Преодоление разрыва между искусственным интеллектом и клинической готовностью в диагностике эндометриоза: систематический обзор

Цель: Систематически оценить методологическое качество и диагностическую эффективность приложений искусственного интеллекта (ИИ), в частности машинного и глубокого обучения, в диагностике эндометриоза по данным визуализации и клинической симптоматики.

Источники данных: Был выполнен систематический поиск в семи базах данных исследований, опубликованных в 2015–2025 годах.

Отбор исследований: Критерии включения касались оригинальных работ, в которых ИИ использовали для диагностики эндометриоза по МРТ, ультразвуковому исследованию или симптомам, сообщаемым пациентами. Методологическое качество оценивали с помощью инструмента QUADAS-2. Отбор исследований проводили по двойному слепому протоколу, чтобы минимизировать систематическую ошибку отбора. Клинические и методологические разногласия разрешал профессор рентгенографии, а технические аспекты, связанные со сложностью ИИ, — профессор искусственного интеллекта.

Сводка, интеграция и результаты: Модели ИИ демонстрировали высокую техническую эффективность: алгоритмы на основе визуализации достигали диагностической точности до 94,32% для МРТ и значений площади под кривой до 0,90 для ультразвукового исследования. Модели на основе симптомов сообщали о точности до 95,95% при использовании таких классификаторов, как случайный лес и XGBoost. Однако оценка качества выявила выраженную клиническую гетерогенность и системные уязвимости. Был распространён спектральный сдвиг: большинство моделей обучали на когортах с поздними стадиями заболевания, что ограничивает применимость для выявления ранних форм. Кроме того, модели на основе симптомов часто опирались на самоотчётные данные из социальных сетей, что вносило значимые систематические ошибки отбора и верификации.

Вывод: Хотя ИИ демонстрирует высокий потенциал для автоматизации выявления эндометриоза, существующая литература ограничена ретроспективными дизайнами и узким отбором пациентов. Чтобы перейти от экспериментальных прототипов к клиническим инструментам скрининга, будущие исследования должны прежде всего обеспечить проспективную валидацию в неотобранных популяциях с использованием комбинации диагностических референсных методов.