Искусственный интеллект в гинекологии

Искусственный интеллект (ИИ) все активнее проникает в медицину, и гинекология — не исключение. За последние годы опубликовано множество исследований, демонстрирующих его высокую эффективность в диагностике заболеваний органов малого таза. В ряде направлений ИИ уже сопоставим, а иногда и превосходит квалифицированных специалистов. Однако о повсеместном внедрении его в клиническую практику говорить пока рано.

Цитологический скрининг рака шейки матки — одна из наиболее успешных областей применения искусственного интеллекта. В крупном систематическом обзоре Liu L. с соавт. (2024), охватившем 77 исследований, было показано, что ИИ демонстрирует результаты, сопоставимые с результатами работы цитологов и даже превосходящие их. При анализе ПАП-мазков ИИ-модель продемонстрировала точность 94 %, чувствительность 95 %, специфичность 94 %. В жидкостной цитологии чувствительность оказалась еще выше и достигала 97 %, при этом специфичность сохранялась на том же уровне.

Значительный прогресс наблюдается и в визуализирующих методах диагностики (УЗИ, МРТ, КТ). При анализе снимков алгоритмы эффективно выявляют опухолевые образования и структурные изменения миометрия, эндометрия и яичников. В метаанализе Li R. с соавт. (2025) ИИ-модели для диагностики опухолей яичников продемонстрировали при внутренней валидации чувствительность и специфичность 95 % (AUC = 0,98), при внешней —78 и 88 % соответственно (AUC = 0,91).

Аналогичные успехи отмечены и в диагностике других гинекологических онкозаболеваний. По данным обзора Liu L. и соавт. (2024), при выявлении рака эндометрия алгоритмы показывают чувствительность 86 % и специфичность 92 %. В случае рака шейки матки на основе визуализирующих исследований ИИ достигает точности 94–97 %, превышая показатели опытных рентгенологов (85–90 %). Кроме того, алгоритмы эффективно справляются с диагностикой эндометриоза — они способны выявлять очаги размером менее 5 мм с точностью 85–90 %.

Среди ключевых преимуществ ИИ-технологий — существенное ускорение анализа медицинских изображений (в 3–5 раз).

Полученные результаты подтверждают перспективность использования искусственного интеллекта для массового скрининга, в том числе в регионах с дефицитом узких специалистов.

Однако потенциал ИИ пока ограничен. Уязвимым звеном остается гистологическая диагностика: алгоритмы эффективно выявляют инвазивный рак (точность 90–93 %), но уступают в дифференциации предраковых состояний (точность 75–82 %). Основные ограничения связаны с вариабельностью гистологических препаратов, отсутствием единых стандартов подготовки датасетов для машинного обучения и необходимостью учитывать клинико-анамнестические данные.

От России до Вьетнама

Использование ИИ в медицине активно изучается во всем мире. Так, в исследованиях Mayo Clinic (США, 2024–2025) комбинация оценок врача и ИИ позволила снизить ошибки при диагностике рака яичников на 42 % по сравнению с изолированной оценкой специалиста. В крупном европейском проекте EU GynoAI (2025), охватившем 12 стран, алгоритмы продемонстрировали точность 91 % при скрининге рака шейки матки. Российские ученые из Национального медицинского исследовательского центра акушерства, гинекологии и перинатологии им. академика В.И. Кулакова сообщили о высокой диагностической эффективности искусственного интеллекта в анализе ультразвуковых изображений при эндометриозе: чувствительность составила 88 %, специфичность — 85 %. В медицинском центре Хошимина (Вьетнам, 2025) модель MobileNetV2 успешно применили для диагностики вагинита: совпадение выводов системы с экспертными заключениями достигло 86,9 %.

Помощник, а не конкурент

Преимущества ИИ в медицинской диагностике очевидны: современные технологии позволяют значительно ускорить анализ изображений, снизить субъективность интерпретации, автоматизировать сортировку «простых» случаев. Тем не менее, несмотря на впечатляющий прогресс, искусственный интеллект еще не способен заменить клинициста — на данном этапе он может быть использован лишь в качестве второго независимого мнения.

Для успешного внедрения ИИ-систем в широкую клиническую практику необходимо решить ряд задач: стандартизировать протоколы валидации, обеспечить репрезентативность обучающих и тестовых датасетов, а также разработать четкие клинические рекомендации по интерпретации заключений, выдаваемых искусственным интеллектом.

В ближайшие годы ожидается активное развитие мультимодальных моделей, которые будут объединять визуализирующие методы, лабораторные данные и генетические маркеры, а также прогностических систем, способных оценивать риск рецидива опухолей, осложнений беременности и ответа на терапию. Кроме того, ведутся работы по созданию персонализированных алгоритмов, учитывающих индивидуальные особенности пациентов, и мобильных решений для телемедицины.

                                                                                                                                                                         Наталья Кириллова