Введение

В условиях демографического вызова, стоящего перед Российской Федерацией, вопросы охраны репродуктивного здоровья приобретают стратегическое значение. Согласно Указу Президента Российской Федерации от 07.05.2024 №309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года»¹, одной из национальных целей развития на период до 2030 г. обозначены сохранение населения, укрепление здоровья и повышение благополучия граждан, включая поддержку института семьи. В числе конкретных ориентиров — достижение суммарного коэффициента рождаемости на уровне 1,6 к 2030 г. и 1,8 к 2036 г., в том числе путем стимулирования рождения третьего и последующих детей. Для реализации этих задач в рамках национального проекта «Семья» с 2025 г. реализуется федеральный проект «Охрана материнства и детства», направленный на расширение доступа к качественной медицинской помощи женщинам и детям. Ключевыми мерами являются модернизация женских консультаций, увеличение охвата диспансеризацией лиц репродуктивного возраста до 50%, развитие мобильной медицины [1]. В этом контексте интеграция новых цифровых технологий и искусственного интеллекта (ИИ) в практику репродуктивной медицины становится важнейшим инструментом достижения демографических целей. Решение задач персонализированной диагностики, скрининга, диспансеризации и прогнозирования репродуктивных исходов требует активного внедрения решений на основании технологий ИИ в гинекологическую практику. Применение технологий ИИ в репродуктивной медицине напрямую соответствует задачам, обозначенным в национальных проектах. Инструменты ИИ способны существенно усилить эффективность таких приоритетных направлений, как диспансеризация, скрининг, акушерско-гинекологическая реабилитация и вспомогательные репродуктивные технологии (ВРТ), обеспечивая тем самым практическую реализацию целей по укреплению репродуктивного здоровья населения и улучшению демографических показателей.

Преимущество ИИ заключается в его способности обрабатывать огромные и сложные массивы данных (от медицинской визуализации до истории болезни), выявляя определенные детали и закономерности, которые могут быть не замечены врачами и исследователями [2].

Например, применение технологий ИИ существенно ускоряет интерпретацию данных скрининговых исследований, в частности при выявлении патологии шейки матки и проведении онкопрофилактики молочной железы. За последние годы наблюдается стремительный рост исследований, посвященных применению ИИ в области репродуктивной медицины. Несмотря на то что большинство этих разработок находится на экспериментальной стадии, клиническая интеграция ИИ остается ограниченной, отмечается тенденция к цифровой трансформации. В клиниках ВРТ уже внедряются модели машинного обучения для персонализации протоколов экстракорпорального оплодотворения (ЭКО). В области хирургии началось применение роботизированных платформ, дополненных модулями ИИ [3].

Рост популярности ИИ в медицине обусловливает необходимость разработки регулирующих рекомендаций со стороны международных организаций. Среди структур, утвердивших руководства по применению ИИ в здравоохранении, можно выделить Всемирную организацию здравоохранения (ВОЗ) и сеть EQUATOR (Enhancing the QUAlity and Transparency Of health Research) [4].

Эксперты ВОЗ признают не только огромный потенциал ИИ, но и связанные с ним риски при неправильном применении, способные вызвать нарушение качества и безопасности медицинской помощи. В связи с этим ВОЗ выделила ключевые принципы, направленные на обеспечение этичного и безопасного использования ИИ в медицине: уважение автономии человека; защита здоровья, безопасности и общественных интересов; обеспечение прозрачности, понятности и интерпретируемости принимаемых решений; развитие ответственности; а также поддержка гибких и устойчивых моделей применения ИИ [2, 4].

Данный обзор представляет собой анализ текущего состояния и перспектив применения ИИ в репродуктивной медицине и хирургии. Рассматриваются ключевые методологические подходы, этические аспекты, опыт российских исследователей и возможные направления дальнейшего развития области технологий в сфере репродуктивного здоровья.

Применение искусственного интеллекта в скрининге, диспансеризации и реабилитации

Технологии искусственного интеллекта активно внедряются в программы популяционного скрининга, направленные на раннее выявление заболеваний у населения. Одним из ключевых направлений в гинекологии остается скрининг рака шейки матки. Несмотря на доказанную эффективность стандартных методов (Пап-теста и ВПЧ-тестирования), для их реализации требуются развитая лабораторная инфраструктура и квалифицированный персонал, что ограничивает охват в ряде регионов. С применением алгоритмов ИИ можно автоматизировать интерпретацию цитологических изображений, улучшить воспроизводимость диагностики и расширить доступность скрининга [5].

Особое значение приобретает этап дообследования — кольпоскопия при выявлении подозрительных изменений. Современные кольпоскопы, оснащенные ИИ, такие как DYSIS Ultra (США/ЕС), автоматически формируют карты аномалий, визуализируя участки подозрительной зоны трансформации. По данным зарубежных исследований, использование систем ИИ, таких как Cerviray AI, позволяет повысить чувствительность и специфичность в диагностике CIN II по сравнению с традиционной кольпоскопией. В исследовании с участием более 19 000 женщин показано, что алгоритм, анализирующий изображения шейки матки и данные биопсии, повышал согласованность диагностики с гистологическим «золотым стандартом» [6, 7].

Тем не менее полностью автономная интерпретация результатов Пап-теста и кольпоскопии остается затрудненной. Алгоритмы ИИ сталкиваются с техническими барьерами, включая перекрытие клеток, низкое качество мазков и вариативность окрашивания. В этих условиях роль врача-цитолога остается критически важной [8].

Следует также отметить, что автоматизированный анализ изображений шейки матки с использованием алгоритмов ИИ позволяет повысить скорость и точность диагностики, что способствует более оперативному выявлению патологий и своевременному началу лечения. Это особенно важно при массовых обследованиях, где критичны скорость обработки и минимизация человеческого фактора в интерпретации результатов. В исследовании V. Pavlov и соавт. (2022) предложена упрощенная архитектура нейронной сети для автоматической классификации шейки матки по изображениям кольпоскопии. Система продемонстрировала высокую точность распознавания нормальных тканей (95,46%), LSIL (79,78%), HSIL (94,16%) и подозрительных на инвазию участков (97,09%), при этом характеризуется низкой вычислительной сложностью, что делает ее пригодной для использования на маломощных устройствах, включая смарт-кольпоскопы и мобильные платформы. Авторы подчеркивают потенциал подобного решения в снижении зависимости от опыта оператора и расширении доступа к ранней диагностике в условиях ограниченных ресурсов [9].

Учитывая частое сочетание доброкачественной патологии молочной железы с гинекологическими заболеваниями, особенно при эндометриозе и синдроме поликистозных яичников, возрастает значимость роли врача — акушера-гинеколога в раннем выявлении заболеваний молочной железы и проведении первичного онкологического скрининга. Согласно данным литературы, доброкачественная дисплазия молочной железы выявляется в 98% случаев на фоне гинекологической патологии, а у каждой 2-й женщины с эндометриозом и 90% пациенток с с синдромом поликистозных яичников (СПКЯ) диагностируется мастопатия. В таких клинических ситуациях особое значение приобретает внедрение алгоритмов визуализации с использованием системы BI-RADS и потенциально технологий ИИ, которые позволяют проводить объективную стратификацию риска и оптимизировать маршрутизацию пациенток [10].

Сопровождение в реабилитационном периоде

Технологии ИИ все активнее интегрируются в этап реабилитации, включая дистанционное сопровождение пациенток после оперативного лечения. Интеллектуальные телемедицинские платформы позволяют проводить онлайн-консультации, отслеживать симптомы и автоматизировать сбор жалоб. Чат-боты, основанные на ИИ, используются для информирования пациенток, напоминаний о приеме лекарств, сбора анамнеза и своевременной передачи информации врачу при появлении тревожных симптомов.

Так называемые умные системы постоперационного мониторинга анализируют показатели, такие как температура, боли или изменения самочувствия, позволяя оперативно выявлять осложнения [11].

Это способствует повышению уверенности пациенток после выписки и предоставляет врачам объективные данные о ходе восстановления.

Искусственный интеллект и современные стратегии диагностики эндометриоза

Эндометриоз — гинекологическое заболевание, характеризующееся наличием ткани, подобной эндометрию, вне полости матки с хроническим и рецидивирующим течением, поражающее от 5 до 10% женщин репродуктивного возраста. Несмотря на высокую распространенность, диагноз зачастую устанавливается с задержкой в 6—10 лет от начала симптомов в связи с тем, что для окончательной постановки диагноза требуется операция с дальнейшим гистологическим подтверждением, и из-за неспецифичности клинической картины. ИИ предлагает перспективные пути к более раннему и неинвазивному выявлению заболевания [12—14].

Важным направлением является визуализационная диагностика. Модели машинного обучения анализируют данные трансвагинального ультразвука и магнитно-резонансной томографии с целью автоматического распознавания очагов эндометриоза. Согласно S. Mittal и соавт. (2025), ИИ демонстрирует потенциал в повышении точности интерпретации изображений, особенно при визуализации глубокого инфильтративного эндометриоза. Для получения этих выводов авторы выполнили систематический обзор исследований, в которых применялись алгоритмы машинного и глубокого обучения для анализа изображений трансвагинальное ультразвуковое исследование (ТВУЗИ) и магнитно-резонансной томографии (МРТ). Основное внимание было уделено задачам автоматического выявления глубокого инфильтративного эндометриоза, эндометриом и аденомиоза. Большинство включенных работ было ретроспективным, с ограниченным числом пациентов и данными, полученными в одном центре, что обусловливает необходимость дальнейшей стандартизации и многоцентровой валидации перед клиническим внедрением технологий [15].

Обзор, выполненный Guerriero S и соавт. (2022), включивший 29 исследований, подтвердил высокую чувствительность (до 94%) моделей ИИ, преимущественно основанных на ультразвуковое исследование (УЗИ) и МРТ. Использовались как классические алгоритмы (Random Forest), так и нейросети (Convolutional Neural Network, CNN), часто в сочетании с клиническими параметрами. Авторы подчеркивают перспективность направлений, связанных с трехмерным УЗИ и ИИ, а также с формированием стандартизированных, воспроизводимых диагностических решений [16].

Особое внимание уделяется интеграции ИИ и радиологических данных. В систематическом обзоре J. Avery и соавт. (2024) обобщены данные 5 исследований, в которых алгоритмы глубокого машинного обучения и классификации применялись для диагностики инфильтративного эндометриоза, аденомиоза и эндометриоидных кист яичников. Особенно перспективными оказались мультикомпонентные модели, объединяющие изображение с клиническими данными (анамнез, жалобы, менструальный цикл), что существенно повышает точность предоставленной информации в систематическом обзоре J. Avery. Показана эффективность алгоритмов ИИ в автоматическом выявлении малозаметных признаков поражения таких трудновизуализируемых зон, как крестцово-маточные связки, прямая кишка и тазовая брюшина [17].

Пилотное исследование A. Balica и соавт. (2023) показало, что модели глубокого обучения способны ретроспективно классифицировать случаи эндометриоза на основе ультразвуковых изображений. Наиболее эффективной оказалась нейронная сеть DenseNet (Densely Connected Convolutional Network), продемонстрировавшая точность 80% [18]. В исследовании по прогнозированию прямокишечно-сигмовидного эндометриоза на обучающей и тестовой выборках (222 и 110 пациенток соответственно) нейросетевая модель достигла точности 73% [19].

В совокупности эти исследования подтверждают перспективность применения ИИ в визуализационной диагностике эндометриоза. На сегодняшний день ни одна система ИИ не готова к полной автоматизации интерпретации изображений, однако полученные результаты показывают, что модели ИИ способны приближаться по точности к экспертной оценке. Это особенно важно в регионах с низкой доступностью высококвалифицированной экспертной помощи и для молодых специалистов, не имеющих достаточного опыта. Интеграция модулей ИИ в современные ультразвуковые аппараты может способствовать повышению точности и воспроизводимости диагностики, обеспечивая более эффективное выявление заболевания на ранних стадиях. Эти разработки, особенно в сочетании с подходами, основанными на данных, сообщаемых пациентками, могут стать важным инструментом в маршрутизации женщин с высокой вероятностью эндометриоза к узким специалистам [20].

Цифровые решения на основе ИИ находят применение не только в диагностике, но и в лечении заболевания, особенно в аспекте хронической тазовой боли (ХТБ), которая является одним из наиболее стойких симптомов эндометриоза. В рамках лечения ХТБ при эндометриозе большое значение приобретает индивидуализация подхода с учетом нейропатического компонента боли. В исследовании Л.В. Адамян и соавт. (2025) показана эффективность комбинированной фармакотерапии и немедикаментозной терапии, включающей диеногест, амитриптилин или клоназепам, а также методы физической и нейромодулирующей реабилитации, что сопровождалось значительным снижением боли и улучшением качества жизни. Подобные исследования подчеркивают важность стратификации пациенток с ХТБ, включая оценку нейропатического компонента, что открывает перспективы для внедрения цифровых моделей прогнозирования и персонализации терапии с использованием ИИ [21]. Индивидуализация терапии ХТБ, особенно с учетом нейропатического компонента, подчеркивает важность точной стратификации пациенток, что в равной степени актуально и при прогнозировании исходов лечения эндометриоза в целом. Однако многофакторный характер заболевания существенно затрудняет создание универсальных моделей прогноза, особенно в хирургической практике. Несмотря на то что это направление исследований все еще развивается, включая, например, исследование CRESCENDO (Creating a Clinical Prediction Model to Predict Surgical Success in Endometriosis), ИИ представляет собой перспективный инструмент для поиска достоверных прогностических факторов. В рамках проекта CRESCENDO поставлена задача разработки и валидации клинической прогностической модели, позволяющей оценивать вероятность успешного хирургического лечения эндометриоза. Ключевыми параметрами для прогнозирования выбраны выраженность ХТБ, нарушение качества жизни, наличие репродуктивных нарушений, особенности оперативного вмешательства и анамнестические данные. На первом этапе планируется создание алгоритма на основании ретроспективных и проспективных наблюдений с последующей внутренней и внешней валидацией модели. В перспективе разработанная модель может быть интегрирована в систему поддержки принятия клинических решений (CDSS, Clinical Decision Support System) для индивидуализации показаний к хирургическому лечению и оценки его потенциальной эффективности [22]. Использование ИИ в клинических исследованиях позволяет углубить понимание факторов, влияющих на успешность лечения, что усиливает тенденцию персонализированного подхода ведения пациенток с эндометриозом [23].

Одним из наиболее перспективных направлений становится применение ИИ в анализе молекулярных биомаркеров (генетических, метаболомных, протеомных и др.), что позволяет создавать неинвазивные и персонализированные модели диагностики.

В настоящее время нет надежного неинвазивного маркера для диагностики эндометриоза, поиск биомаркеров является приоритетным направлением исследований, и ИИ активно используется для решения этой задачи [24, 25].

Биомаркеры, специфичные для эндометриоза, могут не только способствовать диагностике, но также помочь понять патогенез заболевания и указать потенциальные терапевтические мишени. Такие биомаркеры выявлены в эндометриальной ткани, сыворотке крови и слюне [26—28].

H. Jiang и соавт. идентифицировали 5 генов (CXCL12, PDGFRL, AGTR1, PTGER3 и S1PR1). Эти гены рассматриваются как возможные иммунные мишени для терапии. Они обнаружены на основе анализа объединенных транскриптомных данных эутопического и эктопического эндометрия с использованием алгоритмов биоинформатики и машинного обучения. Наиболее информативной оказалась модель опорных векторов (Support Vector Machine), в которой продемонстрирована наибольшая диагностическая значимость указанных генов. Полученные результаты частично подтверждены методом RT-qPCR (Real-Time Quantitative Polymerase Chain Reactions) на клинических образцах. Реальное время количественной полимеразной цепной реакции — это метод молекулярной биологии, который позволяет измерять уровень экспрессии генов в образце. Он включает обратную транскрипцию РНК в ДНК (RT), а также амплификацию определенных участков ДНК с отслеживанием процесса в реальном времени (qPCR). Данные результаты подтверждают участие этих генов в патогенезе эндометриоза, что подчеркивает их потенциал в качестве мишеней для дальнейших терапевтических и диагностических исследований [29].

Комплексный анализ иммунных и сигнальных нарушений при эндометриозе также проведен в обзоре, выполненном Л.В. Адамян и соавт. (2024), в котором подробно описаны ключевые патофизиологические механизмы, лежащие в основе дисфункции врожденного и адаптивного иммунитета. В частности, показано, что иммунная дисрегуляция в эутопическом и эктопическом эндометрии сопровождается активацией провоспалительных цитокинов (IL-1β, IL-6, IL-8, TNF-α), снижением цитотоксической активности макрофагов и NK-клеток, а также смещением T-хелперного ответа в сторону Th2/Th17-профиля. Выявлены ключевые сигнальные пути, вовлеченные в патогенез, включая IL-17/CCR6, NOTCH1, STAT3, а также нарушения экспрессии аннексина A2, SIRP-α и других молекул регуляции фагоцитарной активности. Эти данные подчеркивают важность изучения сигнальных механизмов как основы для разработки персонализированной иммунотерапии и новых биомаркеров эндометриоза [30]. При этом иммунологические аспекты эндометриоза остаются ключевыми направлениями для интеграции ИИ в персонализированную диагностику и терапию.

Современные исследования подчеркивают ключевую роль иммунной дисрегуляции в патогенезе эндометриоза, включая нарушение механизмов врожденного и адаптивного иммунного ответа, дисбаланс цитокинов, активацию аутоиммунных процессов и вовлечение генетически детерминированных факторов воспаления. Эти данные создают потенциал для разработки новых подходов к диагностике и лечению заболевания, включая персонализированную иммунотерапию. В перспективе применение алгоритмов ИИ в анализе иммунного профиля может способствовать более точному стратифицированному ведению пациенток с эндометриозом [31].

В рамках проспективного исследования ENDOmiRNA разработана и протестирована диагностическая модель, основанная на профилировании микроРНК в слюне с применением алгоритма машинного обучения Random Forest. В исследование включили 200 женщин с хронической тазовой болью, клинически ассоциированной с вероятным эндометриозом; диагноз верифицировался методом лапароскопии и/или магнитно-резонансной томографии. Секвенирование мРНК позволило идентифицировать 2561 известную микроРНК, из которых с использованием алгоритма отбора признаков сформирована диагностическая панель, включающая 109 микроРНК. Полученные результаты показали высокую точность модели: чувствительность составила до 96,7%, специфичность — до 100%. Установлено, что часть микроРНК из данной панели связана с ключевыми молекулярными путями, участвующими в патогенезе эндометриоза (PI3K/Akt, PTEN, Wnt/β-catenin и др.), что подтверждает биологическую обоснованность подхода. Авторы подчеркивают потенциал слюнных микроРНК в качестве неинвазивного диагностического инструмента, пригодного для широкого клинического применения, включая популяции с ограниченным доступом к специализированной помощи. Результаты исследования требуют дальнейшей внешней валидации и клинической апробации [32]. Аналогично M. Hosseini и соавт. (2023) разработали диагностическую модель на основе экспрессии генов и построения регуляторной сети «транскрипционные факторы — mRNA — miRNA». Авторы идентифицировали 119 дифференциально экспрессируемых генов, а затем построили сеть из 52 мРНК, 249 микроРНК и 37 транскрипционных факторов. С помощью анализа в данной сети выделены 5 ключевых генов (GATA6, HMOX1, HS3ST1, NFASC и PTGIS), которые легли в основу диагностической модели, построенной с использованием алгоритма Bayes. Эффективность модели оказалась высокой как в обучающей (AUC=0,98), так и в валидационной (AUC=0,92) выборке. Кроме того, авторами оценены потенциальные лекарственные взаимодействия, в результате чего выявлены соединения с наибольшей аффинностью к белкам-мишеням — рофекоксиб и ретиноевая кислота [33].

Диагностика особенно важна с точки зрения доступа к медицинской помощи: уровень подготовки специалистов, способных распознать и лечить эндометриоз, сильно варьирует в зависимости от региона [34]. Эта проблема усугубилась в период пандемии COVID-19, когда доступ к очной специализированной помощи был ограничен, особенно в случаях, если пациенткам требовались поездки к специалистам [35].

Оценивая применение ИИ в контексте эндометриоза, следует подчеркнуть, что положительный потенциал внедрения алгоритмов ИИ в исследовательскую и клиническую практику может быть существенно усилен при осознании типичных ошибок и ограничений. Сообщается, что ИИ предоставляет мощные инструменты для выявления ранее неочевидных закономерностей в медицинских данных. С расширением доступа к аналитическому программному обеспечению использование таких алгоритмов становится все более доступным, что открывает возможности для изучения многочисленных аспектов патогенеза эндометриоза. Вместе с тем эффективное и корректное применение ИИ должно определять вектор научных исследований и клинических решений, опирающихся на эти технологии [36].

Показано, что алгоритмы ИИ являются перспективными в решении задач диагностической визуализации, понимания этиологических механизмов и прогнозирования хирургических исходов при эндометриозе [37, 38]. Принятие и развитие таких технологий, способных снизить затраты на здравоохранение и улучшить клинические исходы, представляет собой важное направление научно-медицинского прогресса. Сосредоточение внимания на качестве данных, прозрачности отчетности и соблюдении актуальных методологических стандартов с помощью технологий ИИ позволит принести максимальную пользу пациенткам с эндометриозом и системе здравоохранения в целом [4].

В совокупности это открывает перспективы для раннего выявления заболевания, стратификации риска и персонализированной терапии, что может существенно улучшить репродуктивные исходы и качество жизни женщин.

Искусственный интеллект в оперативной гинекологии

Хирургическая практика в гинекологии за последние два десятилетия претерпела революционные изменения благодаря широкому внедрению малоинвазивных методик, и применение технологий ИИ имеет потенциал дальнейшего прогресса в этой области. На сегодняшний день роботизированная хирургия и традиционная лапароскопия являются основой для таких вмешательств, как гистерэктомия, миомэктомия, резекция очагов эндометриоза и др.

Ведутся активные разработки, направленные на интеграцию ИИ и машинного обучения для улучшения предоперационного планирования, навигации во время операции и реабилитации [39, 40].

Одним из перспективных направлений интеграции ИИ и компьютерной визуализации в гинекологическую хирургию является моделирование структуры миометрия на основе данных МРТ у пациенток с аденомиозом. В исследовании, проведенном в ФГБУ «НМИЦ АГП им. В.И. Кулакова» Минздрава России, реализован многоэтапный протокол диагностики, включавший УЗИ органов малого таза, МРТ и последующее построение трехмерной модели матки с применением компьютер-ассистированных технологий. Такой подход позволил повысить точность визуализации очагов аденомиоза и определить хирургическую тактику с учетом анатомических особенностей каждой пациентки. Использование 3D-моделирования и интраоперационной навигации обеспечивало более полное удаление патологических очагов при максимальном сохранении здоровых тканей, снижении кровопотери и улучшении функциональных результатов лечения [41]. Развитие инструментальных методов диагностики аденомиоза, таких как 3D-моделирование поражений и интраоперационная эластография, позволяет повысить точность предоперационного планирования и объем органосохраняющего вмешательства. В перспективе алгоритмы ИИ могут быть интегрированы в такие системы для автоматической сегментации, определения границ патологических очагов и визуализации поражений в реальном времени, что особенно актуально при узловых и диффузных формах аденомиоза [42].

Робот-ассистированная хирургия

Появление роботизированных хирургических систем, таких как платформа Da Vinci, ознаменовало собой технологический прорыв в гинекологической хирургии. Робот-ассистированные операции обеспечивают хирургу повышенную точность, маневренность и трехмерную визуализацию, преодолевая ряд ограничений традиционной лапароскопии. В результате роботизированная хирургия достигла уровня технических возможностей, которые по отдельным параметрам превосходят стандартную лапароскопию. Управление по контролю за продуктами и лекарствами США (FDA) одобрило использование системы Da Vinci в гинекологии в 2005 г. после успешных клинических испытаний при миомэктомии и гистерэктомии. С тех пор роботизированные технологии получили широкое распространение по всему миру [43].

Современные роботизированные комплексы состоят из хирургической консоли, манипуляторов с инструментами и видеосистемы высокого разрешения. Многочисленные исследования сравнивают эффективность роботизированных и лапароскопических вмешательств. В числе других преимуществ робот-хирургии — снижение утомляемости хирурга (благодаря эргономичной консоли) и потенциально более короткая кривая обучения при выполнении сложных вмешательств, но последнее остается предметом дискуссий в связи с высокой технической сложностью лапароскопии [44].

На следующем этапе к этим платформам добавляются модули ИИ, усиливающие поддержку хирурга в процессе операции. Машинное обучение применяется для предоперационного планирования: осуществляется анализ данных визуализации и анамнеза с целью предсказания технических трудностей и выработки оптимальной хирургической тактики. Например, ИИ способен помочь хирургу заранее определить необходимость в обширном адгезиолизисе или выбрать наименее травматичный доступ для минимизации кровопотери [45].

Непосредственно во время операции начинается применение систем поддержки с помощью ИИ в режиме реального времени: экспериментальные алгоритмы компьютерного зрения распознают анатомические структуры на видеопотоке из операционного поля и могут предупреждать хирурга о критически важных анатомических структурах (мочеточниках, сосудах) или об угрозе осложнений [46]. Таким образом, формируется «цифровой хирургический ассистент», повышающий пространственно-визуальную осведомленность хирурга. Первые прототипы уже демонстрируют способность ИИ предлагать траектории инструментов или выявлять тонкие визуальные признаки, которые даже опытный хирург может упустить.

Еще одним перспективным направлением являются тактильная обратная связь и элементы автоматизации. Исследования в области робототехники направлены на внедрение механизма осязательной чувствительности в роботизированные инструменты. Адаптивные алгоритмы могли бы автоматически стабилизировать положение инструментов или компенсировать физиологическую дрожь рук хирурга, тем самым облегчая обучение и повышая точность вмешательств [47].

В перспективе рассматривается возможность создания полуавтономных хирургических роботов, которые смогут выполнять рутинные подзадачи (например, наложение швов или управление камерой) под наблюдением хирурга, а в отдаленном будущем — возможно, и отдельные этапы операций в полностью автономном режиме. Несмотря на то что полностью автономная хирургия пока остается предметом научных прогнозов и потребует абсолютной гарантии безопасности, все это подчеркивает синергизм между робототехникой и ИИ [48].

Наиболее вероятный сценарий ближайшего будущего — это сохранение ведущей роли хирурга при постоянной поддержке со стороны ИИ: в виде интеллектуальных подсказок, систем предупреждения и технических усилений, способствующих более точному, безопасному и уверенно выполненному хирургическому вмешательству.

Искусственный интеллект в онкогинекологии

На сегодняшний день большинство методов применения ИИ в онкогинекологии сосредоточено в области диагностики и прогностических моделей, например использование глубокого обучения для анализа медицинских изображений или гистологических препаратов с целью повышения точности скрининга рака шейки матки. В то же время исследований по применению ИИ в хирургическом лечении гинекологических онкологических заболеваний пока сравнительно немного, однако это направление активно развивается [49].

Одним из наиболее перспективных примеров является использование ИИ при циторедукции при раке яичников. При этой патологии зачастую требуется проведение хирургического лечения, направленного на максимальное удаление опухоли. Однако не все пациентки получают от этого одинаковую пользу: в случае невозможности полного удаления опухоли ультрарадикальное вмешательство может увеличить риск осложнений без улучшения выживаемости [50].

Для оптимизации хирургической тактики разработана прогностическая модель на основе ИИ — оценка ANAFI (Anatomical Fingerprint-based AI prediction), построенная с использованием алгоритма XGBoost (Extreme Gradient Boosting), одного из наиболее эффективных методов градиентного бустинга, применяемых в медицине для анализа табличных клинических данных. Это позволяет предсказать вероятность достижения полной циторедукции на основании предоперационных данных о распространенности заболевания. Модель учитывает анатомические «отпечатки» опухолевого процесса (например, вовлечение брыжейки кишечника или диафрагмальной брюшины) и прогнозирует возможность достижения состояния отсутствия опухоли после операции. Первичные результаты демонстрируют корреляцию прогноза модели с фактическими хирургическими исходами и позволяют стратифицировать пациенток на тех, кому показана первичная циторедукция, и тех, у кого предпочтительно начать лечение с неоадъювантной химиотерапии [51].

Аналогично в случае рецидивирующего рака яичников применена модель на базе искусственных нейронных сетей (artificial neural network — ANN) для выявления предикторов успешной вторичной циторедукции. В исследовании с участием 194 пациенток с рецидивом рака яичников искусственная нейронная сеть выявила три ключевых фактора, ассоциированных с полным удалением опухоли: длительный интервал, отсутствие диссеминированного рецидива и низкая стадия заболевания на момент первичной диагностики. Эти данные могут лечь в основу индивидуализированного хирургического планирования [52].

Таким образом, ИИ позволяет синтезировать сложные клинические параметры в удобные для практического применения прогнозы, помогая онкогинекологам подбирать оптимальный объем вмешательства в зависимости от конкретной клинической ситуации. Как подчеркивают Л.В. Адамян и соавт. (2024), показана высокая точность инструментов ИИ в выявлении злокачественных новообразований яичников и шейки матки на основе компьютерной томографии (КТ), МРТ и цитологических изображений. В обзоре представлены конкретные примеры использования нейросетей для прогнозирования гистотипа и стадии опухолевого процесса, что согласуется с результатами современных международных исследований [53]. Исследования, посвященные применению ИИ для поддержки хирургических решений при раке тела матки, демонстрируют обнадеживающие результаты, однако требуют дальнейшей критической оценки и валидации. Один из активно обсуждаемых вопросов — возможность предсказать наличие скрытого рака у пациенток с атипической гиперплазией эндометрия, выявленной до операции. В исследовании протестированы несколько моделей ИИ для предоперационного прогнозирования сопутствующего злокачественного процесса, однако ни одна из них не продемонстрировала чувствительности выше 50%, что свидетельствует о недостаточной надежности этих моделей для уверенного исключения рака только на основании доступных до операции данных [54]. С одной стороны, ИИ в онкологии не является универсальным решением и сильно зависит от качества и объема обучающих данных. С другой стороны, есть обнадеживающие направления, например применение ИИ для выявления уникальных метаболических или молекулярных маркеров раннего рака эндометрия, которые потенциально могут быть положены в основу неинвазивных скрининговых тестов. Все это подтверждает, что интеграция ИИ в онкогинекологическую хирургию находится в начальной стадии, но демонстрирует устойчивую тенденцию к развитию.

В ближайшие годы можно ожидать, что ИИ начнет активно использоваться на заседаниях онкологических консилиумов и в повседневной хирургической практике для комплексной оценки клинических, визуализированных и молекулярных данных с целью выбора наилучшей тактики ведения пациентов [55].

В итоге более точная стратификация риска и прогнозирование исходов позволят персонализировать хирургическое лечение онкогинекологических пациенток, максимизируя терапевтическую эффективность и минимизируя риск избыточного лечения, особенно у женщин репродуктивного возраста. Поэтому в данном случае ИИ — мощный инструмент для повышения эффективности диагностики онкологических заболеваний репродуктивной системы.

Искусственный интеллект и вспомогательные репродуктивные технологии

Осуществляется активное внедрение ИИ в технологии вспомогательной репродукции с целью повышения эффективности клинических решений и улучшения исходов лечения. Многие этапы лечения бесплодия по-прежнему зависят от мнения врача, тогда как ИИ предоставляет возможность опираться на объективные, основанные на конкретных данных подходы, способствуя стандартизации и повышению точности вмешательств. Потенциал применения охватывает широкий спектр задач: от автоматизированного отбора эмбрионов, анализа сперматозоидов и прогнозирования качества ооцитов до моделирования результатов ЭКО и поддержки клинических решений на различных этапах лечения [56].

Отбор эмбрионов является одной из ключевых областей, подвергающихся трансформации под воздействием технологий ИИ. Традиционная морфологическая оценка эмбрионов в фиксированные моменты времени остается субъективной и ограниченной по информативности. В отличие от этого модели глубокого обучения способны анализировать таймлапс-изображения развития эмбрионов и прогнозировать их имплантационный потенциал. Ряд исследований показывает, что ИИ может сопоставимо с экспертами-эмбриологами, а порой и с большей точностью идентифицировать жизнеспособные эмбрионы. Так, система iDAScore автоматически оценивает изображения эмбрионов и выносит прогноз относительно их способности к имплантации, предоставляя объективные рекомендации, при этом окончательное решение остается за врачом [57].

Технология time-lapse (TLT) обеспечивает непрерывное наблюдение за развитием эмбрионов в условиях стабильной среды, объединяя культивирование и оценку в единой платформе. Метод культивирования и отбора эмбрионов TLT основан на круглосуточном наблюдении за эмбрионами в режиме реального времени. Современные TLT-системы регистрируют морфокинетические параметры эмбрионов в режиме реального времени, что создает уникальную возможность для автоматизированного анализа и отбора, особенно при интеграции с алгоритмами ИИ. Несмотря на достижения в оценке овариального ответа и прогнозировании зрелости ооцитов, отбор эмбрионов для переноса остается одним из самых субъективных этапов программ вспомогательных репродуктивных технологий. Этот подход основывается на визуальной морфологической оценке эмбрионов в фиксированные временные точки, что требует их извлечения из инкубатора и может нарушать стабильность условий культивирования. В связи с этим все более широкое распространение получает технология TLT, обеспечивающая непрерывный мониторинг эмбрионов в стабильной среде без необходимости извлечения из инкубатора. Данная технология позволяет регистрировать морфокинетические параметры и применять алгоритмы автоматического анализа изображений, что способствует объективизации отбора и потенциальному улучшению репродуктивных исходов. Согласно систематическому обзору Л.В. Адамян и соавт. (2023), включившему 16 исследований и более 23 тыс. циклов ЭКО/интрацитоплазматической инъекции сперматозоида (ИКСИ), в ряде работ показано статистически значимое повышение частоты клинической беременности и живорождений при использовании инкубаторов TLT по сравнению со стандартной практикой, особенно в сочетании с алгоритмами морфокинетической оценки эмбрионов.

Анализ включенных в обзор исследований показал, что наибольшее улучшение клинических исходов наблюдалось при использовании не только инкубаторов с функцией TLT, но и специализированных алгоритмов, интерпретирующих морфокинетические данные эмбрионов. Однако точность интерпретации таких сложных данных требует автоматизации, и здесь ключевую роль начинает играть ИИ. Интеграция ИИ в платформы анализа TLT-изображений позволяет не только стандартизировать отбор эмбрионов, но и потенциально прогнозировать имплантационный потенциал с высокой точностью на основе больших массивов данных, недоступных для субъективной оценки эмбриолога [58]. Таким образом, TLT в сочетании с алгоритмами машинного обучения становится важным инструментом перехода от эмпирической к персонализированной эмбриологии. С развитием морфокинетического анализа и визуальных методов оценки эмбрионов активное распространение получают и молекулярно-генетические технологии, в частности преимплантационное генетическое тестирование (ПГТ-А), где применение ИИ также открывает новые возможности для повышения точности отбора эмбрионов и индивидуализации подходов к ВРТ.

Систематический обзор Л.В. Адамян и соавт. (2024) подтвердил, что проведение ПГТ-А повышает эффективность ВРТ у женщин старше 35 лет и пациенток с отягощенным репродуктивным анамнезом. В метаанализе показано статистически значимое улучшение показателей клинической беременности и живорождения в этих группах, тогда как у женщин младше 35 лет эффективность ПГТ-А оставалась предметом дискуссии. Эти результаты подчеркивают потенциальную ценность интеграции решений ИИ при интерпретации данных ПГТ-А и выборе эмбриона для переноса — особенно в сочетании с методами анализа морфокинетики, анализа изображений и прогностических моделей. Кроме того, ранее в обзоре акцентируется внимание на высокой чувствительности и специфичности неинвазивных подходов (NICS), а также подчеркивается важность биопсии трофэктодермы на стадии бластоцисты и применения технологий секвенирования нового поколения (NGS) как наиболее точного молекулярного инструмента в диагностике анеуплоидий. Это создает основу для дальнейшей интеграции ИИ в алгоритмы стратифицированного выбора эмбрионов [59, 60].

На фоне цифровизации ВРТ заметные изменения происходят и в области анализа и отбора сперматозоидов, чему также способствует внедрение алгоритмов ИИ. Системы компьютеризированного анализа спермы (CASA, Computer-Assisted Sperm Analysis) позволяют оценивать концентрацию, подвижность и морфологию сперматозоидов, но их воспроизводимость и точность остаются ограниченными. Модели машинного обучения позволяют повысить точность диагностики, выявляя тонкие морфологические дефекты или даже оценивая жизнеспособность сперматозоидов по изображениям. Кроме того, инструменты ИИ применяются для идентификации сперматозоидов в образцах ткани после тестикулярной биопсии, что особенно актуально при тяжелых формах мужского бесплодия и отборе наилучших сперматозоидов для проведения ИКСИ. Стандартизация традиционно субъективных этапов сперматологической оценки с использованием ИИ направлена на повышение вероятности оплодотворения и успешного развития эмбрионов [61].

Кроме того, получены перспективные результаты применения технологий ИИ в оценке ооцитов. В настоящее время эмбриологи ориентируются на субъективные визуальные признаки для определения зрелости и качества яйцеклеток, однако такие показатели слабо коррелируют с их реальным развивающимся потенциалом. Модели машинного обучения, в частности сверточные нейронные сети (CNN), способны анализировать изображения ооцитов и, по данным ранних исследований, достигают точности порядка 80% в прогнозировании способности конкретного ооцита развиться до стадии бластоцисты. Известно, что CNN представляют собой разновидность искусственных нейронных сетей, оптимизированных для обработки изображений; они способны автоматически распознавать и извлекать ключевые морфологические признаки, релевантные для прогноза развития эмбриона, что делает их особенно перспективными в задачах объективной оценки ооцитов. Один из программных продуктов на базе ИИ VIOLET позволяет формировать неинвазивную оценку («oocyte score»), которая коррелирует с развитием эмбриона и предоставляет индивидуализированную оценку вероятности живорождения для каждого ооцита. Подобные инструменты могут существенно повысить обоснованность клинических решений, например при криоконсервации яйцеклеток или выборе донорских ооцитов, позволяя определить, сколько и какие именно клетки следует сохранить, исходя из их прогнозируемого качества [62].

Дозирование гонадотропинов при стимуляции овуляции

Стимуляция овуляции представляет собой ключевой этап программ ВРТ, направленный на индукцию роста множественных фолликулов в яичниках с целью получения нескольких зрелых ооцитов. Для этого используются препараты гонадотропинов, в большинстве своем содержащие сверхфизиологические дозы фолликулостимулирующего гормона (ФСГ), что позволяет продлить так называемое окно ФСГ и способствует росту нескольких фолликулов одновременно [63].

Определение оптимальной начальной дозы ФСГ является критически важным аспектом, позволяющим добиться баланса между эффективностью индукции и безопасностью лечения. Целью является рекрутирование адекватного количества фолликулов с учетом индивидуального овариального резерва, при этом необходимо избежать как субоптимального ответа, так и риска развития синдрома гиперстимуляции яичников — особенно в случае получения >15 ооцитов при пункции [64].

В последние годы активно исследуется потенциал применения методов машинного обучения для индивидуализации дозирования гонадотропинов. Так, M. Fanton и соавт. разработали модель, которая анализирует данные 100 наиболее схожих пациенток для генерации персонализированных кривых «доза — ответ» [65]. Использование модели на данных из национального реестра США (SART CORS, Clinic Outcome Reporting System of the Society for Assisted Reproductive Technology), включающего более 360 000 пациенток, позволило прогнозировать получение большего количества двупронуклеарных (2PN) зигот и бластоцист при значительном снижении общей дозы ФСГ, что потенциально уменьшает стоимость лечения для пациенток [66].

Тем не менее эффективность таких алгоритмов может варьировать в зависимости от применяемых протоколов стимуляции овуляции. Например, в европейских клиниках стандартно используются более низкие стартовые дозы ФСГ (150—225 МЕ для пациенток с нормальным ответом), что снижает точность предсказаний моделей, обученных на американских данных [67].

Это подчеркивает необходимость географической адаптации моделей или проведения многоцентровых международных исследований с унифицированными протоколами. Показательным примером масштабной валидации персонализированных схем стимуляции являются три международных рандомизированных контролируемых исследования, посвященных использованию рекомбинантного фоллитропина дельта, в которых дозу рассчитывали на основе уровня антимюллерова гормона (АМГ) и массы тела. Эти исследования продемонстрировали сопоставимую эффективность по частоте наступления беременности и живорождений, при этом снизились частота синдрома гиперстимуляции яичников и общее потребление ФСГ [68].

С учетом потенциального вклада дополнительных переменных, таких как возраст, индекс массы тела, уровень АМГ, количество антральных фолликулов, а также генетических и эндокринных параметров современные исследователи стремятся к созданию мультифакторных моделей, обеспечивающих более точное прогнозирование овариального ответа [69]. Однако для повышения надежности выводов при построении таких моделей необходимо строгое соблюдение принципов разделения выборок. Циклы лечения одной и той же пациентки не должны одновременно включаться в обучающую и тестовую выборки, особенно при использовании методов кросс-валидации — процедуры, при которой данные многократно разделяются на обучающие и тестовые подмножества с последующим усреднением результатов модели [70].

Перспективным направлением является использование федеративного обучения — распределенной методологии машинного обучения, позволяющей объединять клинические данные из разных учреждений без их физического перемещения. Так, T. Ferrand и соавт. успешно продемонстрировали возможность построения модели прогнозирования овариального ответа в рамках децентрализованного подхода с сохранением конфиденциальности данных [71].

Таким образом, внедрение технологий ИИ в процессы подбора стартовой и корректирующей дозы гонадотропинов открывает перспективы для более персонализированного, безопасного и экономически обоснованного управления циклами ВРТ. Тем не менее для их полноценной интеграции в клиническую практику требуются дальнейшие мультицентровые исследования, проводимые с учетом действующих протоколов и нормативных требований.

Индукция созревания ооцитов

После стимуляции овуляции и роста нескольких фолликулов вводится гормональный триггер, чаще всего хорионический гонадотропин человека (ХГЧ) или аналог лютеинизирующего гормона (ЛГ). Оптимальный эффект наблюдается, когда фолликулы достигают определенного диапазона размеров — не слишком малы и не чрезмерно увеличены. В связи с этим важной задачей является определение наилучшего дня для триггера (trigger day, TD), что и стало объектом исследований с применением алгоритмов ИИ.

В исследовании A. Abbara и соавт. представлена модель машинного обучения Random Forest, целью которой было выявление размеров фолликулов на TD, с лучшим прогнозом для получения зрелых ооцитов. Показано, что максимизация количества фолликулов диаметром 12—19 мм была оптимальной для извлечения зрелых ооцитов. Эта характеристика, особенно в сочетании с базовыми эндокринными маркерами, может быть использована для повышения точности прогнозирования овариального ответа [72].

В исследовании, основанном на данных ультразвукового мониторинга, проводимого как накануне TD, так и непосредственно в день триггера, показано, что фолликулы размером 16—20 мм оказывают наибольшее влияние на клиническое решение о выборе времени триггера. Эти размеры также лучше коррелировали с получением 2PN зигот и бластоцист по сравнению с решением врача, основанным исключительно на субъективной оценке [73].

С аналогичной методологией, но с использованием более простой модели M. Fanton и соавт. провели анализ, показавший, что фолликулы диаметром 14—15 мм обладают наибольшей прогностической значимостью для TD. Напротив, фолликулы 11—13 мм в день триггера были наименее информативными в отношении зрелости ооцитов. Эти модели подчеркивают потенциал ИИ в создании объективных критериев для выбора времени триггера на основе массивов данных предыдущих циклов ЭКО. Однако, как подчеркивают авторы, регулярный ультразвуковой мониторинг, необходимый для работы таких моделей, может быть трудновыполнимым в рутинной клинической практике, где ежедневное сканирование не всегда осуществимо [68, 73].

Кроме того, рассматривалась возможность алгоритмической оценки необходимости проведения или отмены триггера с помощью концептуальной системы поддержки принятия клинических решений (CDSS, Clinical Decision Support System), разработанной G. Letterie и соавт. Это направление расширено в последующем исследовании, сфокусированном на определении оптимального TD. Анализ включал данные об уровнях АМГ и эстрадиола, а также о размерах фолликулов на день, признанный наилучшим для назначения триггера. В этой модели именно базовый уровень АМГ оказался наиболее значимым прогностическим параметром [74, 75].

Полученные данные подчеркивают, что ИИ может содействовать сокращению количества визитов и объемов мониторинга в рамках программ ЭКО без ущерба для результатов лечения. Однако, как отмечают авторы, необходима проспективная валидация разработанных моделей в разных популяциях, прежде чем они смогут быть внедрены в клиническую практику на постоянной основе.

Несмотря на достижения в оценке овариального ответа и прогнозировании зрелости ооцитов, отбор эмбрионов для переноса остается одним из самых субъективных этапов программ ВРТ. В большинстве клиник он по-прежнему основан на визуальной оценке морфологии эмбрионов в определенные моменты времени, что требует их извлечения из инкубатора и может нарушать стабильность условий культивирования.

Принципиально важно, что такие технологии не заменяют клиническое мышление и опыт специалиста, а служат его усилению: ИИ предоставляет основанные на данных рекомендации, а окончательные решения принимаются врачом с учетом индивидуальных особенностей пациентки [56].

«Big data» и предиктивные модели в гинекологии

Использование технологий «Big Data», включая электронные истории болезни, специализированные регистры, результаты скрининговых программ, а также генетические и эпидемиологические исследования в сочетании с алгоритмами ИИ, открывает новые возможности для выявления скрытых закономерностей и построения прогностических моделей, превосходящих по точности традиционные статистические методы. Алгоритмы машинного обучения способны обрабатывать как структурированные, так и неструктурированные данные из электронных медицинских карт, выявляя индивидуальные риски и поддерживая клинициста в принятии решений. Одним из перспективных направлений является построение моделей прогнозирования рисков гестационных осложнений (преэклампсии, преждевременных родов) с учетом анамнеза, лабораторных показателей, экосоциальных факторов и данных визуализации. Аналогичные подходы применяются для оценки вероятности развития онкологических заболеваний, включая рак молочной железы и яичников. С учетом статуса BRCA, репродуктивной истории и факторов образа жизни модели ИИ обеспечивают более точную индивидуальную стратификацию риска и позволяют направлять женщин в специализированные скрининговые программы [75, 76].

Применение ИИ в интерпретации маммографических изображений представляет собой важное направление в профилактике и ранней диагностике рака молочной железы. Использование технологий глубокого машинного обучения демонстрирует сопоставимую или превосходящую по точности эффективность по сравнению с экспертной оценкой рентгенологов. Это особенно актуально в условиях высокой вероятности ложноположительных и ложноотрицательных результатов при массовом скрининге (Л.В. Адамян и соавт., 2023). В частности, внедрение ИИ в интерпретацию данных по системе BI-RADS позволяет стандартизировать диагностический процесс, повысить точность стратификации риска и оптимизировать маршрутизацию пациенток [77].

Искусственный интеллект в мониторинге беременности и акушерской помощи

Высокая значимость периода беременности и родов стимулировала активное внедрение ИИ в акушерскую практику. Согласно систематическому обзору, уже к 2020 г. более 60% публикаций об ИИ в ведущих акушерско-гинекологических журналах касались именно акушерства и медицины плода [78].

Одним из наиболее динамичных направлений является пренатальная визуализация. Алгоритмы машинного обучения успешно обучаются интерпретации ультразвуковых изображений для раннего выявления врожденных аномалий, задержки роста плода и других осложнений, зачастую раньше, чем при традиционной интерпретации. Развиваются подходы к анализу данных кардиотокографии, позволяющие прогнозировать дистресс плода и минимизировать количество как избыточных, так и запоздалых вмешательств [79].

Кроме того, предиктивные модели на основе данных из электронных медицинских карт позволяют оценивать индивидуальные риски таких осложнений, как преэклампсия, гестационный сахарный диабет или преждевременные роды. Это создает основу для персонализированного наблюдения и профилактических стратегий. Первые исследования показывают, что модели ИИ могут незначительно превосходить традиционные шкалы риска в прогнозировании осложненного течения беременности, однако необходима дополнительная валидация на различных выборках [80].

Во время родов также исследуются инструменты компьютерного зрения, которые могут работать в реальном времени: например, анализировать видеопоток процесса родов или отслеживать жизненно важные параметры с целью своевременного оповещения клинициста о возможных осложнениях. Несмотря на то что большинство акушерских приложений ИИ пока находится на стадии разработки или пилотного внедрения, они демонстрируют потенциал ИИ как своеобразной «виртуальной системы безопасности» в период беременности — непрерывно анализирующей данные и поддерживающей врача в обеспечении здоровья матери и плода [80]. В ряде стран ИИ уже внедряется в практику: Mayo Clinic и Kaiser Permanente используют алгоритмы для прогнозирования преждевременных родов, разрабатываются цифровые решения, направленные на раннюю диагностику гестационного сахарного диабета, включая инициативы стартапов в области медицинских технологий.

Эти примеры демонстрируют широкий спектр задач, решаемых с помощью ИИ в сфере женского здоровья. В перспективе интеграция ИИ в рутинную акушерскую помощь может способствовать раннему выявлению осложнений, индивидуализации маршрутизации пациенток и улучшению исходов беременности. Однако для устойчивого внедрения необходимы верификация моделей, развитие нормативной базы и обучение клиницистов работе с ИИ-инструментами.

Заключение

Происходит стремительная интеграция искусственного интеллекта в репродуктивную медицину и гинекологическую хирургию, формируя основу для перехода к персонализированным, основанным на данных подходам. Как показано в настоящем обзоре, искусственный интеллект уже демонстрирует клиническую и исследовательскую значимость — от повышения эффективности эмбриоселекции при использовании вспомогательных репродуктивных технологий и неинвазивной диагностики эндометриоза до поддержки принятия решений в онкогинекологии и оперативной гинекологии.

Инструменты искусственного интеллекта позволяют решать давние клинические проблемы: повышать объективность оценки, стандартизировать подходы и снижать зависимость от субъективного опыта. Однако большинство решений пока находится на экспериментальной стадии. Их внедрение требует строгой валидации, обеспечения этичности, прозрачности алгоритмов и соблюдения требований безопасности. В этих условиях ключевую роль играет участие врачей в формировании обратной связи и адаптации технологий к реальным потребностям клинической практики.

Предстоящие годы будут критически важными для перехода от пилотных проектов к верифицированным и масштабируемым платформам. Осознанная интеграция искусственного интеллекта с учетом клинической целесообразности может не только оптимизировать диагностику и лечение, но и освободить ресурсы врача для более глубокой работы с пациентом.

В перспективе система репродуктивного здравоохранения, основанная на технологиях искусственного интеллекта, будет способствовать повышению эффективности программ вспомогательных репродуктивных технологий, более раннему выявлению гинекологических заболеваний, повышению безопасности хирургических вмешательств и внедрению индивидуализированных стратегий на всех этапах лечения. Достижение этих целей возможно при междисциплинарном сотрудничестве и приверженности принципам ответственного медицинского прогресса. Искусственный интеллект, будучи интегрированным в клинический процесс, способен существенно повысить качество специализированной помощи и внести вклад в улучшение репродуктивного здоровья женщин.

Авторы заявляют об отсутствии конфликта интересов.

¹ Указ Президента Российской Федерации от 07.05.2024 №309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года». Ссылка активна на 10.07.25. https://government.ru/docs/all/153176/