Искусственный интеллект в диагностике и лечении хирургических заболеваний (обзор литературы)

Во всем мире искусственный интеллект получает все большее распространение в клинической медицине, что способствует улучшению диагностики, лечения и профилактики, а также снижению заболеваемости и смертности. В хирургии развитие и внедрение искусственного интеллекта идет медленнее, чем в других направлениях современной медицины.

Цель - изучить исторические аспекты развития искусственного интеллекта и современные направления его применения в диагностике и лечении хирургических заболеваний.

Материалы и методы. Анализ литературных данных проводился в поисковых системах Pubmed, Google Scholar, Scopus с глубиной охвата публикаций 10 лет.

Результаты. В настоящей статье представлены последние данные об использовании искусственного интеллекта для постановки диагнозов, анализа и последующей интерпретации результатов обследований, работы роботизированных систем, планирования и определения тактики хирургического вмешательства. Рассмотрены преимущества, недостатки и современные вызовы использования технологий искусственного интеллекта в медицине.

Заключение. Несмотря на то, что в настоящее время внедрение искусственного интеллекта в медицину и, в частности, в хирургию сталкивается с целым рядом определенных проблем и трудностей, можно предположить, что уже в ближайшие годы искусственный интеллект станет одной из составляющих комплексного подхода к лечению пациентов. При этом важно, чтобы хирурги понимали основные принципы работы искусственного интеллекта и участвовали в их разработке.

1. Choi R.Y., Coyner A.S., Kalpathy-Cramer J., Chiang M.F., Campbell J.P.Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol. 2020;27;9(2):14. DOI: 10.1167/tvst.9.2.14.

2. Nath R. Alan Turing’s Concept of Mind. Journal of Indian Council of Philosophical Research. 2020;37(170):1-20. DOI: 10.1007/s40961-019-00188-0.

3. OECD, Artificial Intelligence in Society, OECD Publishing, Paris, 2019. DOI: 10.1787/eedfee77-en.

4. McCulloch W.S., Pitts W.A. Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biology.1943;5:115-133. DOI: 10.1007/BF02478259.

5. Hebb D.O. The organization of behavior: a neuropsychological theory. Originally published: New York: Wiley. 1949. ISBN 0-8058-4300-0.

6. McCarthy J., Wiederhold G. Arthur Samuel: Pioneer in Machine Learning. IBM Journal of Research and Development. 1992;36(3):329-331.DOI: 10.1147/rd.363.0329.

7. Simon H., Newell A.Computer simulation of human thinking and problem solving. Monographs of the Society for Research in Child Development. 1962. DOI: 10.2307/1165535.

8. Basset C. The computational therapeutic: exploring Weizenbaum’s ELIZA as a history of the present. AI & SOCIETY. 2019;34(5).DOI: 10.1007/s00146-018-0825-9.

9. Jordan M.I., Mitchell T.M. Machine learning: Trends, perspectives, and prospects. Affiliations Expand. 2015;17;349(6245):255-260.DOI: 10.1126/science.aaa8415.

10. Edward H. Shortliffe MYCIN: A Rule-Based Computer Program For Advising Physicians Regarding Antimicrobial Therapy Selection. 1976. DOI:10.1145/1408800.1408906

11. Barnett G.O., Hoffer E., Packer M.S., Famiglietti K.T., Kim R.J., Cimino C., Feldman M.J., Forman B.H., et al. DXPLAIN--demonstration and discussion of a diagnostic clinical decision support system. Annual Symposium on Computer Application [sic] in Medical Care. Symposium on Computer Applications in Medical Care. 1991.

12. Hirani R., Noruzi K., Khuram H., Hussaini A.S., Aifuwa E.I., Ely K.E., Lewis J.M., Gabr A.E., et al. Artificial Intelligence and Healthcare: A Journey through History, Present Innovations, and Future Possibilities. Life (Basel). 2024;26;14(5):557. DOI: 10.3390/life14050557.

13. Rajpurkar P., Chen E., Banerjee O., Topol E.J. AI in health and medicine. Nat Med. 2022;28(1):31-38. DOI: 10.1038/s41591-021-01614-0.

14. Kairo J. Machine Learning Algorithms for Predictive Maintenance in Manufacturing. Journal of Technology and Systems. 2024;6(4). DOI: 10.47941/jts.2144.

15. Wilczok D. Deep learning and generative artificial intelligence in aging research and healthy longevity medicine. Aging Research Journal. 2025. DOI: 10.18632/aging.206190.

16. Choi K.S.Integrating Artificial Intelligence Into Healthcare Research. Hu Li Za Zhi. 2020;67(5):12-18. DOI: 10.6224/JN.202010_67(5).03.

17. Soguero-Ruiz C., Fei W.M., Jenssen R., Augestad K.M., Álvarez J.L., Jiménez I.M., Lindsetmo R.O., et al. Data-driven Temporal Prediction of Surgical Site Infection. AMIA Annu Symp Proc. 2015:1164-1173.

18. Amit Y., Geman D. Shape Quantization and Recognition with Randomized Trees. Neural Computation. 1997;9:1545-1588. DOI:10.1162/neco.1997.9.7.1545.

19. Breiman L. Random Forests. Mach Learn. 2001;45:5-32. DOI: 10.1023/A:1010933404324.

20. Criminisi A., Shotton J., Bucciarelli S. Decision forests with long-range spatial context for organ localization in CT volumes. Med Image Comput Comput Assist Interv. 2009.

21. Lempitsky V., Verhoek M., Noble J.A., Blake A. Random Forest Classification for Automatic Delineation of Myocardium in Real-Time 3D Echocardiography. Functional Imaging and Modeling of the Heart, Springer Berlin Heidelberg; 2009:447-456.

22. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., et al. Generative adversarial networks.Communications of the ACM. 2020;63:139-144. DOI: 10.1145/3422622.

23. Bindra S., Jain R. Artificial intelligence in medical science: a review. Ir J Med Sci. 2024;193(3):1419-1429. DOI: 10.1007/s11845-023-03570-9.

24. Giger M.L. Machine Learning in Medical Imaging. J Am Coll Radiol. 2018;15 (3 Pt B):512-520. DOI: 10.1016/j.jacr.2017.12.028.

25. Choi K.S.Integrating artificial intelligence into healthcare research. Hu Li Za Zhi. 2020;67:12-18. DOI: 10.6224/JN.202010_67(5).03.

26. Gulshan V., Peng L., Coram M., Stumpe M.C., Wu D., Narayanaswamy A., Venugopalan S., Widner K., et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;13;316(22):2402-2410. DOI: 10.1001/jama.2016.17216.

27. Mumtaz H., Saqib M., Ansar F., Zargar D., Hameed M., Hasan M., Muskan P. The future of Cardiothoracic surgery in Artificial intelligence. Ann Med Surg (Lond). 2022;31;80:104251. DOI: 10.1016/j.amsu.2022.104251.

28. Akselrod-Ballin A., Chorev M., Shoshan Y., Spiro A., Hazan A., Melamed R., Barkan E., Herzel E., et al. Predicting Breast Cancer by Applying Deep Learning to Linked Health Records and Mammograms. Radiology. 2019;292(2):331-342. DOI: 10.1148/radiol.2019182622.

29. Mofidi R. Duff M.D., Madhavan K.K., Garden O.J., Parks R.W. Identification of severe acute pancreatitis using an artificial neural network. Surgery. 2007;141(1): 59-66. DOI: 10.1016/j.surg.2006.07.022.

30. Park S.Y., Kim S.M. Acute appendicitis diagnosis using artificial neural networks. Technol Health Care. 2015;Suppl 2:S559-565. DOI: 10.3233/THC-150994.

31. Alvarado A. A practical score for the early diagnosis of acute appendicitis. Ann Emerg Med. 1986;15(5):557-564. DOI: 10.1016/s0196-0644(86)80993-3.

32. Vakulchyk V.G. Informativity and diagnostic significance of Alvarado scale in differential diagnostics for abdominal pain in children. Journal of the Grodno State Medical University. 2018;16(4):447-451. DOI: 10.25298/2221-8785-2018-16-4-447-451.

33. Yoldaş Ö., Tez M., Karaca T. Artificial neural networks in the diagnosis of acute appendicitis. Am J Emerg Med. 2012;30(7):1245-1247. DOI: 10.1016/j.ajem.2011.06.019.

34. Knaus W.A., Draper E.A., Wagner D.P., Zimmerman J.E. APACHE II: a severity of disease classification system. Crit Care Med. 1985;13(10):818-829.

35. Monsalve-Torra A., Ruiz-Fernandez D., Marin-Alonso O., et al. Using machine learning methods for predicting inhospital mortality in patients undergoing open repair of abdominal aortic aneurysm. J Biomed Inform. 2016;62:195-201. DOI:10.1016/j.jbi.2016.07.007.

36. Kazmierczak S.C., Catrou P.G., Van Lente F. Diagnostic accuracy of pancreatic enzymes evaluated by use of multivariate data analysis. Clin Chem. 1993;39(9):1960-1965.

37. Mofidi R., Duff M.D., Madhavan K.K., Garden O.J., Parks R.W. Identification of severe acute pancreatitis using an artificial neural network. Surgery. 2007;141(1): 59-66. DOI: 10.1016/j.surg.2006.07.022.

38. Eldar S., Siegelmann H.T., Buzaglo D., Matter I., Cohen A., Sabo E., Abrahamson J. Conversion of laparoscopic cholecystectomy to open cholecystectomy in acute cholecystitis: artificial neural networks improve the prediction of conversion. World J Surg. 2002;26(1):79-85. DOI: 10.1007/s00268-001-0185-2.

39. Cheng P.M., Tran K.N., Whang G., Tejura T.K. Refining Convolutional Neural Network Detection of Small-Bowel Obstruction in Conventional Radiography. AJR Am J Roentgenol. 2019;212(2):342-350. DOI: 10.2214/AJR.18.20362.

40. Chen P., Huang L., Yang W., He D., Liu X., Wang Y., Yu Y., Yang L., Zhou Z. Risk factors for bowel resection among patients with incarcerated groin hernias: A meta-analysis. Am J Emerg Med. 2020;38(2):376-383. DOI: 10.1016/j.ajem.2019.09.023.

41. Sundaram S., Choden T., Mattar M.C., Desai S., Desai M. Artificial intelligence in inflammatory bowel disease endoscopy: current landscape and the road ahead. Ther Adv Gastrointest Endosc. 2021;14;14:26317745211017809. DOI: 10.1177/26317745211017809.

42. Li P., Li Z., Gao F., Wan L., Yu J. Convolutional neural networks for intestinal hemorrhage detection in wireless capsule endoscopy images; Proceedings of the 2017 IEEE International Conference on Multimedia and Expo (ICME); Hong Kong, China. 2017:1518-1523. DOI: 10.1109/ICME.2017.8019415.

43. Blatchford O., Murray W.R., Blatchford M. A risk score to predict need for treatment for upper-gastrointestinal haemorrhage. Lancet. 2000;356(9238):1318-1321. DOI: 10.1016/S0140-6736(00)02816-6.

44. Rockall T.A., Logan R.F., Devlin H.B., Northfield T.C. Risk assessment after acute upper gastrointestinal haemorrhage. Gut. 1996;38(3):316-321. DOI:10.1136/gut.38.3.316

45. Gralnek I.M., Stanley A.J., Morris A.J., Camus M., Lau J., Lanas A., Laursen S.B., Radaelli F., et al. Endoscopic diagnosis and management of nonvariceal upper gastrointestinal hemorrhage (NVUGIH): European Society of Gastrointestinal Endoscopy (ESGE) Guideline - Update 2021. Endoscopy. 2021;53(3):300-332. DOI: 10.1055/a-1369-5274.

46. Stanley A.J., Ashley D., Dalton H.R., Mowat C., Gaya D.R., Thompson E., Warshow U., Groome M., et al. Outpatient management of patients with low-risk upper-gastrointestinal haemorrhage: multicentre validation and prospective evaluation. Lancet. 2009;3;373(9657):42-47. DOI: 10.1016/S0140-6736(08)61769-9.

47. Li B., Meng M.Q.Computer-based detection of bleeding and ulcer in wireless capsule endoscopy images by chromaticity moments.Comput Biol Med. 2009;39(2):141-147. DOI: 10.1016/j.compbiomed.2008.11.007.

48. Pan G., Yan G., Qiu X., Cui J. Bleeding detection in Wireless Capsule Endoscopy based on Probabilistic Neural Network. J Med Syst. 2011;35(6):1477-1484. DOI: 10.1007/s10916-009-9424-0.

49. Hassan A.R., Haque M.A.Computer-aided gastrointestinal hemorrhage detection in wireless capsule endoscopy videos.Comput Methods Programs Biomed. 2015;122(3):341-353. DOI: 10.1016/j.cmpb.2015.09.005.

50. Xiao Jia, Meng M.Q. A deep convolutional neural network for bleeding detection in Wireless Capsule Endoscopy images. Annu Int Conf IEEE Eng Med Biol Soc. 2016;2016:639-642. DOI: 10.1109/EMBC.2016.7590783.

51. Das A., Ben-Menachem T., Cooper G.S., Chak A., Sivak M.V. Jr, Gonet J.A., Wong R.C. Prediction of outcome in acute lower-gastrointestinal haemorrhage based on an artificial neural network: internal and external validation of a predictive model. Lancet. 2003;18;362(9392):1261-1266. DOI: 10.1016/S0140-6736(03)14568-0.

52. Das A., Ben-Menachem T., Farooq F.T., Cooper G.S., Chak A., Sivak M.V Jr, Wong R.C. Artificial neural network as a predictive instrument in patients with acute nonvariceal upper gastrointestinal hemorrhage. Gastroenterology. 2008;134(1):65-74. DOI: 10.1053/j.gastro.2007.10.037.

53. Ayaru L., Ypsilantis P.P., Nanapragasam A., Choi R.C., Thillanathan A., Min-Ho L., Montana G. Prediction of Outcome in Acute Lower Gastrointestinal Bleeding Using Gradient Boosting. PLoS One. 2015;10(7):e0132485. DOI: 10.1371/journal.pone.0132485.

54. Sengupta N., Tapper E.B. Derivation and Internal Validation of a Clinical Prediction Tool for 30-Day Mortality in Lower Gastrointestinal Bleeding. Am J Med. 2017;130(5):601.e1-601.e8. DOI: 10.1016/j.amjmed.2016.12.009.

55. Wong G.L., Ma A.J., Deng H., Ching J.Y., Wong V.W., Tse Y.K., Yip T.C., Lau L.H., et al. Machine learning model to predict recurrent ulcer bleeding in patients with history of idiopathic gastroduodenal ulcer bleeding. Aliment Pharmacol Ther. 2019;49(7):912-918. DOI: 10.1111/apt.15145.

56. Rotondano G., Cipolletta L., Grossi E., Koch M., Intraligi M., Buscema M., Marmo R.; Italian Registry on Upper Gastrointestinal Bleeding (Progetto Nazionale Emorragie Digestive). Artificial neural networks accurately predict mortality in patients with nonvariceal upper GI bleeding. Gastrointest Endosc. 2011;73(2):218-226, 226.e1-2. DOI: 10.1016/j.gie.2010.10.006.

57. Wong G.L., Ma A.J., Deng H., Ching J.Y., Wong V.W., Tse Y.K., Yip T.C., Lau L.H., et al. Machine learning model to predict recurrent ulcer bleeding in patients with history of idiopathic gastroduodenal ulcer bleeding. Aliment Pharmacol Ther. 2019;49(7):912-918. DOI: 10.1111/apt.15145.

58. Li P., Li Z., Gao F., Wan L., Yu J. Convolutional neural networks for intestinal hemorrhage detection in wireless capsule endoscopy images. 2017 IEEE International Conference on Multimedia and Expo (ICME), Hong Kong, China. 2017:1518-1523. DOI: 10.1109/ICME.2017.8019415.

59. Laine L., Freeman M., Cohen H. Lack of uniformity in evaluation of endoscopic prognostic features of bleeding ulcers. Gastrointest Endosc. 1994;40(4):411-417. DOI: 10.1016/s0016-5107(94)70202-0.

60. Forrest J.A., Finlayson N.D., Shearman D.J. Endoscopy in gastrointestinal bleeding. Lancet. 1974;2(7877):394-397. DOI: 10.1016/s0140-6736(74)91770-x.

61. Mondardini A., Barletti C., Rocca G., Garripoli A., Sambataro A., Perotto C., Repici A., Ferrari A. Non-variceal upper gastrointestinal bleeding and Forrest's classification: diagnostic agreement between endoscopists from the same area. Endoscopy. 1998;30(6):508-12. DOI: 10.1055/s-2007-1001335.

62. Yen H.-H., Wu P.-Y., Su P.-Y., Yang C.-W., Chen Y.-Y., Chen M.-F., Lin W.-C., Tsai C.-L., et al. Performance Comparison of the Deep Learning and the Human Endoscopist for Bleeding Peptic Ulcer Disease. J Med Biol Eng. 2021;41:504-513. DOI: 10.1007/s40846-021-00608-0.

63. Баранников С.В., Чередников Е.Ф., Банин И.Н., Болховитинов А.Е., Бавыкина И.А., Чопоров О.Н., Воротилина А.И. Экспертная цифровая система поддержки принятия врачебных решений «Эндоскопический гемостаз язвенного гастродуоденального кровотечения». Свидетельство о государственной регистрации программы для ЭВМ № 2024680004; 2024.

64. Баранников С.В., Чередников Е.Ф., Банин И.Н., Чопоров О.Н., Судаков Д.В., Болховитинов А.Е., Каширина И.Л., Воротилина А.И. Мобильное приложение: экспертная цифровая система поддержки принятия врачебных решений «Эндоскопический гемостаз язвенного гастродуоденального кровотечения». Человек и его здоровье. 2025;28(1):21-30.DOI: 10.21626/vestnik/2025-1/03. EDN: HOLPGQ.

65. Каширина И.Л., Воротилина А.И., Баранников С.В., Чередников Е.Ф., Чопоров О.Н. Нейросетевая классификация типа язвенного гастродуоденального кровотечения по эндоскопическим изображениям. Свидетельство о государственной регистрации программы для ЭВМ № 2025681146; 2025.

66. Bertsimas D., Dunn J., Velmahos G.C., Kaafarani H.M.A. Surgical Risk Is Not Linear: Derivation and Validation of a Novel, User-friendly, and Machine-learning-based Predictive OpTimal Trees in Emergency Surgery Risk (POTTER) Calculator. Ann Surg. 2018;268(4):574-583. DOI: 10.1097/SLA.0000000000002956.

67. Hendrix J.M., Garmon E.H. American Society of Anesthesiologists Physical Status Classification System. In: StatPearls. Treasure Island (FL): StatPearls Publishing; February 11, 2025.

68. Montasser M., Ellisy D.A.M., Sayed J.A., Makkey M.M. Validation of Emergency Surgery Score (ESS) as outcome prediction score in Egyptian patients undergoing emergency laparotomy.Int J Emerg Med. 2025;18(1):124. DOI: 10.1186/s12245-025-00934-z.

69. Cohen M.E., Liu Y., Hall B.L., Ko C.Y. ACS NSQIP Risk Calculator Performance Across Multiple Domains of Operative Risk and Risk-associated Features. Ann Surg. DOI: 10.1097/SLA.0000000000006753.

70. Maurer L.R., Bertsimas D., Bouardi H.T., El Hechi M., El Moheb M., Giannoutsou K., Zhuo D., Dunn J., et al. Trauma outcome predictor: An artificial intelligence interactive smartphone tool to predict outcomes in trauma patients. J Trauma Acute Care Surg. 2021;91(1):93-99. DOI: 10.1097/TA.0000000000003158.

71. Тягун В.С., Гайворонский И.В., Суров Д.А., Анохин Д.Ю., Ильина В.А. Анатомо-хирургические корреляции долевого строения печени и ее интраорганного артериального русла. Курский научно-практический вестник «Человек и его здоровье». 2018;(3):69-74.DOI 10.21626/vestnik/2018-3/10. EDN YNMOAX.

72. Kumazu Y., Kobayashi N., Kitamura N., Rayan E., Neculoiu P., Misumi T., Hojo Y., Nakamura T., et al. Automated segmentation by deep learning of loose connective tissue fibers to define safe dissection planes in robot-assisted gastrectomy. Sci Rep. 2021;11(1):21198. DOI: 10.1038/s41598-021-00557-3.

73. Madani A., Namazi B., Altieri M.S., Hashimoto D.A., Rivera A.M., Pucher P.H., Navarrete-Welton A., Sankaranarayanan G., et al. Artificial Intelligence for Intraoperative Guidance: Using Semantic Segmentation to Identify Surgical Anatomy During Laparoscopic Cholecystectomy. Ann Surg. 2022;1;276(2):363-369. DOI: 10.1097/SLA.0000000000004594.

74. Лазаренко В.А., Белозеров В.А., Охотников О.И., Бондарев Г.А., Кореневский Н.А., Белозеров А.В., Григорьев Н.Н., Бобровская Е.А. Модели и алгоритмы дифференциальной диагностики обструктивной патологии общего желчного протока на основе результатов эндоскопической ультрасонографии с использованием гибридных нечетких технологий принятия решений. Человек и его здоровье. 2024;27(3):15-28. DOI: 10.21626/vestnik/2024-3/02. EDN: IWPONA

75. Белозеров В.А., Охотников О.И., Бондарев Г.А., Кореневский Н.А., Григорьев Н.Н. Эндоскопическая ультрасонография в дифференциальной диагностике обструктивной патологии большого сосочка двенадцатиперстной кишки с использованием нечетких моделей диагностики. Человек и его здоровье. 2023;26(3):4-12.DOI: 10.21626/vestnik/2023-3/01. EDN: UBMMHP.

76. Cousins H.C., Cahan E.M., Steere J.T., Maloney W.J., Goodman S.B., Miller M.D., Huddleston J.I. 3rd, Amanatullah D.F. Assessment of Team Dynamics and Operative Efficiency in Hip and Knee Arthroplasty. JAMA Surg. 2023;158(6):603-608. DOI: 10.1001/jamasurg.2023.0168.

77. Ali S., Jonmohamadi Y., Fontanarosa D., Crawford R., Pandey A.K. One step surgical scene restoration for robot assisted minimally invasive surgery. Sci Rep. 2023 22;13(1):3127. DOI: 10.1038/s41598-022-26647-4.

78. Wang F., Sun X., Li J. Surgical smoke removal via residual Swin transformer network.Int J Comput Assist Radiol Surg. 2023;18(8):1417-1427. DOI: 10.1007/s11548-023-02835-z.

79. Goldenberg M.G., Jung J., Grantcharov T.P. Using Data to Enhance Performance and Improve Quality and Safety in Surgery. JAMA Surg. 2017;152(10):972-973. DOI: 10.1001/jamasurg.2017.2888.

80. Al-Tkhayneh K.M., Alghazo E.M., Tahat D. The Advantages and Disadvantages of Using Artificial Intelligence in Education. Journal of Educational and Social Research. 2023;13(4).DOI: 10.36941/jesr-2023-0094.

81. Briganti G., Le Moine O. Artificial Intelligence in Medicine: Today and Tomorrow. Front Med (Lausanne). 2020;5;7:27. DOI: 10.3389/fmed.2020.00027.

82. Amin A., Cardoso S.A., Suyambu J., Abdus Saboor H., Cardoso R.P., Husnain A., Isaac N.V., Backing H., Mehmood D., et al. Future of Artificial Intelligence in Surgery: A Narrative Review. Cureus. 2024;4;16(1):e51631. DOI: 10.7759/cureus.51631.

83. Aminu M.B., Ameh E.A., Mai A.Computer technology and the surgeon: what the resident needs to know Niger J Med 2006;15(2):119-123. DOI: 10.4314/njm.v15i2.37093.

84. Morris M.X., Fiocco D., Caneva T., Yiapanis P., Orgill D.P. Current and future applications of artificial intelligence in surgery: implications for clinical practice and research. Front Surg. 2024;11:1393898. DOI: 10.3389/fsurg.2024.1393898.