Рассеянный склероз (РС) представляет собой инвалидизирующие заболевание, поражающее преимущественно лиц молодого возраста [1]. В настоящее время в мире насчитывается около 2,8 млн пациентов с РС, причем распространенность РС неуклонно растет [2]. Своевременное назначение болезнь-модифицирующей терапии может замедлить прогрессирование РС [3]. Однако ранняя диагностика РС как и выбор препаратов, изменяющих течение РС (ПИТРС), представляют собой сложные задачи из-за разнообразия клинических проявлений, вариабельности течения болезни и широкого круга заболеваний, среди которых необходимо проводить дифференциальный диагноз [1]. Точность диагностики, прогнозирование течения болезни и выбор оптимальной терапии во многом зависят от знаний и профессионального опыта врача, поскольку в каждом случае врачу необходимо оценивать и интерпретировать большое количество данных, касающихся конкретного пациента [4].

В качестве помощника клиницистов в последние годы все чаще стали использовать «интеллект, демонстрируемый машиной», или искусственный интеллект (ИИ) [5, 6]. Единого определения ИИ не существует. Обычно под ИИ понимают технологии, которые позволяют машине на основе анализа массивов данных выполнять те задачи, которые обычно связанны с человеческим интеллектом — обучаться, распознавать закономерности, классифицировать, делать прогнозы и строить гипотезы [7, 8]. ИИ — это «зонтичное» понятие, поскольку спектр технологий ИИ очень широкий; условно различают «слабый» («узкий», «прикладной») ИИ, выполняющий конкретную целенаправленную задачу без возможности саморазвития, и «сильный», или «универсальный» ИИ, который способен к имитации таких свойств естественного интеллекта человека, как восприятие, обучение, концептуализация, распознавание проблемы, разработка решения, планирование, общение [9]. Способность анализировать большие объемы данных быстрее и точнее, чем человеческий мозг, делают ИИ привлекательным инструментом при решении как медицинских задач (диагностика, прогнозирование, выбор терапии), так и научных проблем, касающихся патогенетических механизмов развития РС и разработки новых технологий лечения и реабилитации [10, 11].

Целью настоящего обзора является систематизация современных данных о потенциальных возможностях использования ИИ в исследованиях, касающихся РС.

Материал и методы

Материалом для анализа послужили источники научной литературы, индексированные в базах данных Scopus, eLibrary, PubMed. Отбор источников осуществлялся с использованием ключевых слов и словосочетаний: рассеянный склероз, диагностика, прогнозирование, искусственный интеллект, машинное обучение. Для анализа были отобраны научные статьи, опубликованные в период с 2018 по 2024 г.

Технологии ИИ

В исследованиях, касающихся научных и клинических аспектов РС, обычно используют такие методы ИИ, как машинное обучение (МО) и его компоненты — искусственные нейронные сети (ИНС) и глубокое обучение [10, 12, 13]. В информационном поиске эффективным помощником может стать генеративный ИИ [14].

МО является одним из подмножеств ИИ и сфокусировано на разработке алгоритмов и статистических моделей, позволяющих решать конкретные задачи распознавания и прогнозирования (поиск закономерностей и взаимосвязей в больших наборах данных, принятие оптимальных решений и создание прогнозов на основе этого анализа) [4]. Алгоритмы МО позволяют ИИ не только обрабатывать данные, но и использовать их для обучения и повышения эффективности без необходимости дополнительного программирования [10]. МО может помочь распознавать диагностические и прогностические паттерны РС и принимать решения, касающиеся терапии [4].

Существуют несколько обучающих моделей МО, выбор которых диктуется характером данных и целью исследования (контролируемая, неконтролируемая, полуконтролируемая, с подкреплением), внутри каждой из которых может быть применена одна или несколько алгоритмических методик [4]. Так, при контролируемом МО (МО «с учителем») используют наборы размеченных данных: показатели «на выходе» известны заранее (их отбирают на основе накопленных знаний), а «машине» (компьютерному устройству) поручено сопоставлять входные и выходные данные на точность и постепенно обучаться. Контролируемое обучение используют для классификации признаков (очаги РС, фенотипы РС), для прогнозирования течения заболевания и ответа на терапию [4]. К контролируемым алгоритмам МО, которые используют при анализе данных пациентов с РС, относятся, например, метод K-ближайших соседей, метод случайного леса (включая метод градиентного бустинга деревьев решений), метод логистической регрессии, метод опорных векторов и другие [4, 9]. У каждого из названных методов есть свои сильные и слабые стороны, выбор конкретного инструмента определяется решаемой задачей [4]. В неконтролируемом МО (МО «без учителя») машина изучает данные, которые не помечены и не структурированы, т.е. обучается группировать показатели и выявлять взаимосвязи на наборах неразмеченных данных без контроля со стороны пользователя. Для неконтролируемого МО нужна большая обучающая выборка. Из массива немаркированных данных неконтролируемые алгоритмы МО обучаются обнаруживать базовую структуру и извлекать соответствующие признаки и шаблоны. Модели неконтролируемого обучения используют для выполнения задач кластеризации (группирования неразмеченных данных, исходя из их сходств и различий), ассоциации (выявления связей между переменными) и снижения размерности (сокращения количества исходных данных до управляемого при сохранении их целостности). Неконтролируемые методы МО применяют для сегментации МРТ; при идентификации подтипов РС; при анализе биомаркеров [4]. К неконтролируемым методам МО выявления ассоциаций относятся, например, априорные алгоритмы, к методам снижения размерности — анализ главных компонент и сингулярное разложение, к методам кластеризации — метод k-средних и иерархическая кластеризация [10, 15]. Полуконтролируемое МО предполагает ввод небольших объемов размеченных данных, которые дополняют набор данных, не имеющих меток; после обучения анализировать размеченные данные машина начинает применять выявленные связи в массиве неразмеченных данных.

ИНС — это тип алгоритмов МО, который имитирует структуру и функцию биологических нейронных сетей в головном мозге [16]; представляют собой узлы («искусственные нейроны»), которые соединены друг с другом связями для передачи сигналов и сгруппированы в слои. ИНС используются как часть глубокого обучения — такого вида МО, которое, в целях обучения и принятия решений, фокусируется на использовании топологий ИНС, по аналогии с работой человеческого мозга. В процессе глубокого обучения в обработке находятся очень большие объемы сложных и разрозненных данных, происходит взаимодействие с несколькими слоями сети и извлечение все более и более высокоуровневых выходных данных [13, 17]. Так, например, при обработке (сегментации) МРТ пациентов с РС при выявлении на МРТ новых либо увеличивавшихся в размере очагов, в прогнозировании клинических исходов заболевания применяют такие разновидности ИНС, как сверточные нейронные цепи (англ.: convolutional neural networks, CNNs) [11, 18—20].

Генеративный ИИ — это ИИ, который демонстрирует способность генерировать тексты и изображения в ответ на подсказки [14]. Ключевым компонентом генеративного ИИ являются «большие языковые модели», которые на основе больших наборов текстовых данных и самообучения способны распознавать лингвистические конструкции, определять вероятностные сочетания слов и их значений в заданном контексте с использованием определенных алгоритмов вычислений. В настоящее время основное применение больших языковых моделей находят в чат-ботах, в поисковых системах, при переводах текстов и написании маркетинговых текстов. Уже разработаны модели, ориентированные на биомедицинскую сферу (BioBERT, BioMegatron, PubMedBERT), натренированные на обработку медицинских текстов, ответы на вопросы и поиск медицинской информации. В перспективе, как полагают, большие языковые модели смогут помогать в анализе мультимодальных данных (клинические рекомендации, руководства, экспертные заключения и т.д.), и на этой основе принимать решения, касающиеся прогноза заболевания, выбора симптоматической и патогенетической терапии РС [14]. Пока, однако, возможности генеративного ИИ в отношении помощи пациентам с РС изучены недостаточно [14].

Использование алгоритмов ИИ при РС

Использование ИИ в исследовании патогенеза РС

Искусственный интеллект может помочь в выявлении закономерностей, которые не очевидны при обычной статистической обработке данных, что открывает широкие возможности в научных работах, касающихся изучения патогенетических механизмов развития РС [4]. Так, с целью выяснения роли общей антиоксидантной активности в развитии РС было проведено исследование сыворотки крови 174 пациентов с РС и 182 здоровых лиц [21]. Для анализа сложных комбинаций множества параметров авторы использовали нескольких моделей контролируемого МО (бинарная логистическая регрессия, метод опорных векторов, ИНС). Такой подход позволил впервые обнаружить у пациентов с РС снижение уровней 4 показателей системной антиоксидантной активности (адипонектин, сульфгидрильные группы, цинк, общая способность к улавливанию радикалов) и рассматривать эти показатели в качестве потенциальных биомаркеров РС [21].

Еще одним примером применения МО может служить исследование [22], посвященное выявлению биомаркеров нейроаксонального повреждения при РС [22]. Авторы провели исследование уровней легких цепей нейрофиламентов (sNfL) в сыворотке крови и толщины наружного плексиформного слоя сетчатки глаза у 156 пациентов с РС. Метод опорных векторов позволил разработать предиктивную модель и доказать, что уровень sNfL может являться предиктором истончения слоев сетчатки глаза, а изменения толщины наружного плексиформного слоя сетчатки служить дополнительным биомаркером нейродегенерации при РС [22].

Еще в одном исследовании применение МО при обработке данных обследования 152 пациентов с РС показало, что кросс-модальные биомаркеры (комбинация уровня sNfL и таких показателей МРТ, как объем T2-гиперинтенсивных очагов и объем серого вещества) могут служить предикторами когнитивного снижения при РС [23].

Технологии ИИ позволили [24] провести всесторонний анализ ЦСЖ пациентов с РС и здоровых лиц на предмет выявления различий в уровнях биомаркеров иммунной активации [24]. Вначале с помощью метода иерархической кластеризации (неконтролируемое МО) были исследованы 92 иммуно-ассоциированных белка ЦСЖ, забранной у 82 пациентов с РС и 36 лиц с другими неврологическими заболеваниями, затем одним из методов логистической регрессии продемонстрирована способность нескольких биомаркеров различать РС и другие заболевания нервной системы. Кроме того, было показано, что иммунный профиль ЦСЖ пациентов с наличием и с отсутствием в ней олигоклональных полос был различным, что может послужить информацией для дальнейшего изучения патогенеза РС [24].

Технологии ИИ в диагностике РС

Искусственный интеллект может помочь в повышении точности ранней диагностики РС, поскольку до сих пор ввиду отсутствия специфических биомаркеров достаточно велик процент ошибок на этапе установления диагноза РС [25]. В настоящее время основные разработки по использованию ИИ в диагностике РС связаны с анализом данных томограмм головного мозга: ИИ может влиять и на получения и реконструкции изображений, и на их анализ и интерпретацию [26]. В области нейрорадиологии ИИ уже стал одним из самых востребованных инструментов, поскольку автоматизированные сегментирование изображений и подсчет числа очагов позволяют повысить скорость и точность оценки изменений на МРТ головного и спинного мозга, уменьшить нагрузку на радиолога, который интерпретирует изображения [10, 20].

Большинство моделей МО для диагностики РС разрабатываются на основе сравнения характеристик здоровых лиц и пациентов с уже установленным диагнозом РС; в то же время необходимо обучение и валидизация моделей ИИ для выявления РС на ранних, доклинических стадиях, оптимизация диагностических решений путем сравнения с другими клинически и радиологически схожими проявлениями [4]. Метод глубокого обучения, интегрированный с диагностическими системами, помогает дифференцировать изменения, связанные с РС, и патологические находки, обусловленные иными заболеваниями [11, 13, 27]. Так, M. Amin и соавт. использовали алгоритмы ИИ для различения МРТ изменений, обусловленных РС и неспецифическими заболеваниями белого вещества. Показатели томограмм пациентов с РС (n=250) и неспецифическими заболеваниями белого вещества (n=250) легли в основу МО с применением методов логистической регрессии и сверточных ИНС; точность классификации составила соответственно 68% для модели логистической регрессии и 77—78% для модели ИНС [11]. В другой работе для решения задачи дифференциальной диагностики РС и системной красной волчанки с нейропсихическими проявлениями исследователи выполнили анализ МРТ-изображений методом радиомики и глубокого обучения [28]. Радиомика — метод, позволяющий извлекать количественную информацию о плотности, форме и текстуре из медицинских изображений и преодолевать субъективный характер оценки клинического изображения врачами-рентгенологами; на основе анализа извлеченных радиометрических признаков строят прогностические модели и выявляют закономерности, неразличимые невооруженным глазом [29]. Обучение и тестирование системы производилось по данным МРТ 63 пациентов с РС и 49 с системной красной волчанкой, с извлечением 371 радиомического признака. Авторы сообщили о разработке надежной многоочаговой радиомической модели (multi-lesion radiomics model) для различения Т2-взвешенных изображений пациентов с РС и системной красной волчанкой [28].

Автоматизированная или полуавтоматизированная обработка МРТ дает возможность также точнее выявлять высокоспецифичные индикаторы РС — такие, как кортикальные очаги, симптом центральной вены и симптом парамагнитного ободка, вошедшие в диагностические критерии РС МакДональда 2024 [12, 30—32].

Возможно, перспективным направлением в ранней диагностике РС может стать автоматизированный анализ функциональных МРТ (фМРТ). Так, в исследовании [33] использование автоматической категоризации данных МРТ на основе МО позволило различать пациентов с РС и здоровых лиц с точностью 89% [33]. Модель, основанная на алгоритме МО, идентифицировала области мозга, которые внесли наибольший вклад в диагностический классификатор (правая затылочная доля, орбитальные отделы левой лобной доли, медиальные отделы лобных долей, язычная извилина) и определила релевантные функциональные связи между отделами мозга [33]. Основная проблема исследований фМРТ обусловлена сложностями воспроизводимости из-за вопросов по стандартизации методологии.

Следует отметить, что обработка МРТ (сбор данных, реконструкция, постобработка, анализ, диагностика) требует разработки таких алгоритмов глубокого обучения, которые бы позволили решить проблему многозадачной классификации изображений (реализовать «многозадачные» искусственные сети) [26].

Помимо данных МРТ при обучении моделей МО в целях дифференциальной диагностики РС могут использоваться и другие клинические данные. Так, K. Rozenstoks и соавт. продемонстрировали способность ИИ различать речь здорового человека и пациента с РС [34]. В основу МО были положены звуковые записи 120 пациентов с РС и 60 здоровых лиц в процессе повторения ими четырех типов слогов (та-, да-, па-та-ка и ба-да-га). Алгоритм МО на основе сверточных ИНС смог с высокой точностью идентифицировать речь пациентов с РС (замедленное и аритмичное повторение слогов вследствие спастичности либо атаксии артикуляционных мышц) [34]. Техники МО помогли классифицировать патологические паттерны ходьбы у пациентов с РС, что представляется важным при реализации пациент-центрированного подхода к медицинской реабилитации [35].

Таким образом, методы ИИ могут быть использованы в качестве дополнения к доступным в настоящее время диагностическим инструментам для пациентов, проходящих обследование с целью подтверждения диагноза РС [11].

Прогнозирование характера течения РС

Сложность выбора оптимального препарата для терапии РС и прогнозирования оценки ее эффективности заключается в том, что РС — это «болезнь с тысячью лиц», которая характеризуется гетерогенностью клинических проявлений и вариабельностью течения [36]. Несмотря на большое число лекарственных средств, зарегистрированных для терапии РС, в каждом конкретном случае выбор оптимального ПИТРС нередко вызывает затруднения. Существующие в настоящее время прогностические модели РС основаны на данных популяционного уровня, в то время как строить прогноз на индивидуальном уровне с учетом гетерогенности заболевания очень сложно [4]. Алгоритмы МО открывают возможности в проведении анализа большого количества данных и предоставлять прогностическую информацию применительно отдельных пациентов [4]. В частности, одним из инструментов МО для решения предиктивных задач является «близнецовый» метод фенотипирования пациентов с РС путем использования виртуальной репликации. С помощью метода «цифровых двойников» (англ.: digital twins) многомерные данные о пациенте (морфометрические, физиологические, биологические), представленные в цифровом формате, можно использовать для персонализированного моделирования терапии РС с визуализацией потенциальных результатов лечения и прогрессирования заболевания [36]. По мнению некоторых исследователей, метод «цифровых двойников» может оказаться революционным инструментом для реализации пациент-центрированного подхода к терапии РС [36]. В то же время имеется и другая, более скептическая точка зрения: методология использования «цифровых двойников» в здравоохранении находится лишь на экспериментальной стадии; требуется время, чтобы понять, способны ли цифровые технологии революционно оптимизировать медицинское сопровождение пациентов с РС [10].

Большинство публикаций, касающихся вопросов прогнозирования при РС, посвящены частным аспектам: предсказанию активности заболевания, прогрессирования и перехода в стадию вторичного прогрессирования, эффективности и безопасности ПИТРС [35, 37—42]. Так, в исследовании Basu S. и соавт. МО было использовано для предсказания активности течения РС спустя 3 и 6 мес наблюдения. При помощи методов градиентного бустинга и аддитивного объяснения Шепли (SHapley Additive exPlanations, или SHAP), по данным 1935 пациентов, принимавших участие в международных клинических исследованиях препарата кладрибин, была разработана мультивариантная прогностическая модель. Ковариатами, продемонстрировавшими наиболее высокую предсказательную способность, оказались продолжительность терапии, число новых активных очагов и новых Т1-гипоинтенсивных «черных дыр» на МРТ, балл тяжести РС с поправкой на возраст (Age-Related MS Severity Score, ARMSS) [37].

Исследователи из университетской клиники г. Янина (Греция) представили модель прогнозирования прогрессирования РС, разработанную на основе анализа базы демографических, клинических и лабораторных данных с применением подходов МО. И несмотря на то, что модель обучалась и тестировалась на небольшой выборке (всего 30 пациентов), авторы сообщили о высокой точности предсказания тяжести заболевания (94,87%) и его прогрессирования (83,33%) [38].

В исследовании, проведенном в Коимбрском университете (Португалия), методы МО были использованы для прогнозирования конверсии ремиттирующего РС (РРС) во вторично-прогрессирующий РС (ВПРС) и нарастания уровня инвалидизации к 6-му и 10-му годам заболевания [39]. Для обработки клинических метрик, извлеченных из базы данных неврологического отделения университетской клиники, был использован метод опорных векторов. Разработанный алгоритм МО позволил прогнозировать конверсию в ВПРС в течение последующих 2 лет с точностью до 86%, а нарастание инвалидизации через 6 лет — с точностью до 89%; к наиболее значимым прогностическим негативным маркерам относились высокие баллы по Расширенной шкале инвалидизации (Expanded Disability Status Scale, EDSS), возраст пациента при дебюте заболевания, вовлечение при обострениях нескольких функциональных систем. По мнению авторов, использование разработанных алгоритмов МО способствует пониманию динамики заболевания и выбору оптимальной терапии [39].

Прогнозирование течения РС, основанное на применении ИИ, может базироваться не только на клинических параметрах, но и на результатах инструментальных, в том числе биомеханических и электрофизиологических исследований [42—46]. Так, для прогнозирования риска падений пациентов с РС (низкий, умеренный, высокий риск) в одном из исследований был применен алгоритм контролируемого МО, разработанный по данным постурографических метрик 103 больных РС и 50 здоровых лиц [43]. В другой работе вероятность прогрессирования инвалидизации определялась на основании математической обработки параметров двигательных вызванных потенциалов, регистрация которых была проведена 642 пациентам с РС [44].

Значительное число исследований касаются решения задач прогнозирования исходов РС путем анализа данных МРТ [40, 42, 46]. Известно, что рутинно выявляемые изменения на МРТ имеют лишь умеренную ассоциацию с исходами РС (так называемый «клинико-радиологический парадокс»), но, возможно, прогностически значимые клинико-визуализационные корреляции удастся выявить с помощью техник ИИ [41]. Например, E. Chen и соавт. применили способ графовых сверточных ИНС для классификации клинических форм РС на основе измерения морфологических характеристик (толщина серого вещества) головного мозга на Т1 взвешенных изображениях. Авторы показали, что дегенерация серого вещества, используемая в моделях морфологических связей мозга, может стать чувствительным маркером эволюции заболевания [46]. В публикации S. Noteboom и соавт. дан сравнительный анализ 5 алгоритмов МО, использовавших комбинированные клинические и нейровизуализационные метрики двух когорт пациентов из клиник Берлина и Амстердама (всего 445 пациентов) для исходной классификации выраженности нарушений и предсказания ухудшения состояния на протяжении последующих 2- и 5-летнего периодов наблюдения [42]. Если с классификацией исходного уровня инвалидизации справились все модели МО, то задачу прогнозирования прогрессирования инвалидизирующих дефектов решить не удалось. Авторы высказали предположение о том, что предикторы могут различаться на разных стадиях болезни (возможно, объем повреждения белого вещества отражает худший прогноз на ранних стадиях РС, тогда как корковая атрофия служит негативным предиктором на более поздних стадиях) [42].

В исследовании E. Lopez-Soley и соавт. анализу подверглись метрики диффузионно-тензорной МРТ (неинвазивного метода, позволяющего прижизненно изучать и количественно оценивать микроструктуру белого вещества головного мозга) 185 пациентов с РС. Используя лассо-регрессию, авторам удалось идентифицировать области мозга, показатели функциональной коннективности которых значимо коррелировали с выраженностью инвалидизации пациентов с РС в сроки от 2 до 8 лет после исходной оценки по шкале EDSS и функциональным тестам. Исходные показатели фракционной анизотропии белого вещества в зонах поясной извилины, продольного пучка, зрительной лучистости, малых щипцов и лобного косого пучка ассоциировались с двигательной дисфункцией, а показатели средней диффузивности серого вещества височной и лобной коры — с когнитивной дисфункцией [40]. Информация о микроструктурных изменениях белого и серого вещества головного мозга, по мнению авторов, имеет прогностическую ценность и может помочь с выбором терапии [40]. Всесторонняя информация о возможностях прогнозирования течения РС на основе данных МРТ, появляющихся по мере развития технологий ИИ, представлена в недавно опубликованных обзорах [12, 41]. Несомненно, что интеграция нейровизуализационных биомаркеров с другими мультимодальными характеристиками пациентов с РС демонстрирует большие возможности для продвижения персонализированных подходов к терапии этих пациентов [41]. В целом прогнозирование развития заболевания, основанное на надежных вычислительных подходах, представляет собой многообещающую область исследования РС [4].

Технические аспекты лекарственной терапии и медицинской реабилитации

С возможностями ИИ связывают создание нанороботов, которые смогут проникать через гематоэнцефалический барьер (ГЭБ) для прямой доставки лекарственных препаратов изолированно к участкам воспаления, в том числе при РС [47]. МО, которое реализуется на больших массивах данных, касающихся химических свойств веществ и результатов экспериментов на животных моделях, может помочь в прогнозировании проницаемости ГЭБ для различных экспериментальных молекул и в тестировании нанороботов. ИИ связывают с развитием тераностики — направления персонифицированной медицины, предполагающего прицельную доставку терапевтического и диагностического агента к пораженным клеткам [47].

ИИ используется также в создании роботизированных устройств, применяемых при физической реабилитации пациентов с РС [10, 48, 49].

Ограничения использования искусственного интеллекта в клинической практике

Разработка и широкое использование моделей МО в клинической практике связано с рядом ограничений. Основная проблема создания надежных алгоритмов диагностики и прогнозирования РС связана с тем, что для обучения моделей ИИ необходим доступ к большим массивам показателей, охватывающих весь спектр характерных для РС нарушений. Для МО требуется наличие стандартизированных баз данных, включающих клинические характеристики заболевания, результаты МРТ, результаты анализов крови, ЦСЖ и других релевантных показателей, при этом оценка течения болезни и исходов терапии должна основываться на единых подходах с применением валидизированных оценочных инструментов [4]. Формирование таких баз возможно лишь на основе сотрудничества исследователей, врачей и пациентов различных стран и интеграции электронных медицинских карт пациентов, в которых отражены клинические признаки, результаты лабораторных и визуализационных исследований [4, 10].

Еще одна проблема связана с тем, что для клиницистов ИИ остается «черным ящиком»: алгоритмы и результаты работы моделей МО сложны для объяснения и понимания, что создает трудности в интерпретации и принятии врачами тех или иных диагностических и прогностических выводов и решений ИИ. Для внедрения результатов МО в практику и клиницисты, и пациенты должны иметь понятную и «прозрачную» информацию о том, как работают алгоритмы ИИ, как происходит интерпретация результатов МО и принимаются решения [4].

Существует также проблема, касающаяся доверия к диагностическим и терапевтическим суждениям и решениям, принятым ИИ, поскольку далеко не все выявляемые машиной корреляции обязательно основаны на причинно-следственных связях [8]. Модели ИИ хорошо работают на тех массивах данных, на которых они были обучены. Однако если в базе данных недостаточно полно представлена та или иная популяция пациентов, то при принятии решений в таких популяциях алгоритмы МО могут оказаться непригодными [4]. Кроме того, если обучающие данные имели низкое качество, то результаты работы модели МО тоже будут недостоверными [50]. С этических позиций исследователей в сфере ИИ беспокоят также вопросы конфиденциальности информации [6].

Заключение

Потенциальные возможности ИИ для специалистов, занимающихся проблемой РС, не вызывают сомнений: с помощью моделей МО возможно интегрировать и анализировать большое количество данных конкретного пациента (клинических, иммунологических, радиологических, генетических и пр.), быстрее диагностировать РС, выбирать наиболее эффективную терапию, прогнозировать эффективность терапии, вероятность обострений и прогрессирования болезни, глубже изучать патогенетические механизмы заболевания, реализовать новые подходы к медицинской реабилитации. Однако дальнейшее развитие алгоритмов МО и практическая реализация всех потенциальных возможностей ИИ требует объединения усилий математиков, программистов и профессионального сообщества специалистов, работающих в сфере РС.

Авторы заявляют об отсутствии конфликта интересов.