РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РАННЕЙ ДИАГНОСТИКЕ И ПЕРСОНАЛИЗИРОВАННОМ ЛЕЧЕНИИ ОНКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ (НА ПРИМЕРЕ КОЛОРЕКТАЛЬНОГО РАКА ИЛИ РАКА ЛЕГКИХ)

THE ROLE OF ARTIFICIAL INTELLIGENCE IN EARLY DIAGNOSIS AND PERSONALIZED TREATMENT OF CANCER (USING THE EXAMPLE OF COLORECTAL CANCER OR LUNG CANCER)

Gadiev Anvar Beslanovich

Student Ingush State University, Russia, Magas

Evloev Islam Israpilovich

Student Ingush State University, Russia, Magas

Kostoev Ismail Magamed-Bashirovich

Student Ingush State University, Russia, Magas

Esmurziev Timerlan Akhmedovich

Student Ingush State University, Russia, Magas

Pugoyev Musa Ayupovich

Student Ingush State University, Russia, Magas

Tangiev Abdurakhman Gapurovich

Student Ingush State University, Russia, Magas

Kodzoeva Tamara Ilyasovna

Academic Supervisor, PhD, Associate Professor, Department of Faculty Therapy Ingush State University, Russia, Magas

Аннотация. Данный обзор посвящен анализу трансформационной роли технологий искусственного интеллекта (ИИ) в онкологии, на примере двух наиболее распространенных и летальных видов рака – колоректального (КРР) и немелкоклеточного рака легкого (НМРЛ). Рассмотрены ключевые области применения компьютерного зрения и методов машинного обучения для анализа эндоскопических и рентгенологических изображений с целью раннего выявления предраковых состояний и опухолей. Особое внимание уделено интеграции мультиомиксных данных (геномных, транскриптомных, патологоанатомических) для построения прогностических моделей и поддержки принятия решений о персонализированной терапии. Проанализированы основные методологические и клинические вызовы, включая проблему «черного ящика», необходимость валидации в проспективных исследованиях и этико-правовые аспекты внедрения. Делается вывод, что ИИ не заменяет, а значительно усиливает возможности врача-онколога, формируя новую парадигму – «когнитивную онкологию».

Abstract. This review focuses on the transformative role of artificial intelligence (AI) technologies in oncology, using the example of two of the most common and lethal types of cancer: colorectal cancer (CRC) and non-small cell lung cancer (NSCLC). It explores the key applications of computer vision and machine learning techniques for analyzing endoscopic and radiological images to detect precancerous conditions and tumors at an early stage. Special attention is paid to the integration of multioxomic data (genomic, transcriptomic, and pathoanatomical) for building predictive models and supporting decision-making on personalized therapy The main methodological and clinical challenges are analyzed, including the "black box" problem, the need for validation in prospective studies, and the ethical and legal aspects of implementation. It is concluded that AI does not replace, but significantly enhances the capabilities of an oncologist, forming a new paradigm called "cognitive oncology."

Ключевые слова: Ключевые слова: искусственный интеллект, машинное обучение, глубокое обучение, ранняя диагностика, персонализированная медицина, колоректальный рак, рак легкого, компьютерное зрение, предиктивная аналитика.

Keywords: Keywords: artificial intelligence, machine learning, deep learning, early diagnosis, personalized medicine, colorectal cancer, lung cancer, computer vision, predictive analytics.

Колоректальный рак (КРР) и рак легкого остаются ведущими причинами онкологической смертности в мире. Ключевыми факторами, определяющими прогноз, являются стадия заболевания на момент постановки диагноза и биологические характеристики опухоли. Несмотря на распространение скрининговых программ (колоноскопия, низкодозовая КТ для легких) и развитие молекулярно-генетического тестирования, сохраняются проблемы: субъективность интерпретации визуальных данных, пропуск патологий, ограниченные возможности человека по интеграции огромных массивов гетерогенных данных.

Искусственный интеллект, в частности подразделы машинного и глубокого обучения, предлагает инструменты для решения этих проблем. Способность алгоритмов анализировать сложные паттерны в медицинских изображениях и многомерных наборах данных открывает путь к созданию систем поддержки принятия врачебных решений (СППВР) нового поколения. Цель данного обзора – систематизировать современные достижения ИИ в ранней диагностике и персонализации лечения КРР и НМРЛ, а также обозначить барьеры на пути их интеграции в клиническую практику.

ИИ в ранней диагностике: от пикселя к диагнозу

1. Компьютерное зрение в эндоскопии КРР. Автоматический анализ колоноскопических изображений с помощью сверточных нейронных сетей (CNN) решает две основные задачи:

• Обнаружение полипов. Алгоритмы в реальном времени идентифицируют и выделяют контуры полипов, включая плоские и малозаметные, снижая частоту пропусков. Например, система GI Genius (получившая разрешение FDA) демонстрирует повышение частоты обнаружения аденом на 14%.
• Характеризация образований. CNN, обученные на тысячах изображений с гистологическим подтверждением, проводят оптическую биопсию, предсказывая гистологический тип полипа (гиперпластический vs. аденоматозный) с точностью >90%. Это позволяет реализовать стратегию «resect and discard» (удалить и не отправлять на гистологию) или «diagnose and leave» (оставить гиперпластический полип), повышая экономическую эффективность скрининга.

2. Анализ КТ-изображений при раке легкого. Здесь ИИ действует на двух уровнях:

• Скрининг и обнаружение. Алгоритмы автоматически детектируют легочные узлы на низкодозовых КТ-сканах, измеряют их объем, плотность и динамику роста, минимизируя нагрузку на рентгенолога и вариабельность измерений.
• Прогностическая радиомика. Метод извлечения из изображений сотен количественных признаков (текстура, форма, интенсивность), невидимых человеческому глазу. Радиомные сигнатуры узлов легкого показывают высокую корреляцию с агрессивностью опухоли, генетическими мутациями (например, в генах EGFR, KRAS) и ответом на иммунотерапию, позволяя стратифицировать риск еще до инвазивной биопсии.

ИИ в персонализированном лечении: от данных к решению

1. Прогноз и выбор тактики. Комбинируя клинические, радиомные, патологоанатомические и молекулярные данные, ИИ строит предиктивные модели. Для КРР это может быть прогноз ответа на неоадъювантную химиолучевую терапию при раке прямой кишки. Для НМРЛ – предсказание вероятности рецидива после операции или эффективности таргетной терапии.

2. Анализ патологоанатомических препаратов (вычислительная патология). Глубокое обучение для анализа цифровых слайдов (whole-slide images) революционизирует патологию:

• Выявление метастазов в лимфатических узлах при КРР.
• Оценка иммунного микроокружения опухоли. Алгоритмы количественно оценивают инфильтрацию лимфоцитами (например, расчет Immunoscore в КРР), что является мощным прогностическим и предиктивным биомаркером.
• Предсказание мутационного статуса. Модели, анализируя только H&E-окрашенные слайды, с высокой долей вероятности предсказывают наличие мутаций в генах (STK11, TP53 в НМРЛ), что может служить быстрым и дешевым скрининговым тестом перед геномным секвенированием.

3. Интеграция мультиомиксных данных. Наиболее сложная и перспективная задача – создание «цифрового двойника» опухоли. Алгоритмы интегрируют данные геномики, транскриптомики, протеомики и визуализации для выбора оптимальной комбинации таргетной, иммуно- или химиотерапии для конкретного пациента, что является сутью истинно персонализированной онкологии.

Вызовы и ограничения

Несмотря на потенциал, широкое внедрение ИИ сталкивается с барьерами:

1. «Черный ящик»: Неинтерпретируемость решений сложных нейросетей снижает доверие врачей.

2. Качество и репрезентативность данных: Для обучения нужны большие, размеченные, клинически релевантные датасеты. Риск смещения (bias), если данные собраны в одной популяции.

3. Клиническая валидация: Большинство исследований – ретроспективны. Требуются масштабные рандомизированные контролируемые испытания, доказывающие улучшение «жестких» клинических исходов (выживаемость, качество жизни).

4. Регуляторные и этические вопросы: Кто несет ответственность за ошибку алгоритма? Как обеспечить безопасность и конфиденциальность данных?

Искусственный интеллект перестает быть технологией будущего и становится практическим инструментом в онкологии. На примере КРР и НМРЛ продемонстрирована его способность усиливать диагностику на этапах скрининга, визуализации и патоморфологического анализа, а также закладывать основу для сложной многопараметрической стратификации пациентов.

Перспективы связаны с развитием объяснимого ИИ, созданием федеративных систем обучения на распределенных данных без их перемещения и глубокой интеграцией СППВР в рабочие процессы врачей. Успех будет определяться не технологическим превосходством алгоритмов, а эффективностью коллаборации между онкологами, радиологами, патологами ориентированной на конечную цель – улучшение результатов лечения пациента