Злокачественные новообразования (ЗНО) лимфоидной и кроветворной ткани являются лидирующей причиной смертности среди молодого населения. Для оказания помощи таким пациентам необходима своевременная и достоверная верификация, что входит в задачи патологоанатомической службы. Наравне с ростом заболеваемости и смертности от ЗНО растет нагрузка на патологоанатомов, что, наряду с недостаточной укомплектованностью штатами, представляет актуальную проблему в здравоохранении. В этой связи применение искусственного интеллекта (ИИ) в медицине становится все более значимым и перспективным. Использование программ с генеративной предобученной моделью может служить эффективным инструментом для врача-патологоанатома в интерпретации гистологической картины и постановки диагноза опухоли лимфатической системы как в операционном, так и в биопсийном материале. Это позволит повысить качество и точность диагностики, оптимизировать рабочий процесс. В обзоре приведен анализ недавних научных исследований, изучающих возможности потенциального использования ИИ в диагностике ЗНО лимфоидной и кроветворной ткани.
Николай Павлович Зверев – ординатор патологоанатомического отделения ГБУЗ МКНЦ им. А. С. Логинова ДЗМ, Москва, Россия. E-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Илья Вадимович Цветнов – врач патологоанатомического отделения ГБУЗ МКНЦ им. А. С. Логинова ДЗМ, Москва, Россия. E-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Марк Витальевич Волошин – врач патологоанатомического отделения ГБУЗ МКНЦ им. А. С. Логинова ДЗМ, Москва, Россия. E-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Николай Сергеевич Карнаухов – к.м.н., заведующий патологоанатомическим отделением ГБУЗ МКНЦ им. А. С. Логинова ДЗМ, Москва, Россия. E-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
1. Bray F., Laversanne M., Weiderpass E., Soerjoma-taram I. The ever-increasing importance of cancer as a leading cause of premature death worldwide // Cancer. 2021. Vol. 127, N 16. P. 3029-3030.
2. Omran A.R. The epidemiologic transition. A theory of the epidemiology of population change // Milbank Mem Fund Q. 1971. Vol. 49, N4. P. 509-538.
3. Каприн А.Д., Старинский В.В., Шахзадова А.О., ред. Злокачественные новообразования в России в 2021 году (заболеваемость и смертность). М.: МНИОИ им. П.А. Герцена; 2022.
4. Pantanowitz L., Valenstein P.N., Evans A.J., et al. Review of the current state of whole slide imaging in pathology // J. Pathol. Inform. 2011. Vol. 2. P. 36.
5. Remez A.I., Zhuravlev A.S., Fattakhov A.O., et al. Digital pathology in Russia: experience and perspectives // RMJ. Medical Review. 2018. Vol. 6. P. 19-21.
6. Cutler D.M. What artificial intelligence means for health care // JAMA Health Forum. 2023. Vol. 7, N4. P. e232652.
7. Steinbuss G., Kriegsmann M., Zgorzelski C., et al. Deep learning for the classification of non-hodgkin lymphoma on histopathological images // Cancers (Basel). 2021. Vol. 13, N10. P. 2419.
8. Tsakiroglou A.M., Bacon C.M., Shingleton D., et al. Lymphoma triage from H&E using AI for improved clinical management // J Clin Pathol. 2023. DOI: jcp-2023-209186
9. Syrykh C., Abreu A., Amara N., et al. Accurate diagnosis of lymphoma on whole-slide histopathology images using deep learning // NPJ Digit Med. 2020. Vol. 3, N1. P. 63.
10. Swiderska-Chadaj Z, Hebeda KM, van den Brand M, et al. Artificial intelligence to detect MYC translocation in slides of diffuse large B-cell lymphoma // Virchows Arch. 2021. Vol. 479, N3. P. 617-621.
11. Perry C, Greenberg O, Haberman S, et al. Image-based deep learning detection of high-grade B-cell lymphomas directly from hematoxylin and eosin images // Cancers (Basel). 2023. Vol. 21, N15. P. 5205.
12. Yu W.H., Li C.H., Wang R.C., et al. Machine learning based on morphological features enables classification of primary intestinal T-cell lymphomas // Cancers (Basel). 2021, Vol. 21, N13. P.54-63.
13. Irshaid L., Bleiberg J., Weinberger E., et al. Histopathologic and machine deep learning criteria to predict lymphoma transformation in bone marrow biopsies // Arch Pathol Lab Med. 2022. Vol. 146, N2. P. 182-193.
14. Doeleman T., Hondelink L.M., Vermeer M.H., et al. Artificial intelligence in digital pathology of cutaneous lymphomas: A review of the current state and future perspectives // Semin Cancer Biol. 2023. Vol. 94. P.81-88.
15. Cristian M., A?chie M., Deacu M., et al. Comparison of Ki67 proliferation index in gastrointestinal non-Hodgkin large B-cell lymphomas: the conventional method of evaluation or AI evaluation? // Diagnostics (Basel). 2023. Vol. 17, N13. P. 2775.
16. Ehteshami Bejnordi B., Veta M., Johannes van Diest P., et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer // JAMA. 2017. Vol. 318, N22. P. 2199-2210.
17. Caldonazzi N., Rizzo P.C., Eccher A., et al. Value of artificial intelligence in evaluating lymph node metastases // Cancers (Basel). 2023. Vol. 15, N9. P. 2491.
18. Борбат А.М. Нейронные сети в морфологической диагностике. // Клиническая и экспериментальная морфология. 2020. Т. 9, №2. С. 11-15.
19. Niazi M.K.K., Parwani A.V., Gurcan M.N. Digital pathology and artificial intelligence // Lancet Oncol. 2019. Vol. 20, N5. P. e253-e261.
20. El Achi H., Khoury J.D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology // Cancers (Basel). 2020. Vol. 12, N4. P. 797.
21. Moran-Sanchez J., Santisteban-Espejo A., Martin-Piedra M.A., et al. Translational applications of artificial intelligence and machine learning for diagnostic pathology in lymphoid neoplasms: a comprehensive and evolutive analysis // Biomolecules. 2021. Vol. 11, N6. P.793.
22. Шелехова К.В. Возможности и перспективы искусственного интеллекта в патоморфологической диагностике рака // Практическая онкология. 2022. Т. 23, №4. С. 234-238.
23. Hu Y., Luo Y., Tang G., et al. Artificial intelligence and its applications in digital hematopathology // Blood Sci. 2022. Vol. 4, N3. P. 136-142.
24. Лушников Е.Ф. Цели и методы работы патологоанатома в современной онкологии // Онкология. Журнал им. П.А. Герцена. 2017. Т. 6, №2. С. 67-72.
25. Франк Г.А., Стародубова В.И., ред. Состояние и основные задачи развития патолого-анатомической службы Российской Федерации: отраслевое статистическое исследование за 2022 год. М.: Минздрав России; 2023.
26. Shafi S., Parwani A.V. Artificial intelligence in diagnostic pathology // Diagn Pathol. 2023. Vol. 18, N1. P. 109.
