Cancer J Clin. 2019. ISSN (Electronic) 1542-4863. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/30720861/ (access date: 29 April 2022). Access mode: free.
Shimizu H, Nakayama KI. Artificial intelligence in oncology. doi:10.1111/cas.14377 // Cancer Sci. 2020;111(5):1452–1460. ISSN (Online) 1349-7006. ELS «PMC. US National Library of Medicine National Institutes of Health» [website]. URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7226189/ (access date: 29 April 2022). Access mode: free.
Chernov VI, Choynzonov EL, Kulbakin DE et al. Non-Invasive Diagnosis of Malignancies Based on the Analysis of Markers in Exhaled Air. doi:10.3390/diagnostics10110934 // Diagnostics. 2020;10. ISSN 2075-4418. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/33187053/ (access date: 29 April 2022). Access mode: free.
Forbes SA, Beare D, Boutselakis H et al. COSMIC: somatic cancer genetics at high-resolution. doi:10.1093/nar/gkw1121 // Nucleic Acids Res. 2017. ISSN (Web) 1362-4962. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/27899578/ (access date: 29 April 2022). Access mode: free.
Geras KJ, Mann RM, Moy L. Artificial Intelligence for Mammography and Digital Breast Tomosynthesis: Current Concepts and Future Perspectives. doi:10.1148/radiol.2019182627 // Radiology. 2019. ISSN (Online) 1527-1315. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/31549948/ (access date: 29 April 2022). Access mode: free.
Zhou J, Theesfeld CL, Yao K et al. Deep learning sequence-based ab initio prediction of variant effects on expression and disease risk. doi:10.1038/s41588-018-0160-6 // Nat Genet. 2018. URL:https://www.nature.com/articles/s41588-018-0160-6#citeas (access date: 29 April 2022). ISSN (Print) 1061-4036.
Davis RJ, Gonen M, Margineantu DH et al. Pan-cancer transcriptional signatures predictive of oncogenic mutations reveal that Fbw7 regulates cancer cell oxidative metabolism l. doi:10.1073/pnas.1718338115 // Proc Natl Acad Sci USA. 2018. ISSN (Web) 1091-6490. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/29735700 / (access date: 29 April 2022). Access mode: free
Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks Sundaram. doi:10.1148/radiol.2017162326 // Radiology. 2017;284(2):574–582. URL:https://pubs.rsna.org/doi/full/10.1148/radiol.2017162326 (date application: 29th of April 2022). ISSN (Online) 1527-1315.
Rojas-Muñoz E, Couperus K, Wachs JP. The AI-Medic: an artificial intelligent mentor for trauma surgery // Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization (2020). doi:10.1080/21681163.2020.1835548
Косоруков А.А. Технологии искусственного интеллекта в современном государственном управлении // Социодинамика. 2019;(5):43–58. doi:10.25136/2409-7144.2019.5.29714 [Kosorukov AA. Artificial intelligence technologies in modern public administration // Sociodynamics. 2019;(5):43–58 (In Russ.)]. doi:10.25136/2409-7144.2019.5.29714]
ИИ сервисы для лучевой диагностики: официальный сайт. Москва. URL:https://mosmed.ai/ (дата обращения 24.05.2022) [AI services for radio diagnosis: official website. Moscow. URL:https://mosmed.ai/ (access date: 24 May 2022) (In Russ).].
Webiomed.ai: официальный сайт. URL:https://webiomed.ai/ (дата обращения 26.05.2022) [Webiomed.ai: official website. Moscow. URL:https://webiomed.ai/ (access date: 26 May 2022) (In Russ).].
Zhou N, Zhang C-T, Li H-Y et al. Concordance Study Between IBM Watson for Oncology and Clinical Practice for Patients with Cancer in China. doi:10.1634/theoncologist.2018-0255 // Oncologist. 2019;24:812–819. URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6656482/ (access date: 29.08.2022). Access mode: free. Text: electronic.
Image-net.org: официальный сайт. URL:https://www.image-net.org/index.php (дата обращения 02.09.2022) [Image-net.org: official website. Stanford. URL: https://www.image-net.org/index.php (access date: 2 September 2022) (In Russ).].
Morid MA, Borjalib A, Fiold GD. A scoping review of transfer learning research on medical image analysis using ImageNet // Computers in Biology and Medicine. 2021;128:104115. doi:10.1016/j.compbiomed.2020.104115
Janowczyk A, Zuo R, Gilmore H et al. HistoQC: an open-source quality control tool for digital pathology slides. doi:10.1200/CCI.18.00157 // JCO Clin Cancer Inform. 2019. ISSN 2473-4276. ELS «PubMed» [website]. URL:https://pubmed.ncbi.nlm.nih.gov/30990737/ (access date: 29 April 2022). Access mode: free.
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
© АННМО «Вопросы онкологии», Copyright (c) 2022