Искусственный интеллект в патофизиологии и ведении заболеваний яичников: систематический обзор и метаанализ

Введение: Интеграция искусственного интеллекта (ИИ) в репродуктивную медицину и гинекологическую онкологию привела к значительному прогрессу в диагностике, прогнозировании и ведении заболеваний яичников, включая злокачественные новообразования, эндокринные расстройства и функциональные нарушения.

Цель: Этот систематический обзор и метаанализ, выполненный в соответствии с PRISMA 2020, обобщает данные 81 рецензируемого исследования, чтобы оценить эффективность, клиническое применение и ограничения моделей ИИ и машинного обучения (МО) во всем спектре патологии и заболеваний яичников.

Методы: Проведен систематический поиск литературы в PubMed/MEDLINE, Embase, Web of Science, Cochrane Library и Scopus за период с января 2015 года по январь 2026 года. В анализ включали исследования разработки, валидации или клинического применения моделей ИИ/МО при патофизиологии или ведении заболеваний яичников. Качество исследований оценивали с помощью инструмента QUADAS-2 для исследований диагностической точности и инструмента PROBAST для исследований прогностического моделирования. Выполнены описательный синтез и метаанализ со случайными эффектами, а также заранее запланированные анализы подгрупп, метарегрессия и анализы чувствительности для изучения гетерогенности. Области применения классифицировали как рак яичников (диагностика, стадирование, прогнозирование, выбор лечения), репродуктивную эндокринологию (овариальный резерв, синдром поликистозных яичников, стимуляция яичников) и фундаментальную биологию яичников.

Результаты: Модели ИИ продемонстрировали высокую диагностическую точность при раке яичников при использовании мультимодальных данных, включая ультразвуковую радиомическую оценку (суммарная чувствительность 89-94%, специфичность 85-91%, AUC 0,92) и интегрированные сывороточные биомаркеры (AUC 0,94). Платформы объяснимого ИИ (XAI) эффективно предсказывали полную хирургическую циторедукцию при распространенном раке яичников (суммарная AUC 0,87). В репродуктивной медицине алгоритмы ИИ оптимизировали протоколы стимуляции яичников и прогнозировали рост фолликулов, демонстрируя надежную эффективность в предсказании ответа яичников на ЭКО (суммарная AUC 0,81). Выявлена выраженная гетерогенность (I² 68-85% в основных анализах), обусловленная преимущественно ретроспективным дизайном исследований, различиями архитектур ИИ и отсутствием стандартизованной валидации. Только 22% включенных исследований сообщали о проспективной многоцентровой внешней валидации.

Выводы: ИИ обладает значительным потенциалом для персонализации и улучшения помощи при заболеваниях яичников. Внедрение результатов исследований в рутинную клиническую практику требует строгой проспективной многоцентровой валидации, стандартизованных методологических и отчетных подходов, бесшовной интеграции в клинический рабочий процесс, а также надежного этического и регуляторного контроля для ответственного и справедливого применения.