Введение

Искусственный интеллект (ИИ) — это область компьютерных наук, которая занимается разработкой технологий и систем, способных имитировать процессы человеческого мышления. Одной из областей ИИ является создание алгоритмов машинного обучения, которые выявляют закономерности в данных и принимают решения на основе полученного опыта. В свою очередь, глубокое обучение представляет собой подраздел машинного обучения, основанный на использовании искусственных нейронных сетей с множеством слоев, что позволяет извлекать сложные иерархии признаков из необработанных данных. Нейронная сеть — это математическая модель, напоминающая сеть нейронов головного мозга человека и состоящая из нескольких слоев: входной слой получает исходные данные, скрытые слои осуществляют их обработку и извлекают заданные признаки, а выходной слой формирует конечный результат [1].

ИИ обладает колоссальным потенциалом для повышения качества жизни людей. Эта передовая технология находит применение во множестве сфер, и одним из ключевых направлений является медицина. Внедрение ИИ позволяет специалистам здравоохранения выйти на новый уровень оказания помощи: обеспечивать раннюю диагностику заболеваний, минимизировать риски развития осложнений, персонализировать терапию и сокращать сроки пребывания пациентов в стационаре [2].

Одной из систем, основанных на ИИ и имеющих большой потенциал для использования в практическом здравоохранении, является Enlitic. Данная система способна интерпретировать рентгенограммы и компьютерные томограммы, а также оптимизировать рабочий процесс врачей-радиологов¹. Вместе с тем существуют системы, помогающие осуществлять уход за пациентами в домашних условиях, например, Ginger.io, Wellframe², ³. Система Medaware, используя встроенную математическую модель, анализирует правильность рецептов, написанных врачом, а также приемлемость назначения лекарственных средств в конкретной ситуации, опираясь на стандарты терапии⁴. Мобильная платформа Your.MD (Healthily) является персональным медицинским помощником пациента: она задает вопросы по симптомам пользователя, понятным языком предоставляет информацию о заболеваниях, а также информирует пациента о необходимости обратиться к врачу⁵. Примеров применения ИИ в здравоохранении в настоящее время достаточно много, и они активно внедряются в клиническую практику для ускорения и оптимизации работы медицинского персонала.

Преимущества и недостатки использования искусственного интеллекта в медицине

К преимуществам применения ИИ в медицине относятся [2]:

— высокая точность, связанная с тем, что ИИ, особенно на основе глубокого обучения, способен замечать микроскопические изменения, недоступные человеческому зрению;

— высокая скорость обработки информации (ИИ может за несколько секунд проанализировать терабайты медицинских данных);

— способность быстро выявлять закономерности, что может быть полезным в определении тактики лечения, прогноза и т.д.;

— уменьшение нагрузки на медицинский персонал.

Основными недостатками использования ИИ в здравоохранении являются [2]:

— при наличии некачественных данных в обучающей выборке либо при их недостаточном количестве точность нейронной сети может значимо снижаться;

— алгоритмы работы нейронной сети в настоящее время остаются до конца не изученными, поэтому довольно часто выходные данные не поддаются логическому объяснению;

— для разработки программы на основе ИИ высокого качества может потребоваться дорогостоящее оборудование и длительное время машинного обучения на большом массиве данных;

— постоянное использование ИИ может негативно сказаться на квалификации медицинского специалиста.

Принятие обоснованного клинического решения с помощью имеющихся данных является фундаментом доказательной медицины [3]. Как правило, эта задача решается с помощью статистических методов, которые устанавливают закономерности в данных и выражают их в виде математических уравнений (например, линейной регрессии). С помощью машинного обучения ИИ может устанавливать сложные взаимосвязи, которые нелегко выразить с помощью уравнения. Нейронные сети, например, представляют данные с помощью большого количества взаимосвязанных нейронов, аналогично тому, как это происходит в головном мозге человека. Это позволяет программам, основанным на нейронных сетях, подходить к проблеме так же, как и сами клиницисты, а именно: делать обоснованные выводы путем тщательного анализа фактических данных. Помимо этого данные системы могут одновременно отслеживать и обрабатывать практически неограниченное количество поступающих данных, а также дополнительно обучаться, основываясь на каждом новом случае. Важным недостатком машинного обучения является его зависимость от качества данных с точки зрения надежности и вариабельности [4].

Искусственный интеллект в респираторной медицине

В пульмонологии современные разработки на основе ИИ охватывают широкий спектр направлений: от анализа изображений и звуков дыхания до интерпретации функций внешнего дыхания и персонализации терапии.

Так, S. Ganzert и соавт. разработали методику, основанную на ИИ, которая позволяет сравнить различные методы измерения кривых «давление/объем» у пациентов, находящихся на искусственной вентиляции легких и страдающих респираторным дистресс-синдромом взрослых [5]. P. Lakhani и соавт. создали программное обеспечение на основе сверточной глубокой нейронной сети, позволяющее определять и классифицировать туберкулез легких по рентгенограмме органов грудной клетки [6]. C. Baloescu и соавт. обучили нейронную сеть захватывать изображения диагностического качества при проведении ультразвукового исследования легких, что может быть особенно полезным в регионах с нехваткой врачей-специалистов [7].

Большое значение имеет применение ИИ в расшифровке рентгенограмм и компьютерных томограмм, что обусловлено высокой чувствительностью обнаружения мельчайших патологических очагов, которые недоступны человеческому зрению. Оценка состояния паренхимы легких основывается на определении плотности, но относительно недавно были разработаны инструменты на основе ИИ, использующие различные радиономические методы, такие как анализ текстуры и классификация, которые часто применяются вместе. Текстурный анализ в контексте глубокого обучения — это определение характеристик различных областей изображения на основе локальной интенсивности пикселей. Модель запоминает свой собственный набор фильтров или весов для идентификации различных текстур (тканей) в обучающем наборе. Выявленные участки поврежденной и нормальной ткани создают наложенную карту легкого, позволяющую локализовать и оценить распространенность поражения. Классификация — это использование глубокого обучения для выявления закономерностей, касающихся заболевания, с целью составления на основе этого одно- или многоклассовых прогнозов. Методы классификации обычно используются для автоматической диагностики, но могут применяться и для прогнозирования [8].

Для оценки состояния сердца и сосудов используют семантическую сегментацию, представляющую собой классификацию и выделение пикселей/вокселей в области, в которой находятся анатомические структуры. Это позволяет идентифицировать и количественно оценить морфологические особенности, такие как масса, объем и диаметр. Ручная сегментация требует много времени и отличается значительной вариативностью. С появлением технологий глубокого обучения автоматическая сегментация достигла уровня, сопоставимого и даже превышающего возможности человека [8]. C. Yuan и соавт. представили модель PA-Net — двухмерную сеть, предназначенную для сегментации легочной артерии на КТ-ангиограммах для диагностики тромбоэмболии легочной артерии. Этот инструмент продемонстрировал более высокую точность по сравнению с другими современными инструментами сегментации: показатель DSC (dice similarity coefficient) составил 0,938 по сравнению с ручной сегментацией. Это широко используемый показатель перекрытия, значения которого варьируются от 0 до 1, что означает полное или частичное совпадение сегментации, созданной ИИ, с эталоном [9]. M.J. Sharkey и соавт. разработали и протестировали инструмент ИИ с использованием методов сегментации, текстурного анализа и классификации у 122 пациентов с подтвержденной легочной гипертензией по данным катетеризации правых отделов сердца. Сначала авторы использовали nnU-Net, чтобы сегментировать легкие по результатам компьютерной томографии (КТ)-ангиографии, затем классифицировали и количественно оценили 5 разных паттернов паренхимы в объединенной когорте пациентов с идиопатической легочной артериальной гипертензией и легочной гипертензией с легочной дистрофией, применяя модель классификации DenseNet-121. Для определения тяжести заболевания рассчитывали долю каждого типа легочной ткани. Площадь под ROC-кривой составила 0,94 и 0,95 для внутреннего и внешнего тестовых наборов соответственно. Была выявлена сильная корреляционная связь модели с диффузионной способностью по монооксиду углерода (DLCO), а также высокая согласованность с тяжестью заболевания по оценке специалистов-рентгенологов [8].

Другим, не менее значимым направлением респираторной медицины, в котором используется ИИ, является диагностика заболеваний дыхательной системы по звукам кашля. B.T. Balamurali и соавт. разработали модель классификации звуков кашля на основе глубокого обучения, которая позволяет отличать здоровый кашель от патологического, например, при бронхиальной астме (БА), инфекционных заболеваний верхних дыхательных путей и нижних дыхательных путей. Итоговая точность дифференцировки здорового кашля от патологического превысила 84%, однако допускалось большое количество ошибок в определении конкретных классов патологических кашлей [10].

R.V. Sharan и соавт. разработали модель, идентифицирующую круп у детей по звукам кашля. В отличие от традиционного подхода, в этом исследовании применялись не спектрограммы, а кохлеограммы, поскольку они позволяют извлечь больше спектральной информации из частотно-временного представления сигнала, что существенно расширяет возможности выделения диагностически значимых признаков. В основе кохлеограммы лежит гамматоновый фильтр, имитирующий частотную избирательность улитки человеческого уха. Классификацию осуществляли с помощью логистической регрессии и метода опорных векторов на обширной выборке, включавшей записи кашля 364 пациентов с верифицированными инфекциями дыхательных путей. Все случаи были распределены на две категории: «круп» и «не круп» [11].

Во время пандемии новой коронавирусной инфекции (COVID-19) 2020—2023 гг. большую популярность начали набирать модели, позволяющие диагностировать данное заболевание по звукам кашля. L.H. Nguyen и соавт. разработали систему самотестирования COVID-19 в домашних условиях при помощи извлечения признаков из спектрограмм и форм волны звуков кашля [12]. V. Despotovic и соавт., используя аудиозаписи звуков кашля, голоса и дыхания, пытались выявить COVID-19 при помощи извлечения стандартных акустических признаков и вейвлет-рассеяния [13].

Российскими учеными было разработано мобильное приложение для ОС Android, позволяющее проводить суточный мониторинг кашля. Постоянный аудиопоток, разделенный на записи по 1 с, отправляется на сервер со встроенной нейронной сетью, которая определяет наличие в данной записи кашля. В приложении отображается общее количество записей (записи без кашлевых эпизодов самостоятельно удаляются), количество кашлевых эпизодов и время мониторинга. Также формируется статистический отчет как за весь период мониторинга, так и за каждые сутки, с возможностью выгрузки, в котором рассчитываются следующие показатели: среднее количество кашлевых эпизодов в час, в день, пиковые часы за сутки, средняя вероятность и т.д. Таким образом можно объективно оценить частоту кашля у пациента [14].

ИИ также может поддерживать дистанционное мониторирование состояния пациентов с хроническими респираторными заболеваниями, облегчая передачу данных о самочувствии и данных объективного исследования непосредственно медицинским работникам. Однако внедрение домашнего мониторинга в клиническую практику и исследовательскую деятельность требует строгой стандартизации, которой в настоящее время не существует. Y.H. Khor и соавт. разработали систему PANACEA, включающую в себя 7 основных пунктов: эффективность тестирования, управление заболеванием, стоимость, удобство для пациента, удобство для врача, удобство для исследователя и доступность. Данная система в перспективе может стандартизировать оценку домашнего мониторинга при хронических заболеваниях легких [15].

Другим направлением применения ИИ в пульмонологии может быть создание специализированных чат-ботов — компьютерных программ, предназначенных для имитации общения с пользователями-людьми с помощью текста или голоса, для предоставления информации, ответов на вопросы или выполнения заданий. При надлежащем обучении и валидации чат-бот, находящийся дома у пациента, потенциально может стать первым средством связи с системой здравоохранения, ответить на вопросы пациента, которые могут возникнуть у него дома о его здоровье, а также при необходимости порекомендовать конкретные действия, включая автоматическое обращение за медицинской помощью, как удаленно, так и лично [16, 17].

Учитывая активное внедрение ИИ в большинство сфер жизнедеятельности человека, медицина, в том числе пульмонология, не является исключением. При помощи ИИ возможно облегчение и ускорение диагностики заболеваний верхних и нижних дыхательных путей, обеспечение дистанционного контроля за состоянием пациента, а также прогнозирование обострений и неблагоприятных исходов, основываясь на выявлении закономерностей в результатах лабораторно-инструментального обследования больного. Однако следует учитывать, что методы, основанные на применении ИИ, не лишены недостатков, поэтому все заключения, представленные какой-либо моделью, должны быть интерпретированы врачом-специалистом.

Хроническая обструктивная болезнь легких

Впервые в 2026 г. в международных клинических рекомендациях Global Initiative for Chronic Obstructive Lung Disease появился раздел, посвященный ИИ [16].

ИИ потенциально может помочь в выявлении лиц, подверженных риску хронической обструктивной болезни легких (ХОБЛ), по данным электронных медицинских карт (ЭМК). S.D. Aaron и соавт. (Канада) использовали метод поиска случаев для выявления среди населения взрослых с респираторными симптомами, у которых не было диагностированных заболеваний легких. Пациенты, у которых впоследствии были диагностированы ХОБЛ или БА, реже обращались за медицинской помощью и имели лучшее качество жизни, что связано с более ранней диагностикой этих заболеваний [18].

Рентгенография и КТ органов грудной клетки также имеют большое значение при диагностике ХОБЛ. Некоторые модели ИИ способны различать преимущественно эмфизематозный и преимущественно бронхитический фенотипы, основываясь на характеристиках КТ-изображений: распространенность эмфиземы, толщина стенок дыхательных путей, диаметр просвета и показатели скопления воздуха на снимках, сделанных на вдохе и выдохе [19]. A.M. Fischer и соавт. разработали алгоритм на основе ИИ, осуществляющий сегментацию долей и количественную оценку эмфиземы легких у больных ХОБЛ по КТ органов грудной клетки [20]. H. Park и соавт. пытались предсказать функцию легких на основании данных КТ органов грудной клетки при помощи сверточной нейронной сети [21]. J.G. Nam и соавт. предприняли попытку прогнозирования выживаемости на основе глубокого обучения у пациентов с ХОБЛ с использованием рентгенограмм грудной клетки в дополнение к другим клиническим факторам [22].

Спирометрия на основе ИИ в области диагностики и прогнозирования открывает перспективы для более раннего выявления ХОБЛ и стратификации рисков. A. Mac и соавт. создали модель, интерпретирующую результаты спирометрии в соответствии с международными рекомендациями. Входные данные включали результаты спирометрии (форсированная жизненная емкость легких, объем форсированного выдоха за 1-ю секунду (ОФВ₁), форсированная скорость выдоха 25—75), плетизмографии (общая емкость легких, остаточный объем) и биометрические данные (пол, возраст, рост) [23]. Y. Wang и соавт. разработали модель, определяющую тип вентиляционных нарушений по результатам спирометрии [24].

Также с помощью алгоритмов машинного обучения возможно выявление ХОБЛ на основе анализа легочных звуков, например, с использованием электронной аускультации. Этот метод является альтернативой инвазивным и дорогостоящим визуализирующим методам диагностики. S. Naqvi и соавт. представили систему диагностики ХОБЛ и пневмонии с использованием методов обработки сигналов и машинного обучения на основе результатов аускультации больных ХОБЛ, пневмонией и здоровых лиц из респираторной базы данных ICBHI [25]. H. Yu и соавт. разработали модель для предварительной диагностики тяжести ХОБЛ, используя легочные тоны, полученные при помощи 12-канального легочного томографа [26].

В ряде исследований авторы использовали ИИ для выявления биологических биомаркеров, которые могут применяться при ХОБЛ. N. Olvera и соавт. предположили, что объективная интеграция различных омиксных данных о легких при ХОБЛ может помочь выявить механизмы, связанные с клиническими характеристиками заболевания. Было проведено профилирование мРНК, микроРНК и метиломы в образцах легочной ткани 135 бывших курильщиков с ХОБЛ. Для каждого омиксного профиля (слоя) была построена сеть с учетом пациентов на основе молекулярного сходства. В полученной многослойной сети авторы выделили 5 основных групп пациентов, которые отличались между собой по молекулярным и клиническим характеристикам (ОФВ₁ и количество эозинофилов в периферической крови). У групп C#3 и C#4 были одинаково низкие показатели ОФВ₁ и эмфизема, однако имелись молекулярные различия: в группе C#3, в отличие от группы C#4, были обнаружены B- и T-клетки, а также пониженная экспрессия секреторных (SCGB1A1/SCGB3A1) и реснитчатых клеток. Разработанный многоуровневый сетевой анализ в перспективе позволит выявлять клинически значимые группы пациентов с ХОБЛ, обладающие разными наборами омиксных признаков [27].

Y. Zhu и соавт. разработали несколько моделей машинного обучения для прогнозирования обострений ХОБЛ на основании маркеров воспаления. Для всех пациентов были собраны демографические данные (возраст, пол, статус курения), информация о сопутствующих заболеваниях (гипертония, ишемическая болезнь сердца и т.д.) и результаты лабораторных исследований, включающие в себя следующие показатели: количество лейкоцитов, нейтрофилов, лимфоцитов, моноцитов, эозинофилов, базофилов, тромбоцитов, гемоглобин, ширину распределения эритроцитов, N-концевой промозговой натрийуретический пептид (NT-proBNP), C-реактивный белок. Кроме того, были рассчитаны следующие показатели воспаления: отношение нейтрофилов к лимфоцитам, тромбоцитов к лимфоцитам, моноцитов к лимфоцитам, эозинофилов к лимфоцитам, базофилов к лимфоцитам, а также индекс системного иммуновоспаления (рассчитывается как количество тромбоцитов × отношение нейтрофилов к лимфоцитам). Наибольшую производительность продемонстрировала модель на основе градиентного бустинга: площадь под кривой (AUC) составила 0,900 (95% ДИ 0,858—0,942), точность — 0,948, специфичность — 0,952, чувствительность — 0,944 в проверочной выборке [28].

Существуют также мультимодальные модели, объединяющие в себе биологические данные, анализ результатов лабораторно-инструментальных исследований, данных опросников, ЭМК и т.д., что может дать более полное представление о течении ХОБЛ. Y. Yi и соавт. создали мультимодальную систему глубокого обучения COPD-MMDDxNet, которая объединяет структурированные заключения по компьютерным томограммам легких, результаты анализа газового состава крови и других лабораторных исследований из ЭМК для постановки диагноза ХОБЛ без проведения спирометрии [29].

Правильная техника ингаляции является краеугольным камнем в приверженности терапии у пациентов с ХОБЛ. Следовательно, разработка цифровых ингаляторов на основе ИИ имеет огромный потенциал. D. Chamaon и соавт. разработали RS01X — умный дозированный порошковый ингалятор, который отслеживает соблюдение режима терапии и технику ингаляции с помощью специальных профилей ингаляции, включающих продолжительность, объем и пиковую скорость вдоха [30].

Таким образом, ИИ может использоваться при диагностике ХОБЛ, поскольку он позволяет выявлять болезнь на ранних стадиях, анализируя акустические паттерны кашля, данные спирометрии, а также данные с носимых устройств и КТ. Кроме того, ИИ помогает в ведении пациентов, прогнозируя риски обострений и госпитализаций, что дает возможность врачам своевременно корректировать терапию.

Бронхиальная астма

Диагностика БА бывает затруднительной вследствие неспецифичности симптомов (кашель, одышка, свистящие хрипы), которые могут имитировать ХОБЛ, сердечную недостаточность или гипервентиляционный синдром, а также из-за вариабельности течения — между приступами — функция легких нередко остается нормальной, что требует проведения провокационных тестов и длительного мониторинга, которые не всегда доступны или правильно интерпретируются. ИИ может помочь, анализируя большие массивы данных (аудиозаписи кашля и дыхания, показатели спирометрии, пикфлоуметрии, анамнез и данные ЭМК) для выявления скрытых паттернов, повышения точности дифференциальной диагностики и создания персонализированных моделей риска, что особенно ценно на ранних стадиях и при атипичных формах заболевания.

H. Joumaa и соавт. представили алгоритм, проводящий дифференциальную диагностику между ХОБЛ и БА, основываясь на анализе медико-административных баз данных [31]. Yu G. и соавт. создали несколько моделей для диагностики БА у детей по данным ЭМК, используя машинное обучение, в том числе CatBoost, логистическую регрессию, наивный байесовский классификатор и метод опорных векторов. Результаты оценки эффективности показали, что модель CatBoost превзошла другие модели по точности, основываясь на оценке двух наборов данных [32]. Xiang Y. и соавт. прогнозировали обострения БА, используя модель нейронной сети TSANN, которая основывалась на обработке клинических данных из ЭМК [33].

КТ органов грудной клетки при БА в основном используется для дифференциальной диагностики заболевания, при отсутствии характерных признаков, позволяющих подтвердить диагноз. A. Moslemi и соавт. разработали модель, основанную на классификации 93 признаков, которая позволяет дифференцировать БА и ХОБЛ по КТ органов грудной клетки. Наибольшее значение имели следующие признаки: площадь внутренней части дыхательных путей RB1, площадь внешней части дыхательных путей LB1, периметр внешней части дыхательных путей, периметр внутренней части дыхательных путей, внутренний периметр 10 мм (Pi10), общее количество бронхов (TAC), толщина стенки дыхательных путей RB1 и TAC LB10 [34].

Большую популярность набирают исследования, изучающие особенности звуков кашля при разных патологиях. Кашель больных БА отличается большей продолжительностью 2-й фазы и высокой максимальной частотой, причем после ингаляции бронходилататоров частотность звука достоверно снижается, что может быть полезным в диагностике БА, в том числе с использованием машинного обучения [35]. В исследовании M. Al-Khassaweneh и соавт. применялись методы цифровой обработки кашлевых сигналов для БА. Наряду с вейвлет-преобразованием звука авторы использовали распределение Вигнера, что позволило более полно охарактеризовать структуру кашлевых импульсов. Выделенные из частотно-временной области признаки в дальнейшем подавались на вход классификатора, который на их основе определял, присутствует ли у пациента обструкция мелких дыхательных путей [36].

Лабораторная диагностика играет вспомогательную, но важную роль в диагностике и ведении больных БА. ИИ может помочь в выявлении закономерностей, а также интегрировать лабораторные показатели с клиническими данными и результатами функциональных тестов для автоматического распознавания сложных иммунологических фенотипов астмы, а также для прогнозирования ответа на таргетную терапию по биомаркерным профилям.

J. Zhan и соавт. разработали алгоритм диагностики БА по результатам рутинных показателей общего анализа крови с использованием системы Махаланобиса—Тагути (MTS), которая часто используется в качестве многомерной системы для интеграции информации с целью построения эталонных шкал. Наиболее значимыми переменными оказались: ширина распределения тромбоцитов по объему, средний объем тромбоцитов, абсолютное количество лейкоцитов, эозинофилов, лимфоцитов, доля лимфоцитов и средняя концентрация гемоглобина в эритроците [37]. R. Ullah и соавт. представили метод прогнозирования риска развития БА с использованием машинного обучения на основе анализа различий в спектрах комбинационного рассеяния света в образцах сыворотки крови. В связи с тем, что были выявлены достоверные различия спектральных вариаций (p<0,0001) между образцами больных БА и здоровыми лицами, авторы провели обучение классификатора нейронной сети, используя методы опорных векторов и случайного леса. Разработанный алгоритм продемонстрировал высокие показатели точности в определении БА по результатам Рамановской спектроскопии крови [38].

Генетические исследования при БА имеют ограниченную диагностическую значимость на практике в связи с тем, что заболевание носит полигенный характер, и известные локусы лишь незначительно повышают риск, не являясь диагностическими маркерами. Модели машинного обучения способны анализировать сложные многофакторные генетические профили и их взаимодействие с факторами внешней среды, что позволит выявлять скрытые предрасположенности, субтипировать БА для персонализированного подхода и прогнозировать эффективность терапии у конкретного пациента. G. Pandey и соавт. использовали образцы ДНК, которые были получены из назальных мазков, собранных при помощи специальной цитологической щетки, для обучения классификатора нейронной сети. Анализ дифференциальной экспрессии генов с помощью программного пакета DeSeq2 показал, что 1613 и 1259 генов соответственно экспрессировались с повышенной и пониженной экспрессией у пациентов с БА по сравнению с контрольной группой. Алгоритм машинного обучения выявлял БА легкой и средней степени тяжести, основываясь на классификаторе, состоящем из 90 отобранных генов [39].

M.R. Sills и соавт. разработали две модели машинного обучения, определяющие необходимость госпитализации детей с БА, опираясь на данные анамнеза, клинической картины и объективного осмотра. Среди переменных наиболее важными для прогнозирования необходимости госпитализации были исход предыдущего визита, количество баллов по шкале ESI (Emergency Severity Index, индекс тяжести состояния), время до приема первого лекарственного средства и время до проведения сортировки [40].

Применение ИИ в диагностике БА имеет значимую, хотя на сегодняшний день и вспомогательную роль. Модели машинного обучения способны автоматически оценивать функцию внешнего дыхания и показатели пикфлоуметрии, а также выявлять закономерности в клинико-лабораторных данных пациентов с БА, обеспечивая скрининг и фенотипирование. Также возможно создание различных систем, обеспечивающих мониторирование эффективности терапии для обеспечения ее своевременной коррекции и прогнозирования обострений.

Пневмония

Пневмония является клинико-рентгенологическим диагнозом, поэтому наиболее значимое место в диагностике этого заболевания занимают визуализирующие методы. M. Mujahid и соавт. разработали алгоритм, обученный на 7750 рентгенограммах органов грудной клетки, который определяет наличие пневмонии на конкретном рентгеновском снимке. Самый высокий показатель точности (99,29%) продемонстрировала модель Inception-V3 со сверточной нейронной сетью [41]. E. Ayan и соавт., в свою очередь, предложили систему автоматизированной диагностики пневмонии у детей, используя метод ансамблевой сверточной нейронной сети [42]. Существует большое количество и других алгоритмов машинного обучения, выявляющих пневмонию на рентгенограммах [43—47]. Нейронные сети обеспечивают анализ рентгеновских и КТ-изображений с высокой скоростью и чувствительностью, автоматически выявляя характерные признаки пневмонии (участки инфильтрации, затемнения, «матовое стекло»), позволяя диагностировать заболевание на ранних стадиях. Кроме того, ИИ способен дифференцировать пневмонию от других заболеваний со сходными рентгенологическими паттернами (например, рак, туберкулез, отек легких), а также количественно оценивать объем поражения.

Анализ звуков кашля с позволяет выявлять акустические паттерны, характерные для пневмонии (например, влажные хрипы, специфические частотные и временные характеристики), что может служить неинвазивным скрининговым методом диагностики данного заболевания. Нейросетевые алгоритмы способны отличать кашель при пневмонии от кашля при других респираторных заболеваниях, а также удаленно оценивать динамику состояния пациента. Так, U.R. Abeyratne и соавт. предприняли попытку диагностирования пневмонии у детей на основе акустического анализа кашлевых звуков. Выборка исследования включала 91 пациента с подтвержденными диагнозами пневмонии, бронхиолита и БА. В качестве референсных меток для обучения классификатора авторы использовали клинические заключения, сформулированные профильными специалистами. Разработанная нейросетевая модель продемонстрировала способность дифференцировать пневмонию у детей от иных респираторных патологий, опираясь исключительно на признаки, выделенные из звуковой структуры кашля [48]. Y. Chung и соавт. предложили диагностировать пневмонию с помощью спектрального анализа звуков кашля, выполняемого ИИ. Для количественной оценки акустических характеристик кашля использовали два параметра: соотношение уровней громкости и энергетические показатели, отражающие как интенсивность сигнала, так и его спектральную изменчивость. На основе этих признаков был построен диагностический алгоритм. Сравнительную оценку эффективности разработанного метода проводили относительно заключений врачей-пульмонологов, которые ставили диагноз исключительно на слух [49].

Абсолютное большинство алгоритмов машинного обучения, направленных на диагностику пневмонии, основаны на анализе рентгенограмм и компьютерный томограмм органов грудной клетки, так как именно данные методы обеспечивают наиболее наглядную и объективную информацию о структурных изменениях в легочной ткани. Кроме того, именно для медицинских изображений существуют крупные размеченные датасеты (например, CheXpert, RSNA), что позволяет эффективно обучать глубокие сверточные сети для распознавания визуальных паттернов пневмонии.

Легочный фиброз

Для точной диагностики интерстициальных заболеваний легких (ИЗЛ) крайне важно сопоставлять рентгенологические, патолого-анатомические и клинические данные. Лечение ИЗЛ также требует тщательного наблюдения с проведением КТ и спирометрии для оценки прогрессирования заболевания, его тяжести и реакции на лечение. В последние годы наблюдается стремительное распространение алгоритмов ИИ для классификации и прогнозирования исходов при ИЗЛ, включая фиброз легочной ткани.

N. Touloumes и соавт. представили классификационную сеть на основе сверточных нейронных сетей для диагностики легочного фиброза. Модель, обученная на 3600 компьютерных томограммах и доработанная на внешней выборке из США, показала высокие показатели чувствительности и специфичности (91,3 и 95,3% соответственно) как в группах с низкой, так и с высокой распространенностью фиброза в легочной ткани. Однако эта модель не позволяет напрямую оценить тяжесть заболевания, что является основным недостатком классификационных моделей [50]. K.C. Selvan и соавт. разработали сверточную нейронную сеть на основе глубокого обучения ScreenDx-LungFibrosis, которая выявляет признаки легочного фиброза на КТ-изображениях. Алгоритм был обучен на международном наборе данных из более чем 3600 пациентов. При разработке и тестировании модели AUC составила 0,997 (95% ДИ 0,98—1,00), а чувствительность и специфичность — 100 и 98% соответственно [51]. A. Christe и соавт. разработали систему INTACT на основе ИИ, представляющую собой последовательный конвейер, в котором сначала сегментируются анатомические структуры легкого, затем выявляются и классифицируются разные типы патоморфологических изменений ткани легкого, после чего эта информация поступает в классификатор на основе случайного леса, и формируется радиологическое заключение. Полученные КТ-изменения классифицировали на 4 основные категории острой интерстициальной пневмонии (ОИП), паттерна идиопатического легочного фиброза: типичная ОИП, вероятная ОИП, сомнительная ОИП и ВРКТ-картина, не соответствующая ОИП ВРКТ-картина, не соответствующая ОИП. Заключения нейронной сети сравнивали с согласованными заключениями двух врачей-рентгенологов, специализирующихся на заболеваниях органов грудной клетки. Было выявлено, что система INTACT определяла легочный фиброз с такой же точностью, что и врачи-рентгенологи (0,6; 0,54 и 0,56 соответственно; p>0,45) [52].

X. Mei и соавт. использовали предварительное обучение CNN на RadImageNet для классификации 5 подтипов идиопатического легочного фиброза и дальнейшего прогнозирования 3-летней выживаемости с помощью трансформирующей модели. Для прогнозирования выживаемости была использована новая мультимодальная модель временных рядов, объединяющая клинические данные, данные о приеме лекарственных препаратов и результаты методов визуализации [53].

Таким образом, несмотря на то что скорость анализа и фиксация микроизменений на КТ-изображениях являются ключевыми преимуществами нейронных сетей в сравнении с врачами-рентгенологами, легочный фиброз встречается нечасто, что не обеспечивает достаточный объем и качество выборок для обучения. Несмотря на это, ИИ может использоваться в качестве вспомогательного инструмента диагностики легочного фиброза.

Заключение

Применение ИИ в пульмонологии значительно повышает эффективность диагностики и скрининга респираторных заболеваний: нейросети анализируют рентгенограммы и КТ-изображения, распознают акустические паттерны кашля при БА, ХОБЛ и др., а мультимодальные алгоритмы интегрируют лабораторные и генетические данные для диагностики заболеваний и прогнозирования рисков.

Тем не менее существуют серьезные ограничения для применении ИИ в респираторной медицине: высокая зависимость от качества и репрезентативности обучающих выборок, риск так называемого «черного ящика», т.е. необъяснимость решений, принимаемых ИИ, а также необходимость строгого клинического валидирования моделей и этико-правового регулирования.

В этой связи ИИ на сегодняшний день остается лишь мощным вспомогательным инструментом, но не заменяет врача-специалиста.

Участие авторов:

Концепция статьи — Будневский А.В., Авдеев С.Н., Бондарев В.Н.

Обзор литературы — Овсянников Е.С., Никитина Л.Ю., Пластун А.В.

Анализ материала — Будневский А.В., Никитина Л.Ю., Бондарев В.Н., Фейгельман С.Н.

Написание текста — Пластун А.В., Фейгельман С.Н.

Редактирование — Будневский А.В., Авдеев С.Н., Овсянников Е.С.

Author contributions:

Concept of article — Budnevsky A.V., Avdeev S.N., Bondarev V.N.

Literature review — Ovsyannikov E.S., Nikitina L.Yu., Plastun A.V.

Material analysis — Budnevsky A.V., Nikitina L.Yu., Bondarev V.N., Feigelman S.N.

Text writing — Plastun A.V., Feigelman S.N.

Editing — Budnevsky A.V., Avdeev S.N., Ovsyannikov E.S.

Авторы заявляют об отсутствии конфликта интересов.

¹ Enlitic. AI-Enabled Data Solutions. Доступно по: https://enlitic.com (ссылка доступна на: 05.05.2026).

² Ginger.io. Accessed May 5, 2026. Доступно по: https://dev.ginger.io (ссылка доступна на: 05.05.2026).

³ Wellframe by Healthedge. Доступно по: https://www.wellframe.com (ссылка доступна на: 05.05.2026).

⁴ Medaware. Harvard Medical School. Доступно по: https://www.medaware.com (ссылка доступна на: 05.05.2026).

⁵ Healthily. Accessed May 5, 2026. Доступно по: https://www.livehealthily.com (ссылка доступна на: 05.05.2026).