Сайт издательства «Медиа Сфера»
содержит материалы, предназначенные исключительно для работников здравоохранения. Закрывая это сообщение, Вы подтверждаете, что являетесь дипломированным медицинским работником или студентом медицинского образовательного учреждения.

Вход
RU
+7 (495) 482-4118
+7 (495) 482-0604
+8 800 250-18-12
  • (бесплатный номер по вопросам подписки)
    пн-пт с 10 до 18
  • Издательство «Медиа Сфера»
    а/я 54, Москва, Россия, 127238
  • info@mediasphera.ru

  • © 1998-2025
+7 (495) 482-43-29
RU
Все журналы
Журнал
Год
Год
Результаты поиска: 0

Белова А.Н.

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Шейко Г.Е.

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Рахманова Е.М.

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Бойко А.Н.

ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России (Пироговский Университет);
ФБГУ «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России

Возможности искусственного интеллекта при рассеянном склерозе

Авторы:

Белова А.Н., Шейко Г.Е., Рахманова Е.М., Бойко А.Н.

Подробнее об авторах

Журнал: Журнал неврологии и психиатрии им. С.С. Корсакова. 2025;125(5): 14‑21

DOI: 10.17116/jnevro202512505114

Прочитано: 456 раз

Купить за 300₽
Связаться с автором
Оглавление

ARTIFICIAL INTELLIGENCE CAPABILITIES IN MULTIPLE SCLEROSIS
ARTIFICIAL INTELLIGENCE CAPABILITIES IN MULTIPLE SCLEROSIS

Как цитировать:

Белова А.Н., Шейко Г.Е., Рахманова Е.М., Бойко А.Н. Возможности искусственного интеллекта при рассеянном склерозе. Журнал неврологии и психиатрии им. С.С. Корсакова. 2025;125(5):14‑21.
Belova AN, Sheiko GE, Rakhmanova EM, Boyko AN. Artificial intelligence capabilities in multiple sclerosis. S.S. Korsakov Journal of Neurology and Psychiatry. 2025;125(5):14‑21. (In Russ.)
https://doi.org/10.17116/jnevro202512505114

Подписка 2026 Журнал неврологии и психиатрии им. С.С. Корсакова (S.S. Korsakov Journal of Neurology and Psychiatry)
 
МСФ на ЯМ
Использование инфографики авторами научных работ
Mediasphera_Net
Закрыть метаданные
Рекомендуем статьи по данной теме:
Роль би­омар­ке­ров эн­до­те­ли­аль­ной дис­фун­кции в прог­но­зи­ро­ва­нии прог­рес­си­ро­ва­ния уме­рен­ных ког­ни­тив­ных на­ру­ше­ний у па­ци­ен­тов с фак­то­ра­ми сер­деч­но-со­су­дис­то­го рис­ка. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. 2024;(9):88-95
Фак­то­ры рос­та PDGF-AA, PDGF-BB и BDNF как по­тен­ци­аль­ные диф­фе­рен­ци­ру­ющие би­омар­ке­ры мо­но­по­ляр­ной и би­по­ляр­ной деп­рес­сии. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. 2024;(9):104-108
Гли­аль­ный фиб­рил­ляр­ный кис­лый бе­лок: есть ли связь с те­че­ни­ем рас­се­ян­но­го скле­ро­за и че­реп­но-моз­го­вой трав­мой до де­бю­та рас­се­ян­но­го скле­ро­за?. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. 2024;(10):80-84
Ин­ди­ви­ду­аль­ный под­ход к ди­аг­нос­ти­ке и ле­че­нию ос­тро­го пси­хо­ти­чес­ко­го сос­то­яния у боль­но­го рас­се­ян­ным скле­ро­зом. Жур­нал нев­ро­ло­гии и пси­хи­ат­рии им. С.С. Кор­са­ко­ва. 2024;(10):97-102
При­ме­не­ние ме­то­дов ис­кусствен­но­го ин­тел­лек­та при гла­уко­ме. Часть 2. Ней­ро­се­ти и ма­шин­ное обу­че­ние в мо­ни­то­рин­ге и ле­че­нии гла­уко­мы. Вес­тник оф­таль­мо­ло­гии. 2024;(4):80-85
Ис­поль­зо­ва­ние ис­кусствен­но­го ин­тел­лек­та в сов­ре­мен­ной сто­ма­то­ло­гии в Рос­сий­ской Фе­де­ра­ции. Сто­ма­то­ло­гия. 2024;(5):42-45
Ла­зер­ная те­ра­пия при рас­се­ян­ном скле­ро­зе: обос­но­ва­ние и оп­ти­ми­за­ция ме­то­дик при­ме­не­ния. (Об­зор ли­те­ра­ту­ры). Воп­ро­сы ку­рор­то­ло­гии, фи­зи­оте­ра­пии и ле­чеб­ной фи­зи­чес­кой куль­ту­ры. 2024;(5):45-56
При­ме­не­ние ме­то­дов ис­кусствен­но­го ин­тел­лек­та в ди­аг­нос­ти­ке и ле­че­нии за­бо­ле­ва­ния пер­вич­но­го зак­ры­тия уг­ла. Вес­тник оф­таль­мо­ло­гии. 2024;(5):130-136
Диаф­раг­маль­ная дис­фун­кция как прог­нос­ти­чес­кий кри­те­рий на­ру­ше­ний внеш­не­го ды­ха­ния и пот­реб­нос­ти в экстра­кор­по­раль­ной мем­бран­ной ок­си­ге­на­ции у па­ци­ен­тов с хро­ни­чес­кой сер­деч­ной не­дос­та­точ­нос­тью. Анес­те­зи­оло­гия и ре­ани­ма­то­ло­гия. 2024;(6):38-45
Роль ис­кусствен­но­го ин­тел­лек­та в ультраз­ву­ко­вой ди­аг­нос­ти­ке уз­ло­вых об­ра­зо­ва­ний щи­то­вид­ной же­ле­зы. Хи­рур­гия. Жур­нал им. Н.И. Пи­ро­го­ва. 2024;(12-2):109-116

ЦЕЛЬ ИССЛЕДОВАНИЯ

Систематизация современных данных о потенциальных возможностях использования искусственного интеллекта (ИИ) в исследованиях, касающихся рассеянного склероза (РС).

МАТЕРИАЛ И МЕТОДЫ

Поиск литературы выполнен в электронных поисковых системах Scopus, eLibrary, PubMed по ключевым словам: рассеянный склероз, диагностика, прогнозирование, искусственный интеллект, машинное обучение. Для анализа были отобраны научные статьи, опубликованные в период с 2018 по 2024 г.

РЕЗУЛЬТАТЫ

Представлены краткие сведения о технологиях ИИ и моделях машинного обучения (МО). Показано, что ИИ открывает широкие возможности в изучении патогенетических механизмов развития РС, может помочь в решении задач дифференциальной диагностики и предсказании характера течения заболевания. Приведены примеры применения алгоритмов МО в целях выявления биомаркеров РС, ранней диагностики и прогнозирования активности заболевания. Рассмотрены ограничения применения ИИ в клинической практике, включающие необходимость доступа к большим базам данных для создания надежных алгоритмов МО, отсутствие понятной клиницистам информации о механизмах принятия решений, риск системных ошибок и недостоверных результатов, пригодность результатов работы модели МО только для тех популяций, на которых эта модель обучалась.

ЗАКЛЮЧЕНИЕ

Несомненно, что реализация всех потенциальных возможностей ИИ в сопровождении пациентов с РС требует совместных усилий специалистов в сфере информационных технологий, научных работников и врачей.

Ключевые слова:

рассеянный склероз
искусственный интеллект
машинное обучение
прогнозирование

Авторы:

Белова А.Н.

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Шейко Г.Е.

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Рахманова Е.М.

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Бойко А.Н.

ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России (Пироговский Университет);
ФБГУ «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России

Дата поступления:

03.03.2025

Дата принятия в печать:

03.03.2025

Список литературы:

  1. Бойко А.Н., Долгушин М.Б., Каралкина М.А. Новые методы нейровизуализации оценки активности нейровоспаления при рассеянном склерозе. Журнал неврологии и психиатрии им. С.С. Корсакова. 2023;123(7 вып. 2):8-14.  https://doi.org/10.17116/jnevro20231230728
  2. Walton C, King R, Rechtman L, et al. Rising prevalence of multiple sclerosis worldwide: Insights from the Atlas of MS, third edition. Mult Scler. 2020;26 (14):1816-1821. https://doi.org/10.1177/1352458520970841
  3. Hauser SL, Cree BAC. Treatment of Multiple Sclerosis: A Review. Am J Med. 2020;133(12):1380-1390.e2.  https://doi.org/10.1016/j.amjmed.2020.05.049
  4. Amin M, Martínez-Heras E, Ontaneda D, et al. Artificial Intelligence and Multiple Sclerosis. Curr Neurol Neurosci Rep. 2024;24 (8):233-243.  https://doi.org/10.1007/s11910-024-01354-x
  5. Meskó B, Görög M. A short guide for medical professionals in the era of artificial intelligence. NPJ Digit. Med. 2020;3:126.  https://doi.org/10.1038/s41746-020-00333-z
  6. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.  https://doi.org/10.1038/s41591-018-0300-7
  7. Toosi A, Bottino AG, Saboury B, et al. A Brief History of AI: How to Prevent Another Winter (A Critical Review). PET Clin. 2021;16(4):449-469.  https://doi.org/10.1016/j.cpet.2021.07.001
  8. Mudey AB, Dhonde AS, Chandrachood MV. Artificial intelligence in healthcare with an emphasis on public health. Cureus. 2024;16(8):e67503. https://doi.org/10.7759/cureus.67503
  9. Bonacchi R, Filippi M, Rocca MA. Role of artificial intelligence in MS clinical practice. Neuroimage Clin. 2022;35:103065. https://doi.org/10.1016/j.nicl.2022.103065
  10. Alshamrani F. Role of artificial intelligence in multiple sclerosis management. Eur Rev Med Pharmacol Sci. 2024;28(10):3542-3547. https://doi.org/10.26355/eurrev_202405_36289
  11. Amin M, Nakamura K, Ontaneda D. Differentiating multiple sclerosis from non-specific white matter changes using a convolutional neural network image classification model. Mult Scler Relat Disord. 2024;82:105420. https://doi.org/10.1016/j.msard.2023.105420
  12. Afzal HMR, Luo S, Ramadan S, et al. The emerging role of artificial intelligence in multiple sclerosis imaging. Mult Scler. 2022;28(6):849-858.  https://doi.org/10.1177/1352458520966298
  13. Shoeibi A, Khodatars M, Jafari M, et al. Applications of deep learning techniques for automated multiple sclerosis detection using magnetic resonance imaging: A review. Comput Biol Med. 2021;136:104697. https://doi.org/10.1016/j.compbiomed.2021.104697
  14. Inojosa H, Voigt I, Wenk J, et al. Integrating large language models in care, research, and education in multiple sclerosis management. Mult Scler. 2024;30(11-12):1392-1401. https://doi.org/10.1177/13524585241277376
  15. Monaghan AS, Huisinga JM, Peterson DS. The application of principal component analysis to characterize gait and its association with falls in multiple sclerosis. Sci Rep 2021;11:12811. https://doi.org/10.1038/s41598-021-92353-2
  16. Kariri E, Louati H, Louati A, et al. Exploring the Advancements and Future Research Directions of Artificial Neural Networks: A Text Mining Approach. Appl. Sci. 2023;13:3186. https://doi.org/10.3390/app13053186
  17. Lundervold AS, Lundervold A. An overview of deep learning in medical imaging focusing on MRI. Z Med Phys. 2019;29(2):102-127.  https://doi.org/10.1016/j.zemedi.2018.11.002
  18. Suzuki K. Overview of deep learning in medical imaging. Radiol Phys Technol. 2017;10(3):257-273.  https://doi.org/10.1007/s12194-017-0406-5
  19. Yoo Y, Tang LYW, Brosch T, et al. Deep learning of joint myelin and T1w MRI features in normal-appearing brain tissue to distinguish between multiple sclerosis patients and healthy controls. Neuroimage Clin. 2017;17:169-178.  https://doi.org/10.1016/j.nicl.2017.10.015
  20. Filippi M, Preziosa P, Arnold DL, et al. Present and future of the diagnostic work-up of multiple sclerosis: the imaging perspective. J Neurol. 2023;270(3):1286-1299. https://doi.org/10.1007/s00415-022-11488-y
  21. Mezzaroba L, Simão ANC, Oliveira SR, et al. Antioxidant and Anti-inflammatory Diagnostic Biomarkers in Multiple Sclerosis: A Machine Learning Study. Mol Neurobiol. 2020;57(5):2167-2178. https://doi.org/10.1007/s12035-019-01856-7
  22. Seitz CB, Steffen F, Muthuraman M, et al. Serum neurofilament levels reflect outer retinal layer changes in multiple sclerosis. Ther Adv Neurol Disord. 2021;14:17562864211003478. https://doi.org/10.1177/17562864211003478
  23. Brummer T, Muthuraman M, Steffen F, et al. Improved prediction of early cognitive impairment in multiple sclerosis combining blood and imaging biomarkers. Brain Commun. 2022;4(4):fcac153. https://doi.org/10.1093/braincomms/fcac153
  24. Gaetani L, Bellomo G, Di Sabatino E, et al. The Immune Signature of CSF in Multiple Sclerosis with and without Oligoclonal Bands: A Machine Learning Approach to Proximity Extension Assay Analysis. Int J Mol Sci. 2023;25(1):139.  https://doi.org/10.3390/ijms25010139
  25. Kaisey M, Solomon AJ. Multiple Sclerosis Diagnostic Delay and Misdiagnosis. Neurol Clin. 2024;42(1):1-13.  https://doi.org/10.1016/j.ncl.2023.07.001
  26. Küstner T, Qin C, Sun C, et al. The intelligent imaging revolution: artificial intelligence in MRI and MRS acquisition and reconstruction. MAGMA. 2024;37(3):329-333.  https://doi.org/10.1007/s10334-024-01179-2
  27. Krüger J, Ostwaldt AC, Spies L, et al. Infratentorial lesions in multiple sclerosis patients: intra- and inter-rater variability in comparison to a fully automated segmentation using 3D convolutional neural networks. Eur Radiol. 2022;32(4):2798-2809. https://doi.org/10.1007/s00330-021-08329-3
  28. Luo X, Piao S, Li H, et al. Multi-lesion radiomics model for discrimination of relapsing-remitting multiple sclerosis and neuropsychiatric systemic lupus erythematosus. Eur Radiol. 2022;32(8):5700-5710. https://doi.org/10.1007/s00330-022-08653-2
  29. Парамзин Ф.Н., Какоткин В.В., Буркин Д.А. и др. Радиомика и искусственный интеллект в дифференциальной диагностике опухолевых и неопухолевых заболеваний поджелудочной железы (обзор). Хирургическая практика. 2023;8(1):53-65.  https://doi.org/10.38181/2223-2427-2023-1-5
  30. Nabizadeh F, Masrouri S, Ramezannezhad E, et al. Artificial intelligence in the diagnosis of multiple sclerosis: A systematic review. Mult Scler Relat Disord. 2022;59:103673. https://doi.org/10.1016/j.msard.2022.103673
  31. Gros C, De Leener B, Badji A, et al. Automatic segmentation of the spinal cord and intramedullary multiple sclerosis lesions with convolutional neural networks. Neuroimage. 2019;184:901-915.  https://doi.org/10.1016/j.neuroimage.2018.09.081
  32. Maggi P, Fartaria MJ, Jorge J, et al. CVSnet: A machine learning approach for automated central vein sign assessment in multiple sclerosis. NMR Biomed. 2020;33(5):e4283. https://doi.org/10.1002/nbm.4283
  33. Zurita M, Montalba C, Labbé T, et al. Characterization of relapsing-remitting multiple sclerosis patients using support vector machine classifications of functional and diffusion MRI data. Neuroimage Clin. 2018;20:724-730.  https://doi.org/10.1016/j.nicl.2018.09.002
  34. Rozenstoks K, Novotny M, Horakova D, et al. Automated Assessment of Oral Diadochokinesis in Multiple Sclerosis Using a Neural Network Approach: Effect of Different Syllable Repetition Paradigms. IEEE Trans Neural Syst Rehabil Eng. 2020;28(1):32-41.  https://doi.org/10.1109/TNSRE.2019.2943064
  35. Kaur R, Chen Z, Motl R, et al. Predicting Multiple Sclerosis From Gait Dynamics Using an Instrumented Treadmill: A Machine Learning Approach. IEEE Trans Biomed Eng. 2021;68(9):2666-2677. https://doi.org/10.1109/TBME.2020.3048142
  36. Voigt I, Inojosa H, Dillenseger A, et al. Digital Twins for Multiple Sclerosis. Front Immunol. 2021;12:669811. https://doi.org/10.3389/fimmu.2021.669811
  37. Basu S, Munafo A, Ben-Amor AF, et al. Predicting disease activity in patients with multiple sclerosis: An explainable machine-learning approach in the Mavenclad trials. CPT Pharmacometrics Syst Pharmacol. 2022;11(7):843-853.  https://doi.org/10.1002/psp4.12796
  38. Plati D, Tripoliti E, Zelilidou S, et al. Multiple Sclerosis Severity Estimation and Progression Prediction Based on Machine Learning Techniques. Annu Int Conf IEEE Eng Med Biol Soc. 2022;2022:1109-1112. https://doi.org/10.1109/EMBC48229.2022.9871213
  39. Pinto MF, Oliveira H, Batista S, et al. Prediction of disease progression and outcomes in multiple sclerosis with machine learning. Sci Rep. 2020;10(1):21038. https://doi.org/10.1038/s41598-020-78212-6
  40. Lopez-Soley E, Martinez-Heras E, Solana E, et al. Diffusion tensor imaging metrics associated with future disability in multiple sclerosis. Sci Rep. 2023;13(1):3565. https://doi.org/10.1038/s41598-023-30502-5
  41. Yousef H, Malagurski Tortei B, Castiglione F. Predicting multiple sclerosis disease progression and outcomes with machine learning and MRI-based biomarkers: a review. J Neurol. 2024;271(10):6543-6572. https://doi.org/10.1007/s00415-024-12651-3
  42. Noteboom S, Seiler M, Chien C, et al. Evaluation of machine learning-based classification of clinical impairment and prediction of clinical worsening in multiple sclerosis. J Neurol. 2024;271(8):5577-5589. https://doi.org/10.1007/s00415-024-12507-w
  43. Sun R, Hsieh KL, Sosnoff JJ. Fall Risk Prediction in Multiple Sclerosis Using Postural Sway Measures: A Machine Learning Approach. Sci Rep. 2019;9(1):16154. https://doi.org/10.1038/s41598-019-52697-2
  44. Yperman J, Becker T, Valkenborg D, et al. Machine learning analysis of motor evoked potential time series to predict disability progression in multiple sclerosis. BMC Neurol. 2020;20 (1):105.  https://doi.org/10.1186/s12883-020-01672-w
  45. Kiiski H, Jollans L, Donnchadha SÓ, et al. Machine Learning EEG to Predict Cognitive Functioning and Processing Speed Over a 2-Year Period in Multiple Sclerosis Patients and Controls. Brain Topogr. 2018;31(3):346-363.  https://doi.org/10.1007/s10548-018-0620-4
  46. Chen E, Barile B, Durand-Dubief F, et al. Multiple sclerosis clinical forms classification with graph convolutional networks based on brain morphological connectivity. Front Neurosci. 2024;17:1268860. https://doi.org/10.3389/fnins.2023.1268860
  47. Singh AV, Chandrasekar V, Janapareddy P, et al. Emerging Application of Nanorobotics and Artificial Intelligence To Cross the BBB: Advances in Design, Controlled Maneuvering, and Targeting of the Barriers. ACS Chem Neurosci. 2021;12(11):1835-1853. https://doi.org/10.1021/acschemneuro.1c00087
  48. Tedesco Triccas L, Maris A, Lamers I, et al. Do people with multiple sclerosis perceive upper limb improvements from robotic-mediated therapy? A mixed methods study. Mult Scler Relat Disord. 2022;68:104159. https://doi.org/10.1016/j.msard.2022.104159
  49. Sconza C, Negrini F, Di Matteo B, et al. Robot-Assisted Gait Training in Patients with Multiple Sclerosis: A Randomized Controlled Crossover Trial. Medicina (Kaunas). 2021;57(7):713.  https://doi.org/10.3390/medicina57070713
  50. Han R, Acosta JN, Shakeri Z, et al. Randomised controlled trials evaluating artificial intelligence in clinical practice: a scoping review. Lancet Digit Health. 2024;6(5):e367-e373. https://doi.org/10.1016/S2589-7500(24)00047-5

Закрыть метаданные

Связаться с автором
Email
Сообщение
Издательство "Медиа Сфера" не оказывает услуги по лечению, не дает рекомендации по обращению в медицинские учреждения и к конкретным специалистам, по назначению лекарственных средств и БАДов.

Подтверждение e-mail

На test@yandex.ru отправлено письмо со ссылкой для подтверждения e-mail. Перейдите по ссылке из письма, чтобы завершить регистрацию на сайте.

Подтверждение e-mail

Обратная связь
Если у вас возникли вопросы, жалобы или предложения, — воспользуйтесь формой обратной связи.
Email
Сообщение
Издательство "Медиа Сфера" не оказывает услуги по лечению, не дает рекомендации по обращению в медицинские учреждения и к конкретным специалистам, по назначению лекарственных средств и БАДов.
Подать заявку

Вы можете стать автором одного из наших журналов, отправьте заявку и мы рассмотрим ее в течении дня.

Имя
Телефон
E-mail
Сообщение
Вход
Регистрация
E-mail
Пароль
Забыли пароль?

Войдите на сайт, используя вашу учетную запись в одном из сервисов

Восстановление пароля
E-mail
Войти
Зарегистрироваться

Мы используем файлы cооkies для улучшения работы сайта. Оставаясь на нашем сайте, вы соглашаетесь с условиями использования файлов cооkies. Чтобы ознакомиться с нашими Положениями о конфиденциальности и об использовании файлов cookie, нажмите здесь.