Перспективы использования больших данных, искусственного интеллекта, машинного обучения, нейросетей и глубокого обучения в диагностике и лечении злокачественных опухолей мочеполовой системы

В обзоре представлен всесторонний анализ последних достижений в области машинного обучения (ML), нейросетей (ANN) и глубокого обучения (DL) в онкоурологии. В рамках исследования проведено ранжирование российской и зарубежной научной литературы на базе данных PubMed, MEDLINE, E-library, CYBERLENINKA и пр. Материал относился к применению ML, ANN и DL в области диагностики и лечения рака предстательной железы (РПЖ), рака мочевого пузыря (РМП), рака яичка и рака почки. Чаще всего применение ANN и ML при РПЖ касалось ранней диагностики, прогнозирования и персонализированной стратегии системного лечения. Обучение моделей ANN и DL проводили по клиническим параметрам, результатам NGS-секвенирования, показателям шкалы Глисона, оцифрованным радиологическим и гистологическим изображениям. Для диагностики РПЖ также использовали радиомику с последующим анализом специфики текстуры изображения на цифровом слайде. При метастатическом кастраторезистентном РПЖ применяли алгоритмы искусственного интеллекта для прогнозирования ответа на лечение доцетакселом. Также оценены возможности использования искусственного интеллекта для визуализации опухоли при проведении радикальной простатэктомии и при выполнении робот-ассистированной резекции почки. С помощью ML предложен диагностический подход при злокачественных новообразованиях яичка, основанный на данных компьютерной томографии. Для диагностики РМП использовали нейро-нечеткое моделирование и ANN. Алгоритмы основывались на молекулярных биомаркерах, включая экспрессию генов и метилирование генов. Диагностическую точность 94% показал метод ML, при котором использовали изображения клеток, полученные из образцов мочи пациентов с диагнозом РМП. DL при РМП применили для точной типизации опухолей в соответствии с их ответом на химиотерапию. По результатам глубокого машинного обучения предсказали молекулярный подтип образцов РМП при помощи гистологического анализа материала. Алгоритмы ML и DL для диагностики, дифференциации, прогнозирования рецидива и выживаемости при раке почки обучали на КТ-текстурном анализе, генетических мутациях и ядерной степени по Фурману. Помимо диагностики искусственный интеллект использован для оптимизации стратегии лечения при раке почки. Во всех случаях алгоритмы ML, ANN и DL повышали точность диагностики, оценку выживаемости, эффективность фармакологического и хирургического лечения онкоурологических заболеваний.