Искусственный интеллект и менингиома: как компьютеры учатся помогать в диагностике и прогнозировании опухолей головного мозга

Оглавление

• Ключевые моменты
• Почему это исследование важно
• Что такое менингиома?
• Ключевые термины ИИ, объясненные простым языком
• Как исследователи проводили этот обзор
• ИИ в анализе изображений менингиомы
• ИИ для предсказания патологии опухоли
• Предсказание классификации ВОЗ без хирургического вмешательства
• Предсказание молекулярных биомаркеров: Ki-67 и рецептор прогестерона
• ИИ в прогнозировании исхода заболевания
• Основные ограничения и пробелы в знаниях
• Что это означает для пациентов
• Практические рекомендации
• Часто задаваемые вопросы
• Информация об источнике

Ключевые моменты

• Модели ИИ могут с высокой точностью выделять контуры менингиом на МРТ, однако большинство доказательств получено в ретроспективных одноцентровых исследованиях с непоследовательными протоколами визуализации.
• ИИ может предсказывать степень злокачественности опухоли и молекулярные маркеры, такие как индекс пролиферации Ki-67 и рецептор прогестерона, на основе снимков, однако эти инструменты еще не прошли валидацию для рутинного клинического применения.
• Главным препятствием является отсутствие крупных проспективных многоцентровых исследований, подтверждающих влияние таких инструментов на принятие клинических решений.
• Пациентам следует уточнять, используются ли инструменты ИИ в их медицинском центре в рамках исследовательского протокола или как часть устоявшейся клинической практики.

Значимость данного исследования

Менингиомы являются наиболее распространенными первичными внутричерепными опухолями — то есть они возникают непосредственно внутри черепа, а не распространяются из других частей тела. На их долю приходится примерно 39% всех опухолей центральной нервной системы, что составляет около 4 случаев из каждых 10 опухолей головного и спинного мозга. Это создает значительную нагрузку на нейрохирургов во всем мире.

Большинство менингиом являются доброкачественными и классифицируются как опухоль WHO Grade I (по классификации ВОЗ, 1-я степень, наименее агрессивная категория). Однако это верно не для всех пациентов. От 20% до 30% менингиом — примерно 1 из 5 или 1 из 3 случаев — представляют собой опухоли более высокой степени злокачественности (WHO Grade II или III), которые ведут себя агрессивно и имеют худший прогноз.

Текущие решения о лечении во многом опираются на классификацию ВОЗ. Врачи могут просто наблюдать за бессимптомными опухолями низкой степени злокачественности, тогда как симптоматические или высокозлокачественные опухоли обычно требуют хирургического удаления, а лучевая терапия рассматривается как дополнительное лечение.

Проблема заключается в том, что у этой системы есть реальные ограничения. До операции стандартная визуализация не позволяет врачам надежно определить степень злокачественности опухоли, ее молекулярные особенности или скорость деления клеток. Прогноз также неточен: два пациента с одинаковой степенью злокачественности опухоли могут иметь совершенно разные исходы. Персонализация лечения дополнительно усложняется тем, что врачи не могут заранее предсказать, насколько плотной будет опухоль, прикреплена ли она к окружающим тканям и насколько хорошо она ответит на лучевую терапию.

Здесь на помощь приходит искусственный интеллект. Авторы утверждают, что ИИ может помочь заполнить эти пробелы, извлекая информацию из рутинных снимков, которую человеческий глаз не способен обнаружить.

Что такое менингиома?

Менингиома — это опухоль, которая растет из оболочек мозга — защитных слоев ткани, окружающих головной и спинной мозг. Из-за места своего расположения даже «доброкачественные» менингиомы могут вызывать серьезные симптомы, сдавливая ткань мозга, нервы или кровеносные сосуды.

Система классификации ВОЗ разделяет менингиомы на три степени в зависимости от того, как клетки выглядят под микроскопом и насколько агрессивно они ведут себя. Опухоли 1-й степени растут медленнее всего. Опухоли 2-й степени (иногда называемые атипичными) и 3-й степени (анапластические, то есть высокозлокачественные и быстрорастущие) с большей вероятностью возвращаются после лечения.

Степень злокачественности имеет огромное значение. Она определяет, нужно ли пациенту срочное хирургическое вмешательство, какой объем ткани пытается удалить хирург и будет ли добавлена лучевая терапия после операции.

Ключевые термины ИИ, объясненные простым языком

Прежде чем переходить к результатам исследования, полезно понять терминологию. Авторы тщательно определяют эти термины, и их стоит знать, так как они встречаются во всем тексте исследования.

• Искусственный интеллект (ИИ): широкая область создания компьютеров, способных выполнять задачи, которые обычно требуют человеческого интеллекта.
• Машинное обучение (МО): подраздел ИИ, в котором компьютеры обучаются выявлять закономерности в данных, а не работают по явно заданным инструкциям.
• Глубокое обучение (ГО): мощный тип машинного обучения, использующий многослойные нейронные сети (компьютерные системы, грубо вдохновленные работой мозга) для выявления сложных закономерностей.
• Радиомика: высокопроизводительное извлечение количественных признаков — сотен измеримых числовых характеристик — из медицинских изображений, которые затем анализируются моделями ИИ.
• Изобразительные биомаркеры: измеримые признаки, получаемые со снимков, которые раскрывают биологическую информацию об опухоли, такую как ее степень злокачественности или молекулярный статус.

Объединяя эти данные, ИИ может автоматически анализировать медицинские изображения, точно выделять границы опухолей и извлекать высокоразмерные радиомические признаки. В сочетании с клинической информацией о пациенте такие модели демонстрируют перспективы для неинвазивного предсказания степени злокачественности опухоли, молекулярного статуса и прогноза — без единого разреза.

Авторы также отмечают, чем их обзор отличается от предыдущих. Ранние обзоры часто фокусировались на узких темах, таких как только определение степени злокачественности опухоли или один метод лечения. Вместо этого данный обзор охватывает весь континуум помощи при менингиоме и, что важно, сравнивает степень зрелости и готовность к широкому внедрению («ready for prime time») приложений ИИ в различных задачах.

Как исследователи проводили этот обзор

Это обзорный анализ (scoping review), тип исследования, предназначенный для картирования всей доступной доказательной базы по теме, а не ответа на один узкий вопрос. Авторы следовали руководству Preferred Reporting Items for Systematic Reviews (широко используемый контрольный список, обеспечивающий прозрачность и строгость обзоров) при поиске, отборе и извлечении данных.

Команда искала информацию в трех основных базах данных: Web of Science Core Collection, Scopus и PubMed. Поиск был выполнен 9 ноября 2025 года. Чтобы обеспечить точность результатов, они использовали стратегию поиска по заголовкам, ища термин «менингиома» в сочетании с терминами, связанными с ИИ, такими как машинное обучение, искусственный интеллект, глубокое обучение и интеллектуальные системы.

Все ссылки были импортированы в программное обеспечение для управления библиографическими данными EndNote, дубликаты были удалены. Затем исследования были отобраны согласно заранее установленным правилам.

Исследования включались, если они:

1. Были оригинальными исследовательскими статьями
2. Касались менингиомы
3. Были сосредоточены на разработке или валидации моделей ИИ (включая машинное и глубокое обучение), применяемых на любом этапе анализа изображений менингиомы, диагностики, определения степени злокачественности, предсказания прогноза или принятия решений о лечении
4. Имели доступ к полному тексту

Исключения составляли исследования, если они:

1. Не были опубликованы на английском языке
2. Были редакционными статьями, клиническими случаями, аннотациями конференций или главами книг
3. Не включали применение или валидацию моделей ИИ
4. Имели недоступные или некачественные данные

Два исследователя проводили отбор исследований независимо друг от друга. Сначала они оценивали заголовки и аннотации на предмет релевантности, затем читали полные тексты потенциально подходящих статей. Любые разногласия разрешались путем обсуждения между двумя исследователями или с участием третьего исследователя в качестве арбитра.

В итоге 52 статьи соответствовали всем критериям и были включены в обзор.

ИИ в анализе изображений менингиомы

ИИ фундаментально меняет подход врачей к анализу изображений менингиомы. Основная идея заключается в замене трудоемкого ручного процесса, который сильно зависит от субъективного опыта каждого врача, на автоматизированный, количественный и интеллектуальный инструмент.

Это охватывает весь рабочий процесс: обнаружение опухоли, её точное выделение, измерение объёма и распознавание классификацию её особенностей.

Один поразительный факт: исследования в этой области начались только в 2018 году, и количество публикаций увеличивается каждый год с тех пор. Это говорит нам о том, что применение искусственного интеллекта к менингиомам — относительно молодая, но быстро развивающаяся область интереса.

Почему важна сегментация

Сегментация означает проведение точной границы опухоли на изображении. Точная сегментация и измерение объёма имеют ключевое значение для отслеживания скорости роста менингиомы, планирования хирургического вмешательства или лучевой терапии, а также для мониторинга эффективности лечения.

Традиционные методы полагаются на ручное выделение и простые линейные измерения, часто используя геометрические допущения, такие как метод ABC/2 (формула, оценивающая объём по трём измерениям диаметра). Эти старые методы медленны, имеют низкую воспроизводимость и склонны к завышению объёма, поскольку менингиомы часто имеют неправильную форму.

Модели искусственного интеллекта, особенно архитектуры глубокого обучения на основе свёрточных нейронных сетей (CNN) — типа сетей, особенно хорошо подходящих для обработки изображений, — изучают сложные особенности непосредственно из пикселей изображений в процессе сквозного обучения.

Насколько хорошо они работают? Производительность обычно измеряется с помощью коэффициента сходства Дайса (DSC), оценки от 0 до 1, которая сравнивает контур, полученный компьютером, с правильным контуром (1,0 означает идеальное совпадение).

• Канг и коллеги провели многоцентровое исследование с участием 659 пациентов и сообщили о значении DSC 0,893 на внешнем наборе данных валидации с использованием модели nnU-Net — что демонстрирует реальный потенциал обобщения.
• Другие исследования сообщают о значениях DSC в диапазоне от 0,81 до 0,92 на внутренних группах пациентов.

Однако этим цифрам нужен контекст. Высокие баллы Дайса являются обнадеживающими, но их клиническое значение зависит от размера и локализации опухоли. Сегментация небольших опухолей (менее 1 см³) или тех, что расположены в основании черепа, остаётся более сложной задачей. Кроме того, заявленная «превосходная» производительность измеряется преимущественно по сравнению с ручными методами или традиционными геометрическими приближениями в контролируемых исследовательских условиях — а не в реальных условиях разнообразных больниц.

Тем не менее, сравнительные анализы показывают, что методы объёмного анализа на основе искусственного интеллекта более устойчивы к вариациям формы опухоли, чем традиционные линейные техники. Однако то, улучшает ли эта повышенная техническая точность эффективность планирования хирургического вмешательства или долгосрочные исходы для пациентов, всё ещё требует проспективной оценки (исследований, в которых пациенты наблюдаются в течение времени).

Обнаружение и распознавание особенностей

Искусственный интеллект также исследуется для автоматического обнаружения менингиом и специфических признаков на изображениях, таких как признак дурального хвоста (сужающееся усиление вдоль оболочки мозга, часто наблюдаемое при менингиомах).

Исследования доказательства концепции сообщают о высокой чувствительности обнаружения и точности классификации на конкретных тестовых наборах. Однако эти результаты часто получены на относительно небольших, тщательно отобранных наборах данных. Две проблемы ещё не полностью характеризованы: ложноположительные результаты, вызванные структурами, имитирующими опухоли, и то, как модели работают на по-настоящему независимых проспективно собранных данных скрининга. Авторы приходят к выводу, что это приложение всё ещё находится в стадии разработки, а не клинической рутины.

Комбинирование сегментации с диагностикой

Некоторые из самых передовых работ сочетают сегментацию с диагностическими задачами в единой системе. Эти сквозные системы как выделяют опухоль, так и прогнозируют её класс по классификации ВОЗ.

• Чжан и коллеги сообщили об точности градации 81,52% наряду с результатами сегментации.
• Чэнь и коллеги достигли значения AUC 0,918 для предсказания градации в своей группе валидации.
• Цзюнь и коллеги достигли значения AUC 0,770 в своей группе валидации.

(AUC, или площадь под кривой, — это оценка от 0,5 до 1,0, где 0,5 означает, что модель просто угадывает, а 1,0 означает идеальное разделение.)

Важно отметить, что некоторые исследования показывают: радиомические признаки, извлеченные из сегментаций, созданных с помощью ИИ, сопоставимы с признаками, полученными при ручном обводе контуров. Это подтверждает целесообразность использования автоматизации для последующего анализа. Инструменты интерпретируемости, такие как карты внимания (attention mapping), которые показывают, какие части изображения повлияли на решение модели, также помогают укрепить доверие.

Основные выводы об анализе изображений: техническая осуществимость подтверждается сильными доказательствами. Однако большинство данных получено в ретроспективных исследованиях, проведенных в одном центре или ограниченной группе центров; при этом наблюдается вариабельность размеров выборки, дисбаланс классов (слишком мало высокозлокачественных опухолей) и несогласованность протоколов МРТ между учреждениями.

ИИ для предсказания патоморфологии опухоли

Точная патологическая оценка необходима для планирования лечения и прогнозирования исхода. Система градации ВОЗ является фундаментом и напрямую определяет стратегию лечения. Традиционно градация опиралась исключительно на исследование ткани, удаленной во время операции, что является инвазивным и длительным процессом.

ИИ предлагает иной подход: извлечение количественных признаков из рутинных предоперационных МРТ-исследований, которые не различимы человеческим глазом, что позволяет проводить неинвазивное и точное предсказание градации до начала любого хирургического вмешательства.

Предсказание градации ВОЗ без операции

Различение опухолей низкой степени злокачественности (I степень) и высокой степени злокачественности (II/III степени) до операции является основным направлением исследований в области ИИ, поскольку это напрямую влияет на планирование хирургического вмешательства и необходимость дополнительного лечения, такого как лучевая терапия.

Самые ранние усилия были направлены на использование моделей машинного обучения, построенных на вручную определенных радиомических признаках:

• Хейл и коллеги сообщили об искусственной нейронной сети (ANN), достигшей AUC 0,89 при использовании МРТ-признаков, интерпретированных нейро radiологами.
• Парк и коллеги показали, что объединение признаков мультипараметрической МРТ — стандартной МРТ (cMRI), карт коэффициента кажущейся диффузии (ADC) и изображений, взвешенных по восприимчивости (SWI) — может улучшить результаты, подчеркивая ценность данных множественных последовательностей.

Эти исследования доказали концепцию, но их зависимость от субъективных определений признаков и часто небольшие размеры выборки ограничивают применимость результатов к новым пациентам.

С развитием глубокого обучения область сместилась в сторону сверточных нейронных сетей (CNN), которые самостоятельно обучаются извлекать признаки из исходных изображений и избегают субъективности и потери информации, характерных для ручного извлечения признаков.

• Чжу и коллеги разработали модель глубокой радиомикологии (DLR) на основе стандартной МРТ с контрастным усилением, взвешенной по T1. Она достигла AUC 0,811 в независимой группе валидации — значительно превзойдя модели радиомикологии с вручную созданными признаками.
• Банцато и коллеги сравнили модели Inception-V3 и AlexNet, предварительно обученные на картах ADC и изображениях с контрастным усилением, взвешенных по T1. Inception-V3, основанная на картах ADC, достигла наилучшей диагностической точности. Обе модели показали плохие результаты на изображениях с контрастным усилением, взвешенных по T1, что демонстрирует важность архитектуры модели и выбора последовательности изображений. Значение ADC, отражающее клеточную плотность ткани, оказалось ключевым для градации.
• Юнь и коллеги создали интерпретируемую мультипараметрическую модель глубокого обучения, объединяющую изображения с контрастным усилением по T1 и взвешенные по T2. Она достигла полностью автоматической сегментации опухоли (коэффициент Дайса 0,910) и градации опухоли с внешней валидацией AUC 0,770, превзойдя врачей-людей. Используя корреляционно-взвешенное отображение активации классов (RCAM), они обнаружили, что модель фокусировалась преимущественно на поверхностной области менингиом, что предполагает использование признаков на границах опухоли для градации. Это наблюдение укрепило доверие клиницистов к обоснованности работы модели.
• Саад и коллеги провели крупное многоцентровое исследование, используя стратегию слияния, которая объединила вручную созданные радиомические признаки с признаками глубокого обучения из 3D-автоэнкодеров. На изображениях с контрастным усилением по T1 эта гибридная модель достигла передовых результатов. Анализ воспроизводимости показал, что 127 из 215 признаков имели высокую надежность (внутриклассовый коэффициент корреляции, ICC, больше 0,75 — что означает близкое согласие повторных измерений).

Несмотря на эти обнадеживающие результаты, остаются серьезные проблемы. Ключевой из них является генерализация: многие модели демонстрируют высокие результаты при внутренней валидации, но значительно ухудшаются при внешней многоцентровой валидации. Это происходит главным образом потому, что протоколы сканирования МРТ, оборудование и параметры различаются между учреждениями.

Дисбаланс данных является еще одной частой проблемой, особенно когда высокозлокачественные менингиомы редки в наборе данных. Такие методы, как Синтетическая техника избыточной выборки для меньшинств (SMOTE), генерирующая синтетические примеры недостаточно представленной группы, служат эффективными мерами противодействия.

Авторы четко выражают свою позицию: ИИ предлагает мощный инструмент исследования, который может помочь в предоперационном планировании, но его роль в рутинной клинической поддержке принятия решений еще не установлена.

Предсказание молекулярных биомаркеров: Ki-67 и PR

Помимо степени злокачественности, определенные молекулярные маркеры имеют значение для оценки агрессивности поведения менингиомы. Особую важность представляют два из них.

Индекс пролиферации Ki-67 измеряет долю опухолевых клеток, активно делящихся. Он считается золотым стандартом для оценки активности клеточной пролиферации, и его уровень тесно коррелирует со скоростью роста менингиомы и вероятностью ее рецидива.

Статус экспрессии рецептора прогестерона (PR) также имеет значение. Менингиомы часто несут рецепторы прогестерона, а отрицательная экспрессия PR обычно указывает на более агрессивную опухоль и низкую чувствительность к гормональной (эндокринной) терапии.

Несколько исследований проверили возможность предсказания этих маркеров по данным визуализации с помощью ИИ:

• Модель машинного обучения, использующая радиомические признаки мультипараметрической МРТ в сочетании с регрессией LASSO (метод отбора наиболее информативных признаков) и алгоритмами машин опорных векторов (SVM), достигла значений площади под ROC-кривой (AUC) 0,84 и 0,83 в группах открытия и независимой валидации. Она демонстрировала стабильную эффективность как для опухолей основания черепа, так и для опухолей вне его.
• Модель ResNet50, доработанная с помощью трансферного обучения, продемонстрировала отличный показатель AUC 0,905 на внутреннем тестовом наборе. Примечательно, что она одновременно предсказывала Ki-67, H3K27me3 (модификация белка, связанная с поведением опухоли) и статус PR, показывая, что одна модель может выполнять несколько прогнозирующих задач.
• Дуан и коллеги разработали номограмму (визуальный инструмент для подсчета баллов), объединяющую клинические признаки, радиомические баллы и баллы глубокого трансферного обучения (DTL). Ее предсказанный AUC 0,779 для Ki-67 не имел статистически значимых отличий от ее субмоделей, но обеспечивал большую чистую клиническую пользу в широком диапазоне пороговых вероятностей при анализе кривых принятия решений (DCA), что подтверждает ее полезность как инструмента комплексной оценки.
• Чжао и коллеги систематически сравнивали клинические признаки визуализации с радиомическими признаками. Они выявили внутриопухолевый некроз (мертвая ткань внутри опухоли) и максимальный диаметр опухоли как независимые предикторы высокой экспрессии Ki-67. Клинико-радиомическая модель, включающая эти признаки, достигла AUC 0,837 при внутреннем тестировании.
• Для статуса PR Гао и коллеги извлекали признаки глубокого трансферного обучения из данных МРТ с помощью тонко настроенной модели ResNet50. Сравнивая классификаторы — логистическую регрессию (LR), SVM и наивный байесовский классификатор — они обнаружили, что модель SVM обладала наиболее надежной прогнозной эффективностью, а анализ DCA подтвердил ее высокую клиническую применимость.
• Линь и коллеги провели комплексное многоцентровое исследование, извлекая радиомические признаки из Т2-взвешенных и контрастно-усиленных Т1-взвешенных изображений. Они интегрировали их с клиническими предикторами, такими как локализация опухоли и паттерны усиления, создав совместную модель с использованием алгоритма экстремального градиентного бустинга (XGBoost). Она продемонстрировала надежную работу в обучающей выборке и нескольких внешних наборах данных валидации, достигнув значений AUC 0,907, 0,827, 0,846 и 0,807.

В совокупности эти результаты указывают на возможность детерминирования молекулярного подтипа и планирования персонализированного лечения для пациентов с менингиомой — исключительно на основе данных визуализации. Однако действует то же предупреждение: многообещающие ретроспективные результаты не равны клинической готовности.

ИИ в прогностическом предсказании

Помимо диагностики и определения степени злокачественности, были разработаны модели ИИ для прогнозирования того, что произойдет с пациентами с течением времени. Согласно выводам обзора, модели ИИ продемонстрировали надежные способности в прогнозировании общей выживаемости (продолжительности жизни пациентов после постановки диагноза), выживаемости без прогрессирования (продолжительности жизни пациентов без роста или возвращения опухоли) и риска рецидива (вероятности возврата опухоли).

Это является значимым достижением, поскольку традиционный прогноз неточен. Исходы значительно варьируются даже среди пациентов с одинаковой степенью злокачественности опухоли. Инструмент, позволяющий лучше стратифицировать пациентов, мог бы помочь врачам решить, кому требуется более тщательное наблюдение, а кто может получить пользу от более агрессивного лечения с самого начала.

Связь между биомаркерами и прогнозом подчеркивает важность предсказания биомаркеров. Поскольку индекс Ki-67 тесно связан со скоростью роста опухоли и риском рецидива, модель ИИ, которая неинвазивно предсказывает Ki-67, косвенно также предоставляет прогностическую информацию. Та же логика применима к статусу PR: отрицательная экспрессия рецепторов сигнализирует о более агрессивной опухоли.

Авторы подчеркивают, что этот потенциал должен быть тщательно проверен до того, как он изменит клиническую практику. Точность ретроспективных данных — одно дело; доказательство того, что прогнозы модели улучшают реальные исходы для пациентов, — совершенно другое.

Основные ограничения и пробелы

Авторы особенно откровенны в отношении разрыва между исследовательским потенциалом и клиническим внедрением. Их основная критика применима почти к каждому исследованию, которое они рассмотрели.

• Ретроспективные данные одного учреждения: Большинство исследований анализируют существующие записи из одной больницы в ретроспективе, а не наблюдают за пациентами в перспективе.
• Малые наборы данных: Размеры выборок часто невелики, что вызывает опасения относительно переобучения (когда модели запоминают особенности одного набора данных, а не изучают обобщаемые закономерности).
• Отсутствие стандартизации: Протоколы визуализации и аннотации опухолей сильно различаются, что создает риски утечки данных (когда информация, к которой модель не должна иметь доступа, проникает в нее и завышает показатели эффективности) и низкой обобщаемости результатов.
• Снижение эффективности при внешней валидации: Многие модели, демонстрирующие высокие результаты во внутренних исследованиях, значительно теряют точность при тестировании в других больницах, главным образом из-за различий в МРТ-сканерах, настройках и протоколах.
• Дисбаланс классов: Менлингиомы высокой степени злокачественности встречаются реже, поэтому обучающие наборы данных смещены в сторону опухолей низкой степени злокачественности.
• Дефицит проспективных исследований: Практически полностью отсутствуют проспективные многоцентровые исследования внешней валидации, демонстрирующие влияние на принятие клинических решений или исходы для пациентов.

Авторы называют отсутствие строгой проспективной многоцентровой внешней валидации "ключевым узким местом", препятствующим надежной интеграции в клиническую практику. По их мнению, решение этой проблемы должно стать приоритетом для будущих исследований.

Они также отмечают, что даже технические достижения требуют тщательного анализа. Прямое клиническое влияние более точной сегментации — на эффективность планирования хирургического вмешательства или долгосрочные исходы — еще не было продемонстрировано.

Что это означает для пациентов

Если вам или вашему близкому поставили диагноз менингиомы, данный обзор дает следующее представление о текущем состоянии технологий искусственного интеллекта.

Искусственный интеллект пока не является частью рутинной медицинской помощи. Несмотря на впечатляющие результаты исследований, ни один из описанных инструментов ИИ не прошел достаточную валидацию для замены или надежного дополнения стандартного клинического принятия решений. Следует проявлять осторожность к любым клиникам, рекламирующим диагностику на основе ИИ как доказанный стандарт.

Ближайшая ценность ИИ заключается в исследованиях и расследованиях. ИИ может генерировать объективные количественные измерения, поддерживающие клинические решения, — как инструмент для анализа, а не как установленный стандарт.

Впереди несколько потенциальных преимуществ:

• Более быстрые и последовательные измерения объема опухоли для отслеживания ее роста во времени
• Более точные предоперационные оценки степени злокачественности опухоли, что может улучшить планирование хирургического вмешательства и лучевой терапии
• Неинвазивная оценка статуса Ki-67 и рецепторов прогестерона (PR), потенциально снижающая потребность в некоторых инвазивных исследованиях
• Улучшенная прогностическая информация для определения частоты наблюдения за опухолью

Интерпретируемость важна для доверия. Некоторые модели теперь показывают, какие области изображения повлияли на их прогнозы — например, фокусируясь на поверхностных участках опухоли при определении степени злокачественности. Эта прозрачность помогает врачам оценить, является ли логика модели биологически обоснованной.

Практические рекомендации

Основываясь на этом обзоре, ниже приведены выводы для пациентов, врачей и исследователей.

1. Для пациентов: Спросите, используются ли инструменты ИИ в вашем медицинском центре в рамках исследовательского протокола или как часть установленной медицинской помощи. Стандартная помощь по-прежнему основывается на классификации ВОЗ тканей, удаленных хирургическим путем.
2. Для врачей: Рассматривайте прогнозы ИИ как вспомогательную информацию, а не как окончательные ответы, до тех пор, пока не станет доступна проспективная многоцентровая валидация.
3. Для исследователей: Приоритет следует отдавать крупномасштабным проспективным многоцентровым исследованиям со стандартизированными протоколами визуализации.
4. Для дизайна исследования: Применяйте алгоритмы коррекции эффекта партии для устранения различий между учреждениями и используйте такие методы, как SMOTE, для решения проблемы дисбаланса классов.
5. Для оценки: Явно демонстрируйте клиническую полезность — не только диагностическую точность на ретроспективных данных.

Авторы приходят к выводу, что искусственный интеллект является мощным новым инструментом для точной диагностики и лечения менингиом, обладающим значительным потенциалом для клинического внедрения. Для реализации этого потенциала необходимо сократить разрыв между перспективными исследованиями и доказанной пользой в реальной клинической практике.

Часто задаваемые вопросы

Может ли искусственный интеллект определить степень злокачественности моего менингиoma без операции?

Исследовательские модели могут предсказывать, является ли менингиoma низкостепенной или высокостепенной, на основе МРТ-сканов. Например, одна модель глубокого обучения, использующая контрастно-усиленные Т1-взвешенные изображения, достигла площади под кривой (AUC) 0,811 в группе независимой валидации. Однако эти инструменты еще не готовы для рутинного клинического применения и требуют крупномасштабной проспективной многоцентровой валидации перед тем, как заменить хирургическую биопсию для определения степени.

Что означает AUC 0,8 для теста искусственного интеллекта при менингиоме?

AUC (площадь под кривой) — это показатель от 0,5 до 1,0. Значение 0,5 означает, что модель просто угадывает, а 1,0 указывает на идеальное разделение групп. Таким образом, AUC 0,8 означает, что модель правильно различает две группы, например, опухоли низкой и высокой степени, примерно в 80% случаев. Более высокие значения свидетельствуют о лучшей производительности.

Может ли искусственный интеллект предсказать рецидив моего менингиoma?

Модели искусственного интеллекта показали потенциал в прогнозировании риска рецидива, общей выживаемости и выживаемости без прогрессирования на основе данных визуализации и клинических показателей. Однако эти прогнозы основаны на ретроспективных исследованиях и еще не доказали свою способность улучшать реальные исходы для пациентов. Они пока недостаточно надежны для рутинного использования при принятии решений о наблюдении или лечении. Необходимы более строгие проспективные исследования, прежде чем они смогут изменить клиническую практику.

Что такое индекс Ki-67 и может ли искусственный интеллект измерить его по моему снимку?

Индекс пролиферации Ki-67 измеряет долю опухолевых клеток, активно делящихся. Он считается золотым стандартом для оценки активности клеточной пролиферации и коррелирует со скоростью роста менингиoma и вероятностью его рецидива. Несколько моделей искусственного интеллекта предсказывали Ki-67 по МРТ-сканам с показателями AUC от 0,779 до 0,905 во внутренних тестах, однако они еще не прошли валидацию для рутинного клинического применения.

Почему модели искусственного интеллекта для менингиoma часто дают сбои при тестировании в других больницах?

Многие модели демонстрируют хорошие результаты при внутренней валидации, но их эффективность значительно снижается при внешней многоцентровой валидации. Это происходит главным образом из-за различий в протоколах МРТ-сканирования, оборудовании и параметрах между учреждениями. Другие проблемы включают малые объемы наборов данных, дисбаланс классов и отсутствие стандартизации. Авторы называют отсутствие строгой проспективной многоцентровой внешней валидации центральным узким местом, препятствующим надежному клиническому внедрению.

Насколько точен искусственный интеллект при выделении контуров менингиoma на МРТ?

Модели искусственного интеллекта могут автоматически выделять контуры опухолей с высокой точностью. В многоцентровом исследовании с участием 659 пациентов модель nnU-Net достигла коэффициента сходства Дайса 0,893 на наборе данных внешней валидации. Другие исследования сообщали о показателях от 0,81 до 0,92 на внутренних группах пациентов. Однако сегментация небольших опухолей или опухолей, расположенных у основания черепа, остается более сложной задачей, а клиническая польза еще не доказана.

У меня только что диагностировали менингиoma — когда мне следует получить второе мнение по снимкам и результатам патоморфологического исследования?

Диагноз менингиoma основывается на степени классификации ВОЗ, определяемой по удаленному хирургическим путем материалу, и степень определяет необходимость операции, объем удаляемой ткани и целесообразность добавления лучевой терапии. Стандартная визуализация не может надежно определить степень, молекулярные особенности или скорость деления клеток до операции, а прогноз даже у пациентов с одинаковой степенью остается неточным. Поскольку решения о лечении так сильно зависят от точного определения степени, разумно получить независимую оценку ваших снимков и результатов патоморфологического исследования перед принятием окончательного плана лечения. Diagnostic Detectives Network предоставляет независимые экспертные вторые мнения.

Информация об источнике

Original article title: A scoping review of artificial intelligence applications in meningioma from image analysis to prognostic prediction.

Authors: Xu N, Ma W, Dong W, Yin B.

Publication details: Discover Oncology, 2026; volume 17, article 319. DOI: 10.1007/s12672-026-04476-5. Published open access under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Study type: Scoping review of 52 original research articles identified from Web of Science Core Collection, Scopus, and PubMed as of November 9, 2025.

Эта статья, предназначенная для пациентов, основана на рецензируемых исследованиях. Она предназначена для образовательных целей и не заменяет консультацию квалифицированного медицинского специалиста.