Талышинский Али Эльманович — врач-уролог, аспирант кафедры лучевой диагностики; ассистент кафедры урологии и андрологии; ассистент кафедры урологии и андрологии; медицинский эксперт
199034, Санкт-Петербург, Университетская наб., д. 7/9
010000, Республика Казахстан, г. Астана, ул. Бейбитшилик, д. 49а
150100, Узбекистан, г. Фергана, ул. Янги Турон, д. 2А
129343, Москва, Уржумская ул., д. 4, стр. 33
Ali E. Talyshinskii — Urologist, Postgraduate student at the Department of Radiology; Assistant, Department of Urology and Andrology; Assistant, Department of Urology and Andrology; Medical Expert
199034, St. Petersburg, Universitetskaya embk., 7/9
010000, Republic of Kazakhstan, Astana, 49a Beibitshilik Street
150100, Uzbekistan, Fergana, 2A Yangi Turon Street
129343, Moscow, 4 Urzhumskaya Street, Building 33
Шевнин Максим Владимирович — врач-уролог урологического отделения, медицинский эксперт
191014, Санкт-Петербург, Литейный пр., д. 56
129343, Москва, Уржумская ул., д. 4, стр. 33
Maxim V. Shevnin — Urologist, Urology Department; Medical Expert
191014, St. Petersburg, 56 Liteyny Ave.
129343, Moscow, 4 Urzhumskaya Street, Building 33
Нефедьев Николай Алексеевич — аспирант кафедры биоинформатики и математической биологии
194021, Санкт-Петербург, ул. Хлопина, д. 8, корп. 3, лит. А
Nikolai A. Nefediev — Postgraduate student, Department of Bioinformatics and Mathematical Biology
194021, St. Petersburg, 8/3 Khlopina Street, Building A
Камышанская Ирина Григорьевна — доктор медицинских наук, доцент, профессор кафедры лучевой диагностики, врач-рентгенолог рентгеновского отделения, медицинский эксперт
199034, Санкт-Петербург, Университетская наб., д. 7/9
191014, Санкт-Петербург, Литейный пр., д. 56
129343, Москва, ул. Уржумская, д. 4, стр. 33
Irina G. Kamyshanskaya — Dr. of Sci. (Med.), Associate Professor, Professor at the Department of Radiology; Radiologist at the X-ray Department; Medical Expert
199034, St. Petersburg, Universitetskaya embk., 7/9
191014, St. Petersburg, 56 Liteyny Ave.
129343, Moscow, 4 Urzhumskaya Street, Building 33
Говоров Александр Викторович — доктор медицинских наук, профессор, профессор РАН, заведующий онкоурологическим отделением; профессор кафедры урологии
125284, Москва, 2-й Боткинский проезд, д. 5
127994, Москва, Рахмановский пер, д. 3
Alexander V. Govorov — Dr. of Sci. (Med.), Professor, Professor of the Russian Academy of Sciences, Head of the Oncourology Department; Professor, Department of Urology
125284, Moscow, 5 2nd Botkinsky dr.
127994, Moscow, 3 Rakhmanovsky lane
Пашковская Анна Александровна — врач-рентгенолог
115446, Москва, Коломенский пр-д, д. 4
Anna A. Pashkovskaya — Radiologist
115446, Moscow, 4 Kolomensky dr.
Крючкова Оксана Валентиновна — кандидат медицинских наук, заведующая отделением рентгеновской диагностики и томографии
121359, Москва, ул. Маршала Тимошенко, д. 15
Oksana V. Kryuchkova — Cand. of Sci. (Med.), Head of the Department of X-ray Diagnostics and Tomography
121359, Moscow, 15 Marshal Timoshenko Street
Пушкарь Дмитрий Юрьевич — доктор медицинских наук, профессор, академик РАН, главный уролог Министерства здравоохранения Российской Федерации, главный уролог Департамента здравоохранения Москвы, руководитель; заведующий кафедрой урологии
125284, Москва, 2-й Боткинский проезд, 5
127994, Москва, Рахмановский пер, д. 3
Dmitry Yu. Pushkar — Dr. of Sci. (Med.), Professor, Academician of the Russian Academy of Sciences, Chief Urologist of the Russian Ministry of Health, Chief Urologist of the Moscow Health Department, Head; Head of the Department of Urology
125284, Moscow, 5 2nd Botkinsky dr.
127994, Moscow, 3 Rakhmanovsky lane
Введение: Применение глубокого обучения в обнаружении рака предстательной железы (РПЖ) по данным мультипараметрической МРТ (мпМРТ) представляет собой одно из наиболее противоречивых направлений развития данной технологии в медицине. Несмотря на высокий международный интерес к подобным системам, число тематических исследований в Российской Федерации (РФ) остается ограниченным. ЦЕЛЬ: Описание процесса создания и валидации отечественной системы поддержки принятия врачебных решений (СППВР), предназначенной для диагностики РПЖ по результатам мпМРТ с помощью искусственного интеллекта (ИИ).
Материалы и методы: Данные о пациентах с подтвержденным диагнозом, которым проводилась радикальная простатэктомия, были собраны как ретроспективным, так и проспективным образом. Формирование выборки пациентов осуществлялось в период с 10 января 2023 по 1 мая 2025 года. В качестве рабочих последовательностей использовались Т2- взвешенные изображения (Т2-ВИ) и данные измеряемого коэффициента диффузии (ИКД). Разметка данных производилась вручную тремя специалистами с опытом самостоятельного выполнения и анализа МР-данных пациентов с подозрением на наличие РПЖ более 10 лет. В ходе исследования проводилась апробация четырех различных архитектур (nnU-Net, SegResNet, TransBTS, Swin UNETR) для оценки их эффективности и определения наиболее пригодной в рамках поставленных задач. В качестве метрик точности использовались следующие показатели: чувствительность, специфичность, точность, площадь под ROC-кривой (AUC) и коэффициент Дайса (DSC).
Результаты: В соответствии с критериями включения было собрано 441 исследование, выполненное на 19 различных МР-томографах. Валидация наиболее производительной нейросетевой архитектуры (Swin UNETR) выявила следующие показатели: точность — 73%, чувствительность — 71%, специфичность — 71%, AUC — 0,70, DSC — 0,70.
Обсуждение: Представленная нами работа предназначена для ознакомления специалистов с промежуточными результатами разработки первой отечественной СППВР, реализованной по стратегии избегания недостатков, имеющихся в работах других коллективов.
Заключение: Результаты испытания разработанной программы, основанной на технологиях ИИ, для детекции и реконструкции РПЖ по МР-изображениям, показали многообещающие перспективы для отечественной СППВР. Для подтверждения клинической применимости и эффективности разработанной программы необходимы дальнейшие многоцентровые исследования, направленные на оценку ее потенциала и целесообразности внедрения в реальную клиническую практику.
Introduction: The use of deep learning in the detection of prostate cancer (PCa) based on multiparametric MRI (mpMRI) data is one of the most controversial areas of development of this technology in medicine. Despite high international interest in such systems, the number of thematic studies in the Russian Federation remains limited.
Objective: To describe the process of creating and validating a domestic medical decision support system (MDSS) designed to diagnose PCa based on mpMRI results using AI.
Materials and methods: Data on patients with a confirmed diagnosis who underwent radical prostatectomy were collected both retrospectively and prospectively. The patient sample was formed between January 10, 2023 and May 1, 2025. T2- weighted images (T2-WI) and measured diffusion coefficient (MDC) data were used as working sequences. Data annotation was performed manually by three specialists with more than 10 years of experience in independently performing and analyzing MR data of patients with suspected PCa. During the study, four different architectures were tested to evaluate their effectiveness and determine the most suitable one for the tasks at hand. The following metrics were used to measure accuracy: sensitivity, specificity, accuracy, area under the ROC curve (AUC), and Dice score (DSC).
Results: In accordance with the inclusion criteria, 441 studies performed on 19 different MRI scanners were collected. Validation of the most productive neural network architecture revealed the following indicators: accuracy — 73%, sensitivity — 71%, specificity — 71%, AUC — 0.70, DSC — 0.70.
Discussion: The work presented by us is aimed at familiarizing specialists with the intermediate results of the development of the first national MDSS, implemented according to a strategy of avoiding the shortcomings present in the works of other teams.
Conclusion: The results of testing the developed AI-based program for the detection and reconstruction of PCa on MRI images showed promising prospects for the domestic medical decision support system. To confirm the clinical applicability and effectiveness of the developed program, further multicenter studies are needed to assess its potential and feasibility for implementation in real clinical practice.
The authors declare that there are no conflicts of interest present.