Искусственный интеллект и нейронные сети в детской урологии

Введение. Искусственный интеллект (ИИ) и нейронные сети являются мощными инструментами, которые могут анализировать большие объёмы данных, выявлять закономерности и делать прогнозы. Применяемые в диагностике урологических заболеваний у детей ультразвуковые исследования, рентгенография, сцинтиграфия и расчётные данные (степени, размеры, индексы) являются идеальным объектом для обучения алгоритмов компьютерного зрения с целью автоматического анализа и расчёта интересующих врача показателей. Предложены различные модели ИИ для прогнозирования исходов лечения, рисков осложнений, разработки персонализированной терапии. ИИ позволяет снижать нагрузку на медицинский персонал, поскольку автоматизирует рутинные задачи. Система поддержки принятия решений, возможности удалённого мониторинга за пациентами, виртуальные симуляторы, чат-боты и ассистенты — технологии, крайне востребованные в медицине. Однако есть и ряд ограничений применения ИИ. Необходимо помнить, что алгоритмы тестируют на идеально подготовленных массивах данных, тогда как в реальной практике врачи сталкиваются с неполной информацией, техническими артефактами и нетипичными случаями. Поэтому для успешной интеграции моделей ИИ в детскую урологию необходимо обеспечить высокое качество данных для машинного обучения, безопасность сбора и хранения персональных данных пациентов, соблюдение этических норм. Цель: провести анализ данных применения ИИ в детской урологии при диагностике пузырно-мочеточникового рефлюкса, гидронефроза, гипоспадии, клапана задней уретры.
Проведён систематический поиск научных публикаций в базах данных PubMed, Scopus, Google Scholar, eLIBRARY.RU за 2018–2024 гг. В выборку включены клинические исследования (n ≥ 50), метаанализы, для систематических обзоров применяли PRISMA-методологию. Интеграция технологий ИИ в клиническую практику обладает большим потенциалом для решения клинических задач в детской урологии. Ограничениями для успешного внедрения остаются недостаточная надёжность существующих моделей и отсутствие адаптированных для клинического применения алгоритмов.

обзор, искусственная нейронная сеть, искусственный интеллект, машинное обучение, детская урология

1. Chen J., Remulla D., Nguyen J.H., Dua A., Liu Y., Dasgupta P., et al. Current status of artificial intelligence applications in urology and their potential to influence clinical practice. BJU Int. 2019; 124(4): 567–77. https://doi.org/10.1111/bju.14852

2. Scott Wang H.H., Vasdev R., Nelson C.P. Artificial intelligence in pediatric urology. Urol. Clin. North Am. 2024; 51(1): 91–103. https://doi.org/10.1016/j.ucl.2023.08.002

3. Cooper C.S. A potpourri of pediatric urology: the winds of change. J. Pediatr. Urol. 2025; 21(3): 793–5. https://doi.org/10.1016/j.jpurol.2025.04.020

4. Khondker A., Kwong J.C.C., Malik S., Erdman L., Keefe D.T., Fernandez N., et al. The state of artificial intelligence in pediatric urology. Front. Urol. 2022; 2: 1024662. https://doi.org/10.3389/fruro.2022.1024662

5. Lorenzo A.J., Rickard M., Braga L.H., Guo Y., Oliveria J.P. Predictive analytics and modeling employing machine learning technology: the next step in data sharing, analysis, and individualized counseling explored with a large, prospective prenatal hydronephrosis database. Urology. 2019; 123: 204–9. https://doi.org/10.1016/j.urology.2018.05.041

6. Дубров В.И., Сизонов В.В., Каганцов И.М., Негматова К.Н., Бондаренко С.Г. Прогнозирование результатов однократной эндоскопической коррекции пузырно-мочеточникового рефлюкса с использованием декстраномерагиалуроновой кислоты. Выбор оптимальной прогностической модели. Вестник урологии. 2021; 9(2): 45–55. https://doi.org/10.21886/2308-6424-2021-9-2-45-55 https://elibrary.ru/lwygjj

7. Eroglu Y., Yildirim K., Çinar A., Yildirim M. Diagnosis and grading of vesicoureteral reflux on voiding cystourethrography images in children using a deep hybrid model. Comput. Methods Programs Biomed. 2021; 210: 106369. https://doi.org/10.1016/j.cmpb.2021.106369

8. Smail L.C., Dhindsa K., Braga L.H., Becker S., Sonnadara R.R. Using deep learning algorithms to grade hydronephrosis severity: toward a clinical adjunct. Front. Pediatr. 2020; 8: 1. https://doi.org/10.3389/fped.2020.00001

9. Blum E.S., Porras A.R., Biggs E., Tabrizi P.R., Sussman R.D., Sprague B.M., et al. Early detection of ureteropelvic junction obstruction using signal analysis and machine learning: a dynamic solution to a dynamic problem. J. Urol. 2018; 199(3): 847–52. https://doi.org/10.1016/j.juro.2017.09.147

10. Abbas T.O., Abdel Moniem M., Khalil I.A., Abrar Hossain M.S., Chowdhury M.E.H. Deep learning based automated quantification of urethral plate characteristics using the plate objective scoring tool (POST). J. Pediatr. Urol. 2023; 19(4): 373.e1–9. https://doi.org/10.1016/j.jpurol.2023.03.033

11. Abdovic S., Cuk M., Cekada N., Milosevic M., Geljic A., Fusic S., et al. Predicting posterior urethral obstruction in boys with lower urinary tract symptoms using deep artificial neural network. World J. Urol. 2019; 37(9): 1973–9. https://doi.org/10.1007/s00345-018-2588-9

12. Kwong J.C., Khondker A., Kim J.K., Chua M., Keefe D.T., Dos Santos J., et al. Posterior Urethral Valves Outcomes Prediction (PUVOP): a machine learning tool to predict clinically relevant outcomes in boys with posterior urethral valves. Pediatr. Nephrol. 2022; 37(5): 1067–74. https://doi.org/10.1007/s00467-021-05321-3

13. Bertsimas D., Li M., Estrada C., Nelson C., Scott Wang H.H. Selecting children with vesicoureteral reflux who are most likely to benefit from antibiotic prophylaxis: application of machine learning to RIVUR. J. Urol. 2021; 205(4): 1170–9. https://doi.org/10.1097/JU.0000000000001445

14. Щамхалова К.К., Меринов Д.С., Артемов А.В., Гурбанов Ш.Ш. Искусственный интеллект и нейронные сети в урологии. Экспериментальная и клиническая урология. 2023; 16(2): 32–7. https://doi.org/10.29188/2222-8543-2023-16-2-32-37 https://elibrary.ru/znnfhu

15. Тимофеева Е.Ю., Азильгареева К.Р., Морозов А.О., Тараткин М.С., Еникеев Д.В. Использование искусственного интеллекта в диагностике, лечении и наблюдении за пациентами с раком почки. Вестник урологии. 2023; 11(3): 142–8. https://doi.org/10.21886/2308-6424-2023-11-3-142-148 https://elibrary.ru/kopikz

16. Wen Y., Di H. Potential and risks of artificial intelligence models: Common in medicine practice and special in pediatric urology. J. Pediatr. Urol. 2023; 19(5): 666–7. https://doi.org/10.1016/j.jpurol.2023.06.005

17. Khondker A., Kwong J.C.C., Rickard M., Skreta M., Keefe D.T., Lorenzo A.J., et al. A machine learning-based approach for quantitative grading of vesicoureteral reflux from voiding cystourethrograms: Methods and proof of concept. J. Pediatr. Urol. 2022; 18(1): 78.e1–78.e7. https://doi.org/10.1016/j.jpurol.2021.10.009

18. Topol E.J. 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

19. Rajpurkar P., Chen E., Banerjee O., Topol E. AI in health and medicine. Nat. Med. 2022; 28(1): 31–8. https://doi.org/10.1038/s41591-021-01614-0

20. Reis M., Reis F., Kunde W. Influence of believed AI involvement on the perception of digital medical advice. Nat. Med. 2024; 30(11): 3098–100. https://doi.org/10.1038/s41591-024-03180-7

21. Keskinoğlu A., Özgür S. The use of artificial neural networks for differential diagnosis between vesicoureteral reflux and urinary tract infection in children. J. Pediatr. Res. 2020; 7(3): 230–5. https://doi.org/10.4274/jpr.galenos.2019.24650

22. Logvinenko T., Chow J.S., Nelson C.P. Predictive value of specific ultrasound findings when used as a screening test for abnormalities on VCUG. J. Pediatr. Urol. 2015; 11(4): 176.e1–7. https://doi.org/10.1016/j.jpurol.2015.03.006

23. Weaver J.K., Logan J., Broms R., Antony M., Rickard M., Erdman L., et al. Deep learning of renal scans in children with antenatal hydronephrosis. J. Pediatr. Urol. 2023; 19(5): 514.e1–7. https://doi.org/10.1016/j.jpurol.2022.12.017

24. Fernandez N., Lorenzo A.J., Rickard M., Chua M., Pippi-Salle J.L., Perez J., et al. Digital pattern recognition for the identification and classification of hypospadias using artificial intelligence vs experienced pediatric urologist. Urology. 2021; 147: 264–9. https://doi.org/10.1016/j.urology.2020.09.019

25. Bertsimas D., Estrada C., Nelson C., Li M., Scott Wang H.H., Dunn J. Advanced analytics group of pediatric urology and ORC personalized medicine group. Targeted workup after initial febrile urinary tract infection: using a novel machine learning model to identify children most likely to benefit from voiding cystourethrogram. J. Urol. 2019; 202(1): 144–52. https://doi.org/10.1097/JU.0000000000000186

26. Weaver J.K., Martin-Olenski M., Logan J., Broms R., Antony M., Van Batavia J., et al. Deep learning of videourodynamics to classify bladder dysfunction severity in patients with spina bifida. J. Urol. 2023; 209(5): 994–1003. https://doi.org/10.1097/JU.0000000000003267

27. Tsai M.C., Lu H.H., Chang Y.C., Huang Y.C., Fu L.S. Automatic screening of pediatric renal ultrasound abnormalities: deep learning and transfer learning approach. JMIR Med. Inform. 2022; 10(11): e40878. https://doi.org/10.2196/40878

28. McKinney S.M., Sieniek M., Godbole V., Godwin J., Antropova N., Ashrafian H., et al. International evaluation of an AI system for breast cancer screening. Nature. 2020; 577(7788): 89–94. https://doi.org/10.1038/s41586-019-1799-6