Медицинская радиология и радиационная безопасность. 2025. Том 70. № 6

DOI:10.33266/1024-6177-2025-70-6-129-135

Ю.Д. Удалов¹, А.А. Сажина¹, А.А. Тимченко², В.И. Пустовойт¹

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ ВИЗУАЛИЗАЦИИ
И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ДИАГНОСТИКЕ ПОЧЕЧНЫХ ОБРАЗОВАНИЙ

¹ Федеральный медицинский биофизический центр им. А.И. Бурназяна ФМБА России, Москва

² Тинькофф Центр Разработки, Москва, Россия

Контактное лицо: Анна Андреевна Сажина, e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

 

Аннотация 

Цель: Обобщить современные подходы к диагностике почечных образований с акцентом на мультимодальную визуализацию и технологии искусственного интеллекта.

Материал и методы: Проведён систематизированный обзор отечественных и международных публикаций за период 2015–2024 гг., посвящённых диагностике опухолей почек с использованием ультразвукового исследования (УЗИ), компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), перфузионной КТ и контрастно-усиленного УЗИ. Отдельное внимание уделено методам радиомики, алгоритмам машинного обучения (CNN, SVM, XGBoost) и интеграции дополненной/виртуальной реальности в онкоурологическую практику.

Результаты: Установлено, что КТ и МРТ обеспечивают высокую точность визуализации образований почек (чувствительность до 95 %), в то время как ИИ-модели, такие как KidneyNet и 3D RES-UNET, достигают точности свыше 96 % при сегментации и классификации опухолей. Радиомика и текстурный анализ позволяют дифференцировать гистологические подтипы, прогнозировать грейд опухоли и снижать субъективность интерпретации. Технологии AR/VR способствуют персонализации хирургического планирования.

Выводы: Интеграция методов ИИ и мультимодальной визуализации повышает точность диагностики, ускоряет клиническое принятие решений и открывает перспективы для внедрения персонализированной онкоурологии. Необходима стандартизация протоколов, валидация алгоритмов на независимых выборках и решение этических вопросов использования данных пациентов.

Ключевые слова: лучевая диагностика, мультимодальная визуализация, почечные образования, искусственный интеллект, радиомика, текстурный анализ, KidneyNet

Для цитирования: Удалов Ю.Д., Сажина А.А., Тимченко А.А., Пустовойт В.И. Современные технологии визуализации и искусственный интеллект в диагностике почечных образований // Медицинская радиология и радиационная безопасность. 2025. Т. 70. № 6. С. 129–135. DOI:10.33266/1024-6177-2025-70-6-129-135

 

Список литературы

1. Инструктивно-методические указания по использованию полного перечня кодов морфологии опухолей (МКБ-О) и их переводу в коды единой системы популяционных раковых регистров России / Под ред. О.Ф. Чепик, В.М. Мерабишвили. СПб., 1996. 31 с.

2. Международная статистическая классификация болезней и проблем, связанных со здоровьем. Женева: Всемирная организация здравоохранения, 1995. 698 с.

3. Справочник сопоставления кодов МКБ-9 и МКБ-10 пересмотров по классу новообразований / Под ред. В.М.Мерабишвили. СПб., 1998. 91 с.

4. Доклад ВОЗ от 01.02.2024. Электронный ресурс: https://news.un.org/ru/story/2024/02/1449057.

5. Злокачественные новообразования в России в 2022 году (заболеваемость и смертность). МНИОИ им. П.А.Герцена − филиал «НМИЦ радиологии» Минздрава России. Электронный ресурс: https://glavonco.ru/cancer_register/zis-2022-elektronnaya-versiya.pdf

6. Мерабишвили В.М., Полторацкий А.Н., Носов А.К. и др. Состояние онкологической помощи в России. Рак почки (заболеваемость, смертность, достоверность учета, одногодичная и погодичная летальность, гистологическая структура). Часть 1 // Онкоурология. 2021. Т.17. №2. С. 182-194. doi 10.17650/1726-9776-2021-17-2-182-194. EDN YWWJJW.

7. Кадырлеев Р.А., Багненко С.С., Бусько Е.А. и др. Мультипараметрическое ультразвуковое исследование с контрастным усилением солидных образований почки в сопоставлении с методом компьютерной томографии // Лучевая диагностика и терапия. 2021. Т.12. №4. С. 74–82. doi: 10.22328/2079-5343-2021-12-4-74-82.

8. Elstob A., Gonsalves M., Patel U. Diagnostic Modalities // International Journalof Surgery. 2016. V.36. No.Pt.C. P. 504–512. doi: 10.1016/j.ijsu.2016.06.005. Epub 2016 Jun 15.

9. Ямщиков О.Н., Емельянова Н.В., Загороднова Д.С. Современные методы лучевой диагностики новообразований почки (обзор литературы) // Медицина и физическая культура: наука и практика. 2021. Т.3. №1. С. 14-22. Doi: 10.20310/2658-7688-2021-3-1(9)-14-22. EDN NFDUUK. https://www.elibrary.ru/item.asp?id=45428143.

10. Кадырлеев Р.А., Бусько Е.А., Костромина Е.В. и др. Ультразвуковое исследование с контрастированием в алгоритме диагностики солидных образований почек // Лучевая диагностика и терапия. 2021. Т.12. №1. С. 14–23. doi: 22328/2079-5343-2020-12-1-14-23. EDN TDGSSC.

11. Shehata M., Abouelkheir R.T., Gayhart M., Van Bogaert E., Abou El-Ghar M., Dwyer A.C., Ouseph R., Yousaf J., Ghazal M., Contractor S., El-Baz A. Role of Ai and Radiomic Markers in Early Diagnosis of Renal Cancer and Clinical Outcome prediction: a Brief Review // Cancers. 2023. V.15. No.10. P. 28-35. doi: 10.3390/cancers15102835.

12. Ломоносова Е.В., Гольбиц А.Б., Рубцова Н.А., Алексеев Б.Я., Каприн А.Д. Перфузионная компьютерная томография в диагностике заболеваний почек (обзор литературы) // Медицинская визуализация. 2023. Т.27. №2. С. 85–98. doi: 10.24835/1607-0763-1220.

13. Haralick R.M., Shanmugam K., Dinstein I. Textural Features for Image Classification. IEEE Trans Syst Man Cybern // SMC. 1973. V.3. No.6. P. 610–21. doi: 10.1109/TSMC.1973.4309314.

14. Гордуладзе Д.Н., Сирота Е.С., Рапопорт Л.М. и др. Возможности текстурного анализа лучевых методов визуализации в диагностике образований паренхимы почки // Онкоурология. 2021. Т.17. №4. С. 129–35. doi: 10.17650/1726-9776-2021-17-4-129-135.

15. Мосоян М.С., Гилев Е.С., Айсина Н.А. Доброкачественные образования почек: Учеб. пособие. СПб.: Санкт-Петербургский государственный экономический университет, 2022. 27 с. doi: 10.22328/2079-5343-2023-14-4-7-18.

16. Рева С.А., Шадеркин И.А., Зятчин И.В., Петров С.Б. Искусственный интеллект в онкоурологии // Экспериментальная и клиническая урология. 2021. Т.14. №2. С. 46-51. doi: 10.29188/2222-8543-2021-14-2-46-51.

17. Yu H.S., Scalera J., Khalid M., Touret A.S., Bloch N., Li B., et al. Texture Analysis as a Radiomic Marker for Differentiating Renal Tumors // Abdominal Radiology. 2017. V.42. No.10. P. 2470-2478. doi:10.1007/ s00261-017-1144-1.

18. Yan L., Liu Z., Wang G., Huang Y., Liu Y., Yu Y., et al. Angiomyolipoma with Minimal Fat: Differentiation from Clear Cell Renal Cell Carcinoma and Papillary Renal Cell Carcinoma by Texture Analysis on CT Images // Academic Radiology. 2015. V.22. No.9. P. 1115-1121. doi: 10.1016/j.acra.2015.04.004.

19. Feng Z., Rong P., Cao P., Zhou Q., Zhu W., Yan Z., et al. Machine Learning-Based Quantitative Texture Analysis of CT Images of Small Renal Masses: Differentiation of Angiomyolipoma without Visible Fat from Renal Cell Carcinoma // Euro Radiol. 2018. V.28. No.4. P. 1625-1633. doi: 10.1007/s00330-017-5118-z.

20. Жолдубаев А.А., Глыбочко П.В., Аляев Ю.Г. и др. Автоматизированная система поддержки принятия врачебных решений в лечении больных с новообразованиями паренхимы почки – первый опыт использования веб-платформы «Sechenov.AI_nephro» – результаты многоцентрового тестирования // Урология. 2024. №5. С. 12-22. Doi: 10.18565/urology.2024.5.12-22. EDN RQKKFX. https://www.elibrary.ru/item.asp?id=74502433.

21. Almuayqil S.N., Abd El-Ghany S., Abd El-Aziz A.A., Elmogy M. KidneyNet: A Novel CNN-Based Technique for the Automated Diagnosis of Chronic Kidney Diseases from CT // Scans. Electronics. 2024. No.13. P. 4981. doi: 10.3390/electronics13244981.

22. Ivanova E., Fayzullin A., Grinin V., Ermilov D., Arutyunyan A., Timashev P., Shekhter, A. Empowering Renal Cancer Management with AI and Digital Pathology // Pathology, Diagnostics and Prognosis. Biomedicines. 2023. No.11. P. 2875. doi: 10.3390/biomedicines11112875.

23. Карельская Н.А., Груздев И.С., Рагузина В.Ю., Кармазановский Г.Г. Текстурный анализ КТ- и МР-изображений в дифференциальной диагностике почечно-клеточного рака: обзор // Лучевая диагностика и терапия. 2023. Т.14. №4. С. 7–18. doi: 10.22328/2079-5343-2023-14-4-7-18.

24. Chen S., Song D., Chen L., Guo T., Jiang B., Liu A., Pan X., Wang T., Tang H., Chen G., Xue Z., Wang X., Zhang N., Zheng J. Artificial Intelligence-Based on-Invasive Tumor Segmentation, Grades Tratific Ationand Prognosis Prediction for Clear-Cell Renal-Cell Carcinoma. Precision // Clinical Medicine. 2023. V.6. No.3. P. 19. doi: 10.1093/pcmedi/pbad019. URL: https://academic.oup.com/pcm/article-pdf/6/3/pbad019/51300618/pbad019.pdf

25. Liu J., Yildirim O., Akin O., Tian Y. AI-Driven Robust Kidney and Renal Mass Segmentation and Classification on 3D CT Images // Bioengineering. 2023. No.10. P. 116. doi: 10.3390/bioengineering10010116.

26. Пустовгар А.А., Ярош А.Л., Олейник Н.В., Солошенко А.В. Первые результаты использования разработанного роботизированного устройства при биопсии надпочечников под контролем компьютерной томографии // Современные проблемы науки и образования. 2024. Т.3. №4. С. 4-12. doi.: 10.17513/spno.33531. EDNFMTGTH.

27. Тимофеева Е.Ю., Азильгареева К.Р., Морозов А.О., Тараткин М.С., Еникеев Д.В. Использование искусственного интеллекта в диагностике, лечении и наблюдение за пациентами с раком почки // Вестник урологии. 2023. Т.11. №3. С. 142–148. doi: 10.21886/2308-6424-2023-11-3-142-148. EDN TDGSSC.

 

  PDF (RUS) Полная версия статьи

 

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование не имело спонсорской поддержки.

Участие авторов. Cтатья подготовлена с равным участием авторов.

Поступила: 20.07.2025. Принята к публикации: 25.08.2025.