В поисках цифровых подходов и применения искусственного интеллекта при изучении, диагностике и лечении саркоидоза

Цифровизация здравоохранения становится неотъемлемой частью оказания медицинской помощи населению. Внедрение искусственного интеллекта (ИИ) в медицину приводит к формированию «цифрового мышления» и доверия общества к цифровому здравоохранению. Целью данного обзора литературы было обобщение данных, относящихся к ИИ в целом и к изучению саркоидоза – полиорганного гранулематоза неизвестной природы. Наиболее широко представлены работы по распознаванию изображений, которые используют разные подходы. В пульмонологии это работа с флюорограммами, рентгенограммами и компьютерными томограммами. В то же время ведется комплексная работа по радиомике – сопоставлению данных имидж-диагностики с лабораторными и функциональными данными. Созданы программы, распознающие речь, анализирующие тексты заключений, результаты тканевой диагностики и даже данные аускультации пациентов. При саркоидозе создание систем поддержки принятия врачебных решений ведется с 90-х гг. XX в. с приоритетом российских фтизиатров, пульмонологов и математиков. В международной практике глубокое обучение наиболее полно изучено для диагностики легочного саркоидоза. Радиомика в основном использовалась для дифференциации саркоидоза от злокачественных опухолей. Ведутся работы по дифференциации саркоидоза и нормальных данных при легочном и сердечном саркоидозе, по дистанционному самоконтролю пациентов. Анализ литературы показал, что в клинической медицине успех ИИ возможен только в тесном взаимодействии с врачом-экспертом или многопрофильной комиссией врачей.

1. Лебедев ГС, Шепетовская НЛ, Решетников ВА. Телемедицина и механизмы ее интеграции. Национальное здравоохранение. 2021;2(2):21–27.

2. Reese H. Understanding the differences between AI, machine learning, and deep learning. 2017. Available at: https://www.techrepublic.com/article/understandingthe-differences-between-ai-machine-learning-and-deep-learning.

3. Kohane IS. Injecting artificial intelligence into medicine. NEJM AI. 2024;1(1). https://doi.org/10.1056/AIe2300197.

4. Bellini V, Badino M, Maffezzoni M, Bezzi F, Bignami E. Evolution of hybrid intelligence and its application in evidence-based medicine: A review. Med Sci Monit. 2023;29:e939366. https://doi.org/10.12659/MSM.939366.

5. Tierney A, Gayre G, Hoberman B, Mattern B, Ballesca M, Kipnis P et al. Ambient artificial intelligence scribes to alleviate the burden of clinical documentation. NEJM Catalyst. 2024;5(3). https://doi.org/10.1056/CAT.23.0404.

6. Rocks JW, Mehta P. Memorizing without overfitting: Bias, variance, and interpolation in overparameterized models. Phys Rev Res. 2022;4(1):013201. https://doi.org/10.1103/physrevresearch.4.013201.

7. Humphries SM, Yagihashi K, Huckleberry J, Rho BH, Schroeder JD, Strand M et al. Idiopathic Pulmonary Fibrosis: Data-driven Textural Analysis of Extent of Fibrosis at Baseline and 15-Month Follow-up. Radiology. 2017;285(1):270–278. https://doi.org/10.1148/radiol.2017161177.

8. Humphries SM, Chung A, Swigris JJ, Oh AS, Walsh SLF, Lynch DA et al. Quantification of Interstitial Lung Diseases, From the AJR special series on quantitative imaging. AJR Am J Roentgenol. 2024. https://doi.org/10.2214/AJR.24.32053.

9. Wells AU, Walsh SLF. Quantifying fibrosis in fibrotic lung disease: a good human plus a machine is the best combination? Ann Am Thorac Soc. 2024;21(2):204–205. https://doi.org/10.1513/AnnalsATS.202311-954ED.

10. Remy-Jardin M, Giraud F, Remy J, Copin MC, Gosselin B, Duhamel A. Importance of ground-glass attenuation in chronic diffuse infiltrative lung disease: pathologic-CT correlation. Radiology. 1993;189(3):693–698. https://doi.org/10.1148/radiology.189.3.8234692.

11. Robbie H, Wells AU, Fang C, Jacob J, Walsh SLF, Nair A et al. Serial decline in lung volume parameters on computed tomography (CT) predicts outcome in idiopathic pulmonary fibrosis (IPF). Eur Radiol. 2022;32(4):2650–2660. https://doi.org/10.1007/s00330-021-08338-2.

12. Barnes H, Humphries SM, George PM, Assayag D, Glaspole I, Mackintosh JA et al. Machine learning in radiology: the new frontier in interstitial lung diseases. Lancet Digit Health. 2023;5(1):e41-e50. https://doi.org/10.1016/S2589-7500(22)00230-8.

13. Calandriello L, Mackintosh J, Felder F, Agrawal A, Alamoudi O, Alberti L et al. Artificial intelligence-based decision support for HRCT stratification in fibrotic lung disease; an international study of 116 observers from 37 countries. Eur Respir J. 2023;62(Suppl. 67):OA4848. https://doi.org/10.1183/13993003.congress-2023.OA4848.

14. Литвин АА, Буркин ДА, Кропинов АА, Парамзин ФН. Радиомика и анализ текстур цифровых изображений в онкологии (обзор). Современные технологии в медицине. 2021;13(2):97. Режим доступа: https://www.stm-journal.ru/ru/numbers/2021/2/1712/html.

15. Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, Tse D et al. Endto-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019;25(6):954–961. https://doi.org/10.1038/s41591-019-0447-x.

16. Obert M. Are estimations of radiomic image markers dispensable due to recent deep learning findings? Eur Respir J. 2019;54(2):1901185. https://doi.org/10.1183/13993003.01185-2019.

17. Мелдо АА, Уткин ЛВ, Трофимова ТН, Рябинин МА, Моисеенко ВМ, Шелехова КВ. Новые подходы к разработке алгоритмов искусственного интеллекта в диагностике рака легкого. Лучевая диагностика и терапия. 2019;(1):8–18. http://doi.org/10.22328/2079-5343-2019-10-1-8-18.

18. Васильев ЮА, Арзамасов КМ, Колсанов АВ, Владзимирский АВ, Омелянская ОВ, Пестренин ЛД, Нечаев НБ. Опыт применения программного обеспечения на основе технологий искусственного интеллекта на данных 800 тысяч флюорографических исследований. Врач и информационные технологии. 2023;(4):54–65. https://doi.org/10.25881/18110193_2023_4_54.

19. Geppert J, Asgharzadeh A, Brown A, Stinton C, Helm EJ, Jayakody S et al. Software using artificial intelligence for nodule and cancer detection in CT lung cancer screening: systematic review of test accuracy studies. Thorax. 2024;79(11):1040–1049. https://doi.org/10.1136/thorax-2024-221662.

20. Majumder A, Sen D. Artificial intelligence in cancer diagnostics and therapy: current perspectives. Indian J Cancer. 2021;58(4):481–492. https://doi.org/10.4103/ijc.IJC_399_20.

21. Кокина ДЮ, Гомболевский ВА, Арзамасов КМ, Андрейченко АЕ, Морозов СП. Возможности и ограничения использования инструментов машинной обработки текстов в лучевой диагностике. Digital Diagnostics. 2022;3(4):374−383. https://doi.org/10.17816/DD101099.

22. Kim SY, Diggans J, Pankratz D, Huang J, Pagan M, Sindy N et al. Classification of usual interstitial pneumonia in patients with interstitial lung disease: assessment of a machine learning approach using high-dimensional transcriptional data. Lancet Respir Med. 2015;3(6):473–482. https://doi.org/10.1016/S2213-2600(15)00140-X.

23. Chen H, Zhang S, Matsumoto H, Tsuchiya N, Yamada C, Okasaki S et al. Employing a low-code machine learning approach to predict in-hospital mortality and length of stay in patients with community-acquired pneumonia. Sci Rep. 2025;15(1):309. https://doi.org/10.1038/s41598-024-82615-0.

24. Pal R, Barney A, Sgalla G, Walsh SLF, Sverzellati N, Fletcher S et al. Automated system for diagnosing pulmonary fibrosis using crackle analysis in recorded lung sounds based on iterative envelope mean fractal dimension filter. Physiol Meas. 2025. https://doi.org/10.1088/1361-6579/ada9b4.

25. Борисов СЕ, Адамович ВН., Шлаин ВА. Дифференциальная диагностика саркоидоза органов дыхания с применением математических методов и ЭВМ. Проблемы туберкулеза. 1991;(9):32–35.

26. Визель АА. Системы поддержки принятия решений в медицине. Казанский медицинский журнал. 1992;73(3):219–220.

27. Визель Л, Визель А, Визель И, Авдеев С, Шакирова Г, Чикрин д. Программа SarcoQ (СаркоКью). Патент RU №2025610517, 10.01.2025. Режим доступа: https://onlinepatent.ru/software/2025610517.

28. Premjee A, Li L, Garikapati S, Sarpong KN, Morgenthau AS. Leveraging AI technology in sarcoidosis. Curr Opin Pulm Med. 2024;30(5):570–575. https://doi.org/10.1097/MCP.0000000000001085.

29. Lew D, Klang E, Soffer S, Morgenthau AS. Current Applications of Artificial Intelligence in Sarcoidosis. Lung. 2023;201:445–454. https://doi.org/10.1007/s00408-023-00641-7.

30. Schupp JC, Freitag-Wolf S, Bargagli E, Mihailović-Vučinić V, Rottoli P, Grubanovic A et al. Phenotypes of organ involvement in sarcoidosis. Eur Respir J. 2018;51(1):1700991. https://doi.org/10.1183/13993003.00991-2017.

31. Chen ES. Is this the dawning of AI for sarcoidosis? Lung. 2023;201(5):443–444. https://doi.org/10.1007/s00408-023-00643-5.

32. Crouser ED, Maier LA, Wilson KC, Bonham CA, Morgenthau AS, Patterson KC et al. Diagnosis and detection of sarcoidosis. An official American Thoracic Society Clinical Practice Guideline. Am J Respir Crit Care Med. 2020;201(8):e26-e51. https://doi.org/10.1164/rccm.202002-0251ST.

33. Wells AU, Walsh SLF. Quantitative computed tomography and machine learning: recent data in fibrotic interstitial lung disease and potential role in pulmonary sarcoidosis. Curr Opin Pulm Med. 2022;28(5):492–497. https://doi.org/10.1097/MCP.0000000000000902.

34. Judson MA, Qiu J, Dumas CL, Yang J, Sarachan B, Mitra J. An artificial intelligence platform for the radiologic diagnosis of pulmonary sarcoidosis: an initial pilot study of chest computed tomography analysis to distinguish pulmonary sarcoidosis from a negative lung cancer screening scan. Lung. 2023;201:611–616. https://doi.org/10.1007/s00408-023-00655-1.

35. Lippitt WL, Maier LA, Fingerlin TE, Lynch DA, Yadav R, Rieck J et al. The textures of sarcoidosis: quantifying lung disease through variograms. medRxiv. 2024. https://doi.org/10.1101/2024.05.20.24307618.

36. Ryan SM, Fingerlin TE, Mroz M, Barkes B, Hamzeh N, Maier LA, Carlson NE. Radiomic measures from chest high-resolution computed tomography associated with lung function in sarcoidosis. Eur Respir J. 2019;54(2):1900371. https://doi.org/10.1183/13993003.00371-2019.

37. Васильев ЮА, Туравилова ЕВ, Шулькин ИМ, Омелянская ОВ, Арзамасов КМ, Козлов ДВ и др. MosMedData: КТ с признаками саркоидоза легких. Патент RU 2023621228, 17.04.2023. Режим доступа: https://elibrary.ru/aonfau.

38. Антипушина ДН. Клинические характеристики больных саркоидозом. Патент RU 2019622030, 11.11.2019. Режим доступа: https://elibrary.ru/aildpx.

39. Чучалин АГ, Авдеев СН, Айсанов ЗР, Баранова ОП, Борисов СЕ, Геппе НА и др. Саркоидоз: федеральные клинические рекомендации по диагностике и лечению. Пульмонология. 2022;32(6):806–833. https://doi.org/10.18093/0869-0189-2022-32-6-806-833.

40. Визель АА, Белиловский ЕМ, Соколов НГ, Галков ЕМ. Логическое правило интерпретации внешнего дыхания и его реализация на микро-ЭВМ. Казань; 1990. 10 с.

41. de Lima AD, Lopes AJ, do Amaral JLM, de Melo PL. Explainable machine learning methods and respiratory oscillometry for the diagnosis of respiratory abnormalities in sarcoidosis. BMC Med Inform Decis Mak. 2022;22(1):274. https://doi.org/10.1186/s12911-022-02021-2.

42. Katsushika S, Kodera S, Nakamoto M, Ninomiya K, Kakuda N, Shinohara H et al. Deep learning algorithm to detect cardiac sarcoidosis from echocardiographic movies. Circ J. 2021;86(1):87–95. https://doi.org/10.1253/circj.CJ-21-0265.

43. Dai Q, Sherif AA, Jin C, Chen Y, Cai P, Li P. Machine learning predicting mortality in sarcoidosis patients admitted for acute heart failure. Cardiovasc Digit Health J. 2022;3(6):297–304. https://doi.org/10.1016/j.cvdhj.2022.08.001.

44. Bobbio E, Eldhagen P, Polte CL, Hjalmarsson C, Karason K, Rawshani A et al. Clinical Outcomes and Predictors of Long-Term Survival in Patients With and Without Previously Known Extracardiac Sarcoidosis Using Machine Learning: A Swedish Multicenter Study. J Am Heart Assoc. 2023;12(15):e029481. https://doi.org/10.1161/JAHA.123.029481.

45. Nakajo M, Hirahara D, Jinguji M, Ojima S, Hirahara M, Tani A et al. Jpn J Radiol. 2024;42(7):744–752. https://doi.org/10.1007/s11604-024-01546-y.

46. Eckstein J, Moghadasi N, Körperich H, Akkuzu R, Sciacca V, Sohns C et al. Machine-Learning-Based diagnostics of cardiac sarcoidosis using multichamber wall motion analyses. Diagnostics. 2023;13(14):2426. https://doi.org/10.3390/diagnostics13142426.

47. Osipov N, Kudryavtsev I, Spelnikov D, Rubinstein A, Belyaeva E, Kulpina A et al. Differential diagnosis of tuberculosis and sarcoidosis by immunological features using machine learning. Diagnostics. 2024;14(19):2188. https://doi.org/10.3390/diagnostics14192188.

48. Dunweg A, Kahlman V, Kicken H. Development of a digital self-management tool for people with sarcoidosis. Eur Respir J. 2024;64(Suppl. 68):PA5181. https://doi.org/10.1183/13993003.congress-2024.PA5181.