Диагностика и выбор тактики хирургического лечения пациентов с объёмными образованиями печени с использованием технологии нейронных сетей и трёхмерного моделирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Аладин Марк Николаевич

• Аладин Марк Николаевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Аладин Марк Николаевич

ВВЕДЕНИЕ

Актуальность темы исследования

Степень разработанности проблемы

Цель исследования

Задачи исследования

НАУЧНАЯ НОВИЗНА

ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

Методология и методы исследования

Степень достоверности результатов работы

Личный вклад автора

ГЛАВА 1. ЛИТЕРАТУРНЫЙ ОБЗОР

1.1 История и эволюция автоматических систем анализа медицинских изображений

1.1.1 История развития автоматических систем анализа медицинских изображений

1.1.2 Переход от традиционного машинного обучения к глубокому обучению

1.2 Применение ИИ в сегментации и детекции новообразований печени

1.2.1 Применении ИИ в автоматической детекции гепатоцеллюлярной карциномы

1.2.2 Применении ИИ в автоматической детекции внутрипеченочной холангиоцеллюлярной карциномы

1.2.3 Применение ИИ в автоматической детекции метастазов печени

1.2.4 Применение ИИ в диагностике доброкачественных новообразований печени

1.3 Применение ИИ для трехмерного моделирования печени

1.3.1. Методы создания анатомических 3D-моделей печени

1.3.2 Визуализация сегментарной анатомии и сосудистой архитектоники

1.3.3 Применение ИИ в оценке функции печени и оценке остаточной паренхимы

1.3.4 Влияние 3D-моделирования на планирование и результаты операций

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

2.1 Общая структура исследования

2.1.1 Дизайн исследования

2.1.2 Критерии включения и исключения

2.1.3 Характеристика сравниваемых групп

2.1.4 Характеристика очаговых новообразований печени в подгруппах

2.2 Характеристика разработанной программы ЭВМ HepatoScan AI

2.2.1 Наборы данных

2.2.1.1 Характеристика набора данных для обучения ИИ-алгоритма сегментации паренхимы печени

2.2.1.2 Характеристика набора данных для обучения ИИ-алгоритма

выявлению образований печени и для его тестирования

2.2.1.3 Характеристика набора данных, полученного из реального потока исследований

2.2.1.4 Создание и регистрация базы данных

2.2.2 Выбор алгоритма

2.2.3 Предобработка исследований

2.2.3.1 Первичная обработка

2.2.3.2 Регистрация изображений

2.2.3.3 Предобработка nn-Unet

2.2.4 Архитектура нейронной сети

2.2.4.1 Обучение модели

2.2.5 Постобработка сегментаций образований

2.2.6 Описание разработанного ИИ-сервиса

2.2.7 Статистический анализ

2.3 Протокол предоперационного трехмерного моделирования и планирования операции

2.3.1 Требуемое ПО и технические требования

2.3.2 Этап 1. Сегментация опухоли и паренхимы печени с помощью HepatoScan А1

2.3.3 Этап 2. Импорт масок в 3D SHcer и сегментация сосудов и желчных протоков

2.3.4 Этап 3. Построение виртуальной линии резекции и КТ-волюметрия

2.3.5 Этап 4. Экспорт 3D-моделей в STL и постобработка в Blender

2.3.6. Этап 5. Визуализация моделей в 3D-просмотрщиках и на устройствах дополненной и смешанной реальности

2.4. Методы диагностики

2.4.1 Лабораторные методы исследования

2.4.2 Инструментальные методы диагностики

2.4.2.1 Ультразвуковое исследование

2.4.2.2 Мультиспиральная компьютерная томография

2.4.2.3 Магнитно-резонансная томография

2.4.2.4 Пункционная биопсия печени

2.5. Статистический анализ

ГЛАВА 3. ДИАГНОСТИЧЕСКОЕ ПРИМЕНЕНИЕ СЕРВИСА ИСКУСТВЕННОГО ИНТЕЛЛЕКТА HEPATOSCAN AI

3.1 Диагностическая эффективность ИИ-сервиса HepatoScan AI: результаты внутренней валидации

3.1.1 Показатели эффективности HepatoScan AI по типам образований

3.2 Оценка общей диагностической точности в исследуемых группах

3.3 Сравнительный анализ диагностической эффективности в подгруппах

3.4 Сравнение эффективности и логистики диагностического этапа

3.4.1 Оцениваемые логистические параметры

3.4.2 Сравнительные результаты диагностических параметров в подгруппах

3.5 Обсуждение показателей эффективности ИИ - сервиса HepatoScan AI. Результаты внутренней валидации

3.6 Сравнительный анализ диагностической эффективности в Группе 1 и Группе

Карциномы печени

Гемангиомы печени

Простые кисты печени

Фокальная нодулярная гиперплазия

3.7 Обсуждение сравнительных результатов логистических параметров диагностики по подгруппам

Карциномы печени

Гемангиомы печени

Простые кисты печени

Фокальная нодулярная гиперплазия

3.8 Обсуждение изменений диагностического маршрута после внедрения сервиса искусственного интеллекта HepatoScan AI

ГЛАВА 4. КЛИНИЧЕСКАЯ ЭФФЕКТИВНОСТЬ HEPATOSCAN AI И ТРЕХМЕРНОГО МОДЕЛИРОВАНИЯ В ХИРУРГИЧЕСКОМ ПЛАНИРОВАНИИ И ИСХОДАХ

4.1 Оценка клинической эффективности HepatoScan AI и 3D-моделирования на хирургическом этапе

4.1.1 Влияние на принятие хирургических решений и планирование оперативного лечения

4.1.3 Сравнение ключевых параметров хирургических исходов

4.1.3.1 Радикальность резекций

4.1.3.2 Интраоперационные параметры и послеоперационный период

4.1.3.3 Сравнительный анализ общих послеоперационных осложнений

4.2 Стратификация пациентов по классификации TROPH-L и её влияние на выбор хирургической тактики

4.2.1 Влияние TROPH-L на выбор тактики резекции и хирургические исходы у пациентов с злокачественными новообразованиями печени

ЗАКЛЮЧЕНИЕ

ВЫВОДЫ

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

СПИСОК ЛИТЕРАТУРЫ

СПИСОК СОКРАЩЕНИЙ

КТ - компьютерная томография

МРТ - магнитно-резонансная томография

ИИ - искусственный интеллект

U-Net - нейросетевая архитектура U-образного типа для сегментации изображений

nnU-Net - модифицированная самонастраивающаяся архитектура U-Net 3D - трёхмерный

ИТ - информационные технологии

ВОЗ - Всемирная организация здравоохранения

ВИЧ - вирус иммунодефицита человека

AR - дополненная реальность (Augmented Reality)

VR - виртуальная реальность (Virtual Reality)

СППВР - система поддержки принятия врачебных решений

CAD - компьютерная поддержка диагностики (Computer-Aided Diagnosis)

ЭВМ - электронно-вычислительная машина

SVM - метод опорных векторов (Support Vector Machine)

СНС - свёрточная нейронная сеть

УЗИ - ультразвуковое исследование

FDA - Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (Food and Drug Administration) ГЦР - гепатоцеллюлярная карцинома

LI-RADS - система отчёта и анализа изображений печени у пациентов с риском ГЦР

МО - метастатическое образование

ГНС - гемангиома печени

ПСС - полносверточные сети

ROI - область интереса (Region of Interest)

АФП - альфа-фетопротеин

CA 19-9 - карбоангидратный антиген 19-9 DLLD - Deep Learning Liver Diagnosis MULLET - Multi-task Learning Liver Tumor model ГСНС - генеративная свёрточная нейронная сеть

PACS - система архивации и передачи изображений (Picture Archiving and Communication System)

LiTS - Liver Tumor Segmentation (международный вызов по сегментации опухолей печени)

FLR - объём остаточной функционирующей печени (Future Liver Remnant) ALBI - шкала оценки функции печени на основе альбумина и билирубина (Albumin-Bilirubin score)

NIfTI - формат нейроизображений (Neuroimaging Informatics Technology Initiative)

DICOM - стандарт цифровых медицинских изображений (Digital Imaging and

Communications in Medicine)

СКИ - сумма квадратов разностей интенсивностей

НКК - нормализованный коэффициент корреляции

ВИ - взаимная информация

НВИ - нормализованная взаимная информация

DSC - коэффициент совпадения по Дайсу (Dice Similarity Coefficient)

мЗв - миллизиверт

TLV - общий объём печени (Total Liver Volume) RLV - остаточный объём печени (Remnant Liver Volume) TuV - объём опухоли (Tumor Volume) aFLR - доля остаточной печени (adjusted FLR)

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Диагностика и выбор тактики хирургического лечения пациентов с объёмными образованиями печени с использованием технологии нейронных сетей и трёхмерного моделирования»

Актуальность темы исследования

Объёмные образования печени представляют собой одну из наиболее сложных категорий патологий в современной хирургии. Несмотря на развитие методов визуализации и совершенствование оперативных подходов, радикальное лечение таких пациентов часто сопровождается высоким риском интра- и послеоперационных осложнений, а отдалённые результаты остаются неудовлетворительными. Согласно данным GLOBOCAN (2020), рак печени занимает шестое место по распространённости среди злокачественных новообразований и третье — по уровню смертности. При этом пятилетняя выживаемость не превышает 20 %, даже в экономически развитых странах [9; 11; 80; 110]

Серьёзную проблему представляют и метастатические поражения: у 3050 % пациентов с колоректальным раком или раком поджелудочной железы выявляются метастазы в печени [8; 25; 64; 65; 69]. Кроме того, широко распространены доброкачественные образования — кисты, аденомы, паразитарные очаги, что увеличивает нагрузку на систему здравоохранения

[1-3]

Несмотря на широкое использование компьютерной томографии (КТ) и магнитно-резонансной томографии (МРТ) для исследований печени, традиционные методы визуализации формируют инспекции в виде двумерных срезов, что затрудняет объективную оценку трёхмерных пространственных взаимоотношений опухоли с сосудами и желчными протоками и ограничивает восприятие сложной анатомии паренхимы печени. Интерпретация изображений остаётся субъективной: даже среди опытных специалистов расхождения в оценке размеров и границ образований могут достигать 15-20 %, что непосредственно влияет на выбор хирургической тактики [47; 54; 76].

В этих условиях возрастает интерес к использованию технологий автоматизированной диагностики и прогнозирования, построенных на базе

методов искусственного интеллекта (ИИ) и трёхмерного моделирования. Современные нейросетевые архитектуры — и-№^ nnU-Net и другие — обеспечивают точность сегментации печени и очагов до 92-94 % при автоматической обработке КТ-изображений, повышая объективность анализа. В сочетании с 3D-моделированием ИИ позволяет формировать персонализированные анатомические реконструкции, обеспечивая точную визуализацию сосудистой архитектоники и патологических очагов. Это открывает возможности для прецизионного планирования резекции и оценки объёма функционирующей паренхимы печени [56; 92; 109].

Клинические исследования и мета-анализы демонстрируют, что применение 3D-навигации в хирургии печени позволяет снизить длительность операции примерно на 30 % (в среднем - 40 минут) и сократить частоту R1-резекций на ~ 40 %, за счёт более точного соблюдения границ резекции печени [24; 39; 42; 85]. Однако широкое внедрение цифровых инструментов в хирургию печени сдерживается рядом факторов: нехваткой размеченных медицинских данных, отсутствием нормативной базы и сложностями междисциплинарного взаимодействия между клиницистами и специалистами по информационным технологиям.

Таким образом, интеграция автоматизированных методов диагностики и трёхмерного моделирования в диагностику и планирование хирургического лечения объёмных образований печени является актуальной и перспективной задачей, реализация которой способна повысить точность диагностики, безопасность вмешательств и степень персонализации хирургической помощи.

Степень разработанности проблемы

Проблема интеграции ЭЭ-моделирования и ЭЭ-навигации и реконструкции в печёночной хирургии находится на стадии активного перехода от экспериментальной технологии к клинической практике, что подтверждается последними данными

Одно из первых рандомизированных пилотных исследований показало, что использование интраоперационной BD-навигации с применением системы MeVis (ЭЭ-реконструкция) и CAS-One Liver безопасно и обеспечивает сопоставимое со стандартной техникой соотношение фактически выполненного объёма резекции к запланированному. При этом не было обнаружено статистически значимых различий по длительности операции, частоте осложнений и продолжительности госпитализации между навигационной и контрольной группами, что подчёркивает перспективность данного подхода, но указывает на необходимость дальнейшего совершенствования технологии [39].

В другом рандомизированном сравнительном исследовании показано, что использование стереоскопической BD-навигации повысило техническую точность резекции — поддерживая отклонение от намеченной линии резекции в пределах ±5 мм — и привело к значительному снижению частоты R1-резекций по сравнению со стандартной техникой, что свидетельствует о потенциале этой технологии для улучшения онкологической радикальности хирургического вмешательства и точности выполнения запланированного объема операции [85].

Обзор научных публикаций 2021 г. подчёркивает, что сочетание технологий смешанной и дополненной реальности с BD-навигацией обеспечивает чёткую интраоперационную визуализацию

внутрипаренхиматозных новообразований и способствует сохранению функциональных зон печени во время хирургического вмешательства [13].

Цель исследования

Улучшить результаты хирургического лечения пациентов с объёмными образованиями печени за счёт повышения точности диагностики и оптимизации предоперационного планирования с использованием трёхмерного моделирования и автоматизированного анализа изображений

Задачи исследования

1. Изучить клинико-анатомические особенности доброкачественных и злокачественных объёмных образований печени, влияющих на выбор оперативной тактики.

2. Внедрить методику предоперационного трёхмерного моделирования печени для количественной оценки остаточного объёма паренхимы и топографических взаимоотношений опухоли с сосудистыми и билиарными структурами.

3. Провести сравнительный анализ результатов диагностики и хирургического лечения пациентов при стандартном подходе и при использовании предоперационного трёхмерного моделирования, а также технологий автоматической детекции и классификации объёмных новообразований печени.

4. Сравнить длительность и логистику диагностического этапа, включая время до постановки диагноза, количество консультаций, лучевую нагрузку и частоту применения дополнительных методов обследования в группах с использованием программы автоматизированной детекции новообразований печени и алгоритма трехмерного моделирования и без них.

5. Оценить влияние применения цифровых технологий на выбор объёма оперативного вмешательства, радикальность резекции, длительность операций, объём кровопотери и частоту послеоперационных осложнений.

Научная новизна

Впервые обосновано клиническое применение технологии трёхмерного предоперационного моделирования и автоматизированных методов обработки изображений в диагностике и хирургическом лечении пациентов с объёмными образованиями печени.

Разработан и внедрён комплексный метод предоперационного анализа, включающий автоматизированную обработку данных компьютерной томографии, построение индивидуальной трёхмерной модели печени и количественную оценку анатомических взаимоотношений патологического очага с сосудистыми и билиарными структурами.

Создана методика расчёта остаточного анатомического и функционального объёма печени, основанная на интеграции данных автоматизированной обработки изображений и трёхмерного моделирования, что обеспечивает повышение точности предоперационного планирования и снижение риска пострезекционной печёночной недостаточности.

Впервые показано, что использование трёхмерного моделирования в сочетании с автоматизированными методами обработки изображений позволяет объективизировать выбор объёма вмешательства, оптимизировать технику резекций печени, сократить продолжительность операций и уменьшить частоту послеоперационных осложнений.

Предложен клинико-инструментальный алгоритм диагностики и предоперационного планирования при объёмных образованиях печени, основанный на интеграции трёхмерного моделирования и автоматизированных методов анализа изображений, обеспечивающий персонализированный выбор хирургической тактики и повышение безопасности операций.

Положения, выносимые на защиту

1. Разработан и внедрён комплексный метод диагностики и предоперационного планирования хирургических вмешательств при очаговых образованиях печени, реализованный на сочетании трёхмерного предоперационного моделирования и автоматизированных методов обработки изображений, что обеспечивает повышение точности топографо-анатомической оценки, объективизацию выбора объёма резекции и сокращение диагностического этапа.

2. Установлено, что комбинированный подход трёхмерного предоперационного моделирования с автоматической оценкой анатомических параметров и их интеграция в диагностический алгоритм способствует снижению кровопотери и частоты послеоперационных осложнений, повышению радикальности и безопасности резекций печени.

Теоретическая и практическая значимость работы

Теоретическая значимость работы заключается в том, что разработана и обоснована научная концепция диагностики и предоперационного планирования хирургического лечения пациентов с объёмными образованиями печени, основанная на применении трёхмерного моделирования и автоматизированной обработки медицинских изображений. В ходе исследования решена научная задача уточнения роли количественных морфометрических и визуализационных параметров в определении типа объемного новообразования печени, объёма резекции и оценке функционального резерва печени.

Практическая значимость исследования определяется тем, что решена научно-практическая задача повышения эффективности предоперационного планирования за счёт внедрения программы для автоматической детекции новообразований печени, а также разработанного диагностического и

технологического алгоритма в клиническую деятельность отделения гепатопанкреатобилиарной хирургии ММНКЦ им. С. П. Боткина ДЗ г. Москвы (акт внедрения от 18.06.2025 г.). Применение алгоритма позволило сократить диагностический этап, снизить частоту инвазивных вмешательств и послеоперационных осложнений. Результаты могут быть использованы в практике специализированных хирургических стационаров и в образовательном процессе.

Методология и методы исследования

Настоящее исследование основано на сравнительном анализе данных, полученных от репрезентативных групп пациентов с объёмными образованиями печени, проходивших лечение в одном стационаре. Пациенты были разделены на группы в зависимости от применения технологий искусственного интеллекта и трёхмерного моделирования и подгруппы в зависимости от нозологии новообразований печени, что позволило объективно оценить влияние внедрения цифровых решений на эффективность диагностики и хирургического лечения. Все включённые наблюдения объединены единой клинической направленностью и сопоставимыми показателями, что обусловливает прикладной характер исследования.

В исследовании применялся комплекс научных методов, основанных на сочетании анализа и синтеза. На этапе анализа проводилось качественное и количественное описание клинических фактов, включая анамнестические данные, лабораторные показатели, результаты лучевой диагностики и хирургического вмешательства. Синтез заключался в разработке алгоритмов диагностики и лечения, построении логических связей между выявленными параметрами и формулировании выводов. Методология исследования включала последовательное наблюдение и применение оригинальных технологических решений (нейросетевой модели HepatoScan А1 и метода виртуального 3D-моделирования печени), систематизацию данных и

межгрупповое сравнение показателей. Использовались как индуктивный метод - для обобщения типичных клинических ситуаций, так и дедуктивный - для применения общих закономерностей к индивидуальным случаям. Это обеспечило формирование доказательной базы для внедрения цифровых технологий в клиническую практику.

Исследование является количественным и включает разработку и клиническую апробацию методов цифровой визуализации, а также сравнительный анализ диагностических и хирургических показателей в группах, различающихся по степени использования современных технологий. Контрольная (ретроспективная) и экспериментальная (проспективная) группы были сопоставимы по основным демографическим и клиническим характеристикам, что исключает влияние сторонних факторов на результаты сравнения. Объективность обеспечена стандартизированным подходом к сбору и анализу данных, соблюдением критериев включения и исключения, а также едиными протоколами оценки эффективности диагностики, хирургического вмешательства и послеоперационного периода.

Анализу подвергались возрастно-половые характеристики пациентов, продолжительность диагностического этапа, частота инвазивных процедур, структура осложнений, параметры операций (длительность, объём кровопотери, радикальность), длительность госпитализации и летальность. Использование цифровых технологий рассматривалось как модифицирующий фактор, способный повлиять на каждый из указанных параметров. Полученные данные служат основой для построения нового клинико-технологического алгоритма, интегрирующего ИИ и 3D-моделирование в практику персонализированной хирургии печени.

Степень достоверности результатов работы

Достоверность результатов исследования гарантируется репрезентативной объемной выборкой пациентов, адекватно выбранной

методологией и корректным применением статистических методов анализа данных. Общее число наблюдений (204 пациента) обеспечивает достаточную статистическую мощность для выявления закономерностей и формулирования обоснованных выводов. Разделение пациентов на две сопоставимые группы (с традиционным подходом и с использованием ИИ/3D) позволило напрямую оценить эффект внедрения новых технологий, минимизируя влияние смешивающих факторов. Стандартизированные критерии

включения/невключения и единые протоколы лечения сводили к минимуму риск систематических ошибок. Все полученные данные подтверждаются современными литературными сведениями и воспроизводимы в различных подгруппах, что дополнительно свидетельствует о высокой степени достоверности результатов.

Тема диссертационного исследования утверждена на заседании совета хирургического факультета РМАНПО (протокол №10 от 18 октября 2022 года). Диссертационное исследование одобрено этическим комитетом ФГБОУ ДПО РМАНПО Минздрава России (протокол № 15 от 11 октября 2022 г.). Проверка первичной документации проведена в установленном порядке (акт проверки первичной документации от 26.06.2025). Апробация работы проведена в установленном порядке (Протокол апробации №13 от 04.07.2025).

Соблюдение единых критериев включения и исключения, а также стандартизация протоколов диагностики, визуализации и оперативного лечения позволили минимизировать систематические ошибки. Все клинические данные были извлечены из первичной медицинской документации и верифицированы, что обеспечило высокую достоверность исходных сведений. Статистический анализ проводился с использованием общепринятых методов, включающих ^критерий Стьюдента, критерий Манна-Уитни, %2-критерий, точный критерий Фишера и другие, в зависимости от распределения данных. Уровень статистической значимости принят на уровне р <0,05. Обработка данных производилась с использованием пакетов

IBM SPSS Statistics и Microsoft Excel, что обеспечивает точность вычислений и прозрачность аналитических процедур.

Дополнительной гарантией достоверности служит согласованность полученных результатов с современными литературными данными и их внутренняя воспроизводимость в различных подгруппах пациентов. Устойчивые различия между группами по ключевым параметрам, выявленные в ходе анализа, подтверждают достоверность установленных закономерностей и обоснованность заключений о влиянии применения технологий искусственного интеллекта и BD-моделирования на диагностику и лечение новообразований печени.

Внедрение результатов диссертационной работы

Результаты настоящего исследования внедрены и активно применяются в отделении гепатопанкреатобилиарной хирургии № 50 и онкохирургическом отделении № 73 ММНКЦ им. С.П. Боткина Департамента здравоохранения г. Москвы (акт внедрения от 18.06.2025 года).

Данные, полученные в результате выполнения диссертационного исследования, используются в учебной работе кафедры хирургии ФГБОУ ДПО РМАНПО Минздрава России (акт внедрения от 01.07.2025 года). Результаты диссертации включены в лекционный курс "Хирургия", «Хирургия органов брюшной полости» основной профессиональной образовательной программы высшего образования - подготовка кадров высшей квалификации в ординатуре по специальности «Хирургия»; в учебные планы циклов профессиональной переподготовки специалистов и циклов повышения квалификации врачей по направлению «Хирургия».

Личный вклад автора

Личный вклад автора заключается в непосредственном участии на всех этапах выполнения диссертационного исследования - от разработки научной

концепции и формулировки целей до практической реализации методик и анализа полученных данных. Автором самостоятельно проведён анализ современного состояния проблемы диагностики и хирургического лечения объемных образований печени, в том числе с акцентом на применение технологий искусственного интеллекта и трёхмерного моделирования.

Автор принял активное участие в формировании и курировании ретроспективной и проспективной групп наблюдений, а также в сборе клинического, лабораторного и визуализационного материала. Под непосредственным участием автора осуществлялась разметка данных мультиспиральной компьютерной томографии, необходимая для обучения нейросетевой модели HepatoScan А1. Автор принимал участие в разработке и валидации алгоритма 3D-моделирования печени, обеспечивая адаптацию технологии к условиям клинической практики.

Автором проводился сравнительный анализ диагностических подходов и хирургических исходов между группами с различной степенью применения цифровых технологий, осуществлялась статистическая обработка данных, формулировка выводов и подготовка практических рекомендаций. Также автор принимал участие в разработке клинико-технологического протокола, внедрение которого позволило интегрировать результаты исследования в повседневную работу отделения гепатопанкреатобилиарной хирургии № 50 ММНКЦ им. С.П. Боткина.

Все представленные в работе результаты, выводы и положения являются итогом личного труда автора и отражают его непосредственный вклад в развитие современных методов диагностики и персонализированного хирургического лечения заболеваний печени.

Соответствие диссертации паспорту научной специальности

Диссертация «Диагностика и выбор тактики хирургического лечения пациентов с объемными образованиями печени с использованием технологии нейронных сетей и трехмерного моделирования» соответствует формуле специальности 3.1.9. Хирургия и областям исследования: п.2 «Разработка и усовершенствование методов диагностики и предупреждения хирургических заболеваний»;

п.4 «Экспериментальная и клиническая разработка методов лечения хирургических болезней и их внедрение в клиническую практику».

Публикации

По материалам диссертации подготовлено 4 печатные работы, все они опубликованы в научных рецензированных изданиях, рекомендованных ВАК РФ. Так же получено два свидетельства о регистрации баз данных: "МовМеёВа1а: КТ с наличием и отсутствием признаков образований печени и их сегментацией", 3D модели печени и внутрипеченочных сосудистых структур с новообразованиями, один патент «Способ оценки фактического анатомического объема остаточной паренхимы печени перед обширными резекциями печени с использованием технологии компьютерного зрения» и одно свидетельство о регистрации программы для ЭВМ «MosMedSoft: СТ HepatoScan А1».

Доклады

Результаты работы представлены на следующих конференциях и конгрессах:

1. Второй всероссийский междисциплинарный конгресс по непрерывному профессиональному образованию работников здравоохранения. ЗОНТ. Здоровье. Образование. Наука. Технологии. Доклад на тему: Возможности искусственного интеллекта в диагностике новообразований печени. г. Москва

2. II ежегодная стратегическая сессия «Неделя Науки». Доклад на тему: Программа идентификации и дополненной визуализации объемных образований печени с использованием искусственного интеллекта. г. Москва

3. "Первый опыт применения методов машинного обучения в планировании обширных резекций печени" 7-ой научно-практической конференции «Инновационные технологии в оказании экстренной и плановой медицинской помощи». г. Москва

4. "Место искусственного интеллекта в гепатопанкреатобилиарной хирургии" Научно-практическая конференция «Развитие научно-медицинского потенциала: сотрудничество, образование, технологии. г. Москва

5. "Роль искусственного интеллекта и 3D моделирования в определении хирургической тактики при новообразованиях печени". г. Москва.

6. "Первый опыт применения методов машинного обучения в планировании резекций печени в ММНКЦ им. С.П.Боткина". XXXI. Международный конгресс. Ассоциации гепатопанкреатобилиарных хирургов стран СНГ. г. Казань.

7. Доклад на тему: "Роль искусственного интеллекта в диагностике новообразований печени". XXXI. Форума онкологов Сибири и Дальнего Востока, 13-14 марта 2025 г., г. Новокузнецк

8. IV Всероссийская конференция молодых учёных "Современные тренды в хирургии и лучевой диагностике" памяти академика РАН Г.Г. Кармазановского. г. Москва

"Применение искусственного интеллекта и технологии предоперационного ЭЭ-моделирования в планировании расширенных резекций печени".

9. Искусственный интеллект в предоперационном моделировании и определении тактики лечения у пациентов с опухолями печени. Московский онкологический форум 2025. г. Москва

10. Возможности технологий искусственного интеллекта в дифференциальной диагностике новообразований печени. 1 международный онкологический форум Боткинская вена 2025.

11. Диагностика и предоперационное моделирование у пациентов с опухолевым поражением печени с использованием технологии искусственного интеллекта. 8 международный форум онкологии и радиотерапии FORLIFE / Ради жизни, 18 сентября 2025 г.

12. Диагностика предоперационное и моделирование у пациентов с

опухолевым поражением печени с использованием технологии искусственного интеллекта. XXXII Международный Конгресс Ассоциации гепатопанкреатобилиарных хирургов стран СНГ «АКТУАЛЬНЫЕ ПРОБЛЕМЫ ГЕПАТОПАНКРЕАТОБИЛИАРНОЙ ХИРУРГИИ 24 сентября 2025 года.

Объем и структура работы

Диссертация изложена на 148 страницах машинописи и иллюстрирована 28 таблицами, 17 рисунками. Состоит из введения, обзора литературы, описания клинического материала и методов исследования, главы с изложением результатов собственных исследований, обсуждения полученных результатов и заключения, выводов, практических рекомендаций и списка использованной литературы, включающего в себя 112 источников из них 7 отечественных работ.

ГЛАВА 1. ЛИТЕРАТУРНЫЙ ОБЗОР

1.1 История и эволюция автоматических систем анализа медицинских изображений

Автоматизированные системы анализа медицинских изображений, также известные как системы поддержки принятия врачебных решений (СППВР) или CAD (Computer-Aided Diagnosis), за последние десятилетия претерпели впечатляющую эволюцию [4]. От первых попыток в 1960-х годах научить компьютеры распознавать патологии на рентгенограммах до современных глубоких нейронных сетей, способных с высокой точностью обнаруживать и классифицировать опухоли печени, развитие этих систем шло рука об руку с прогрессом вычислительной техники и методов искусственного интеллекта [23]. Ниже рассматриваются ключевые этапы этого развития, переход от классических методов машинного обучения к глубокому обучению, сравнение эффективности старых и новых подходов, эволюция методов интерпретации изображений, а также текущие проблемы и ограничения.

1.1.1 История развития автоматических систем анализа медицинских изображений

Пионерские исследования в области автоматизированного анализа медицинских изображений доказали принципиальную возможность использования вычислительных алгоритмов для интерпретации рентгенограмм. Одной из ранних работ в этой области является статья 1963 г., в которой Lodwick и соавт. описали метод кодирования рентгенологических изображений грудной клетки для компьютерного анализа с целью диагностики рака легких [58]. В 1967 году Winsberg и соавт. впервые показали возможность автоматизированного анализа маммограмм: они преобразовали пленочные рентгенограммы молочных желез в цифровую форму с помощью оптического сканирования и разработали компьютерный алгоритм для выявления аномалий, что фактически стало первой реализацией CAD-подхода

в маммографии и заложило основу для последующих исследований в области автоматизированного анализа медицинских изображений [90]. Аналогичные эксперименты проводились с рентгенограммами грудной клетки и молочной железы в конце 1960-х - начале 1970-х годах [12; 67; 83; 90]. Однако развитие ранних систем автоматизированного анализа медицинских изображений существенно сдерживалось техническими ограничениями своей эпохи — прежде всего ограниченной вычислительной мощностью электронных вычислительных машин и трудоёмкой, низкокачественной оцифровкой плёнок. Эти факторы препятствовали применению более сложных алгоритмов обработки изображений и масштабному анализу клинических данных при работе с первыми CAD-системами [29]. Системы автоматизированного анализа медицинских изображений раннего периода были далеко от зрелых клинических решений. Они ориентировались на попытки полностью автоматической интерпретации снимков, но из-за ограниченной точности алгоритмов, технических ограничений и отсутствия концепции эффективного взаимодействия с врачом не обеспечивали надёжности, сопоставимой с диагностической экспертизой специалиста [29; 51-53].

Список литературы диссертационного исследования кандидат наук Аладин Марк Николаевич, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Пасынков Д. В. Как они работают и каково их место в клинической практике? (Обзор иностранной литературы) / Д. В. Пасынков, Р. Ш. Хасанов, М. Г. Тухбатуллин, С. Н. Меринов

2. А.Б. Лукьянченко. Внутрипеченочная холангиокарцинома / А.Б. Лукьянченко, Б.М. Медведева, М.А. Шабанов [и др.]. - 2015

3. Ковалев В. Распознавание опухолей на ультразвуковых изображениях печени с использованием решающих правил / В. Ковалев. - 2016. - Т. 50.

- С. 59-70

4. М.В. Спринджук. Компьютер-ассистированная диагностика узловых образований в легких: (обзор литературы) / М.В. Спринджук, В.А. Ковалев, Э.В. Снежко [и др.]. - 2010

5. Солодский В. А. Современные системы поддержки принятия врачебных решений на базе искусственного интеллекта для анализа цифровых маммографических изображений. / В. А. Солодский, А. Д. Каприн, Н. В. Нуднов [и др.] // Вестник рентгенологии и радиологии. - 2023. - Т. 104.

- № 2. - С. 151-162

6. Субочев С.В. Нерешенные вопросы и клиническое значение сегментации и волюметрии печени / Субочев С.В., Супильников А.А. -Т. 2025;33(2):944

7. Шабунин А.В., Бедин В.В., Тавобилов М.М., Карпов А.А., Лебедев С.С., Аладин М.Н. Профилактика острой пострезекционной печеночной недостаточности у больных эхинококковом печени. / Шабунин А.В., Бедин В.В., Тавобилов М.М., Карпов А.А., Лебедев С.С., Аладин М.Н. -2021. - № 4. - С. 15-22

8. Abe H. Computer-aided diagnosis in chest radiology / H. Abe, H. MacMahon, J. Shiraishi [и др.] // Seminars in Ultrasound, CT and MRI. - 2004. - Т. 25.

- № 5. - С. 432-437

9. Adloff M. Hepatic Metastasis from Colorectal Cancer / M. Adloff, J. P. Arnaud, Y. Thebault [и др.] // Euroasian Journal of Hepato-Gastroenterology.

- 2017. - Т. 7. - № 2. - С. 166

10.Allemani C. Global surveillance of cancer survival 1995-2009: Analysis of individual data for 25 676 887 patients from 279 population-based registries in 67 countries (CONCORD-2) / C. Allemani, H. K. Weir, H. Carreira [и др.] // The Lancet. - 2015. - Т. 385. - № 9972. - С. 977-1010

11.Ayalew Y. A. Modified U-Net for liver cancer segmentation from computed tomography images with a new class balancing method / Y. A. Ayalew, K. A.

Fante, M. A. Mohammed // BMC Biomedical Engineering. - 2021. - T. 3. -№ 1

12.Bannon F. Survival trends for primary liver cancer, 1995-2009: analysis of individual data for 578,740 patients from 187 population-based registries in 36 countries (CONCORD-2) / F. Bannon, V. D. Carlo, R. Harewood [h gp.] // Annals of Cancer Epidemiology. - 2019. - T. 3. - № 0. - C. 6-6

13.Becker H. C. Digital Computer Determination of a Medical Diagnostic Index Directly from Chest X-Ray Images / H. C. Becker, W. J. Nettleton, P. H. Meyers [h gp.] // IEEE Transactions on Biomedical Engineering. - 1964. -T. BME-11. - № 3. - C. 67-72

14.Bijlstra O. D. Integration of Three-Dimensional Liver Models in a Multimodal Image-Guided Robotic Liver Surgery Cockpit / O. D. Bijlstra, A. Broersen, T. T. M. Oosterveer [h gp.] // Life. - 2022. - T. 12. - № 5

15.Bonatti M. I thought it was a hemangioma! A pictorial essay about common and uncommon liver hemangiomas' mimickers / M. Bonatti, R. Valletta, V. Corato [h gp.] // Insights into Imaging. - 2024. - T. 15. - № 1. - C. 1-15

16.Cao S.-E. Multiphase convolutional dense network for the classification of focal liver lesions on dynamic contrast-enhanced computed tomography / S.-E. Cao, L.-Q. Zhang, S.-C. Kuang [h gp.] // World Journal of Gastroenterology. - 2020. - T. 26. - № 25. - C. 3660-3672

17.Chan H.-P. Image feature analysis and computer-aided diagnosis in digital radiography. I. Automated detection of microcalcifications in mammography / H.-P. Chan, K. Doi, S. Galhotra [h gp.] // Medical Physics. - 1987. - T. 14.

- № 4. - C. 538-548

18.CHAN H.-P. Improvement in Radiologists?? Detection of Clustered Microcalcifications on Mammograms / H.-P. CHAN, K. DOI, C. J. VYBRONY [h gp.] // Investigative Radiology. - 1990. - T. 25. - № 10. -C. 1102-1110

19.Applicability of multidimensional convolutional neural networks on automated detection of diverse focal liver lesions in multiphase CT images / Q. Chen, Y. Zhu, Y. Chen [h gp.] // Medical Physics. - 2023. - T. 50. - № 5.

- C. 2872-2883

20.Chen T. A computer-aided diagnosis system for brain tumors based on artificial intelligence algorithms / T. Chen, L. Hu, Q. Lu [h gp.] // Frontiers in Neuroscience. - 2023. - T. 17. - C. 1120781

21.Das A. Deep learning based liver cancer detection using watershed transform and Gaussian mixture model techniques / A. Das, U. R. Acharya, S. S. Panda, S. Sabut // Cognitive Systems Research. - 2019. - T. 54. - C. 165-175

22.Debarba H. G. Efficient liver surgery planning in 3D based on functional segment classification and volumetric information / H. G. Debarba, D. J. Zanchet, D. Fracaro [h gp.] // 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC'10. - 2010. -C. 4797-4800

23.Ding W. Contrast-enhanced ultrasound-based AI model for multi-classification of focal liver lesions / W. Ding, Y. Meng, J. Ma [h gp.] // Journal of Hepatology. - 2025

24.Doi K. Current status and future potential of computer-aided diagnosis in medical imaging / K. Doi // The British Journal of Radiology. - 2005. - T. 78.

- № suppl_1. - C. s3-s19

25.Duran M. Short-term outcomes of robotic liver resection: An initial singleinstitution experience. / M. Duran, J. Briceno, A. Padial [h gp.] // World journal of hepatology. - 2022. - T. 14. - № 1. - C. 224-233

26.Engstrand J. Colorectal cancer liver metastases - a population-based study on incidence, management and survival / J. Engstrand, H. Nilsson, C. Stromberg [h gp.] // BMC Cancer. - 2018. - T. 18. - № 1. - C. 78

27.Erickson B. J. Computer-Aided Detection and Diagnosis at the Start of the Third Millennium / B. J. Erickson, B. Bartholmai // Journal of Digital Imaging. - 2002. - T. 15. - № 2. - C. 59-68

28.Fang C. Consensus recommendations of three-dimensional visualization for diagnosis and management of liver diseases / C. Fang, J. An, A. Bruno [h gp.] // Hepatology International. - 2020. - T. 14. - № 4. - C. 437-453

29.Gao F. A feature transfer enabled multi-task deep learning model on medical imaging / F. Gao, H. Yoon, T. Wu, X. Chu // Expert Systems with Applications. - 2020. - T. 143. - C. 112957

30.Giger M. L. Anniversary Paper: History and status of CAD and quantitative image analysis: The role of Medical Physics and AAPM / M. L. Giger, H.-P. Chan, J. Boone // Medical Physics. - 2008. - T. 35. - № 12. - C. 5799-5820

31.Giger M. L. Computerized analysis of images in the detection and diagnosis of breast cancer / M. L. Giger // Seminars in Ultrasound, CT and MRI. - 2004.

- T. 25. - № 5. - C. 411-418

32.Giger M. L. Image feature analysis and computer-aided diagnosis in digital radiography. 3. Automated detection of nodules in peripheral lung fields / M.

L. Giger, K. Doi, H. MacMahon // Medical Physics. - 1988. - T. 15. - № 2.

- C. 158-166

33.Giger M. L. Pulmonary nodules: computer-aided detection in digital chest images. / M. L. Giger, K. Doi, H. MacMahon [h gp.] // RadioGraphics. - 1990.

- T. 10. - № 1. - C. 41-51

34.Graeter T. Intrahepatic manifestation and distant extrahepatic disease in alveolar echinococcosis: a multicenter cohort study / T. Graeter, R. Shi, H. Bao [h gp.] // Acta Radiologica. - 2021. - T. 62. - № 8. - C. 997-1005

35.He K. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2015. - C. 770-778

36.Horvat N. State of the art in magnetic resonance imaging of hepatocellular carcinoma / N. Horvat, S. Monti, B. C. Oliveira [h gp.] // Radiology and Oncology. - 2018. - T. 52. - № 4. - C. 353-364

37.Hsieh S. S. Understanding Reader Variability: A 25-Radiologist Study on Liver Metastasis Detection at CT / S. S. Hsieh, D. A. Cook, A. Inoue [h gp.] // Radiology. - 2023. - T. 306. - № 2

38.Huang Q. Fully automatic liver segmentation in CT images using modified graph cuts and feature detection / Q. Huang, H. Ding, X. Wang, G. Wang // Computers in Biology and Medicine. - 2018. - T. 95. - C. 198-208

39.Huber T. Patient-individualized resection planning in liver surgery using 3D print and virtual reality (i-LiVR)—a study protocol for a prospective randomized controlled trial / T. Huber, L. I. Hanke, C. Boedecker [h gp.] // Trials. - 2022. - T. 23. - № 1. - C. 403

40.Huber T. Computer-assisted intraoperative 3D-navigation for liver surgery: a prospective randomized-controlled pilot study / T. Huber, V. Tripke, J. Baumgart [h gp.] // Annals of Translational Medicine. - 2023. - T. 11. -Computer-assisted intraoperative 3D-navigation for liver surgery. - № 10. -C. 346-346

41.Huisman F. Liver related complications in unresectable disease after portal vein embolization / F. Huisman, K. P. Cieslak, K. P. van Lienden [h gp.] // Hepatobiliary Surgery and Nutrition. - 2017. - T. 6. - № 6. - C. 37986-37386

42.Jansen M. J. A. Liver segmentation and metastases detection in MR images using convolutional neural networks / M. J. A. Jansen, H. J. Kuijf, M. Niekel [h gp.]. - 2019

43.Jiang J. Clinical efficacy and safety of 3D vascular reconstruction combined with 3D navigation in laparoscopic hepatectomy: systematic review and meta-

analysis / J. Jiang, L. Pei, R. Jiang // Journal of Gastrointestinal Oncology. -2022. - T. 13. - Clinical efficacy and safety of 3D vascular reconstruction combined with 3D navigation in laparoscopic hepatectomy. - № 3. - C. 12151223

44.Kacala A. Hepatic Hemangioma: Review of Imaging and Therapeutic Strategies / A. Kacala, M. Dorochowicz, I. Matus [h gp.] // Medicina. - 2024. - T. 60. - № 3. - C. 449

45.Kalantar R. Non-contrast CT synthesis using patch-based cycle-consistent generative adversarial network (Cycle-GAN) for radiomics and deep learning in the era of COVID-19 / R. Kalantar, S. Hindocha, B. Hunter [h gp.] // Scientific Reports. - 2023. - T. 13. - № 1. - C. 10568

46.Khan R. A. Multi-level GAN based enhanced CT scans for liver cancer diagnosis / R. A. Khan, Y. Luo, F.-X. Wu // Biomedical Signal Processing and Control. - 2023. - T. 81. - C. 104450

47.Kim J. V. Focal Nodular Hyperplasia: A Comprehensive Review with a Particular Focus on Pathogenesis and Complications / J. V. Kim, G. Y. Wu // http://www.xiahepublishing.com/. - 2024. - T. 12. - № 2. - C. 182-190

48.Krajewski K. M. Intra- and Interobserver Variability in CT Size and Attenuation Measurements in Renal Cell Carcinoma Patients on Anti-Angiogenic Therapy: Implications for Alternative Response Criteria / K. M. Krajewski, M. Nishino, Y. Franchetti [h gp.] // Cancer. - 2013. - T. 120. -№ 5. - C. 711

49.Krizhevsky A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. Hinton // Neural Information Processing Systems. - 2012. - T. 25

50.Kuhn T. N. Artificial Intelligence-Driven Patient Selection for Preoperative Portal Vein Embolization for Patients with Colorectal Cancer Liver Metastases / T. N. Kuhn, W. D. Engelhardt, V. H. Kahl [h gp.] // Journal of Vascular and Interventional Radiology. - 2025. - T. 36. - № 3

51.Kulkarni S. S. A Validation Study of Liver Volumetry Estimation in Patients Undergoing Hepatic Resections Kulkarni et al / S. S. Kulkarni, N. S. Shetty, K. B. Gala [h gp.] // Journal of Clinical Interventional Radiology ISVIR. -2020. - T. 4. - № 3. - C. 154-158

52.Kundel H. L. Lesion conspicuity, structured noise, and film reader error / H. L. Kundel, G. Revesz // American Journal of Roentgenology. - 1976. -T. 126. - № 6. - C. 1233-1238

53.Kundel H. L. The Image and Its Influence on Quantitative Radiological Data / H. L. Kundel, G. Revesz, M. C. Ziskin, F. J. Shea // Investigative Radiology.

- 1972. - T. 7. - № 4. - C. 187-198

54.Kundel H. L. The Influence of Prior Knowledge on Visual Search Strategies During the Viewing of Chest Radioqraphs / H. L. Kundel, D. J. Wright // Radiology. - 1969. - T. 93. - № 2. - C. 315-320

55.Li F. Segmentation of human aorta using 3D nnU-net-oriented deep learning / F. Li, L. Sun, K.-Y. Lam [h gp.] // Review of Scientific Instruments. - 2022.

- T. 93. - № 11

56.Li J. Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives / J. Li, J. Chen, Y. Tang [h gp.] // Medical image analysis. - 2023. - T. 85. - C. 102762

57.Lin H. Gaussian filter facilitated deep learning-based architecture for accurate and efficient liver tumor segmentation for radiation therapy / H. Lin, M. Zhao, L. Zhu [h gp.] // Frontiers in Oncology. - 2024. - T. 14. - C. 1423774

58.Ling Y. Automatic volumetric diagnosis of hepatocellular carcinoma based on four-phase CT scans with minimum extra information / Y. Ling, S. Ying, L. Xu [h gp.] // Frontiers in Oncology. - 2022. - T. 12

59.Lodwick G. S. The Coding of Roentgen Images for Computer Analysis as Applied to Lung Cancer / G. S. Lodwick, T. E. Keats, J. P. Dorst // Radiology.

- 1963. - T. 81. - № 2. - C. 185-200

60.Long J. Fully Convolutional Networks for Semantic Segmentation / J. Long, E. Shelhamer, T. Darrell. - 2014

61.Lou M. SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging / M. Lou, H. Ying, X. Liu [h gp.]. - 2024

62.Luo Y. Preliminary study on detection and diagnosis of focal liver lesions based on a deep learning model using multimodal PET/CT images / Y. Luo, Q. Yang, J. Hu [h gp.] // European Journal of Radiology Open. - 2025. - T. 14

63.Lyu J. Generative Adversarial Network-based Noncontrast CT Angiography for Aorta and Carotid Arteries / J. Lyu, Y. Fu, M. Yang [h gp.] // Radiology.

- 2023. - T. 309. - № 2

64.Manfredi S. Epidemiology and Management of Liver Metastases From Colorectal Cancer / S. Manfredi, C. Lepage, C. Hatem [h gp.] // Annals of Surgery. - 2006. - T. 244. - № 2. - C. 254

65.Martin J. Colorectal liver metastases: Current management and future perspectives / J. Martin, A. Petrillo, E. C. Smyth [h gp.] // World Journal of Clinical Oncology. - 2020. - T. 11. - № 10. - C. 761

66.Meine H. Comparison of U-net-based Convolutional Neural Networks for Liver Segmentation in CT / H. Meine, G. Chlebus, M. Ghafoorian [h gp.]. -2018

67.Meyers P. H. Automated Computer Analysis of Radiographic Images / P. H. Meyers, C. M. Nice, H. C. Becker [h gp.] // Radiology. - 1964. - T. 83. -№ 6. - C. 1029-1034

68.Midia M. Predictors of bleeding complications following percutaneous image-guided liver biopsy: a scoping review / M. Midia, O. Devang, A. Shuster [h gp.] // Diagnostic and Interventional Radiology. - 2019. - T. 25. -№ 1. - C. 71-80

69.Padmanabhan C. Surgical Management of Colorectal Cancer Liver Metastases / C. Padmanabhan, D. P. Nussbaum, M. D'Angelica // Hematology/oncology clinics of North America. - 2025. - T. 39. - № 1. -C. 1-24

70.Perra T. Personalized Surgical Planning in Liver Surgery Using Virtual 3D-Models / T. Perra, A. Porcu // Lecture Notes in Networks and Systems. - 2023. - T. 725 LNNS. - C. 695-704

71.Philipp Fischer T. B. O. R. U-Net: Convolutional Networks for Biomedical Image Segmentation / T. B. O. R. Philipp Fischer. - University of Freiburg, 2015.

72.Piccus R. Significance of predicted future liver remnant volume on liver failure risk after major hepatectomy: a case matched comparative study / R. Piccus, K. Joshi, J. Hodson [h gp.] // Frontiers in Surgery. - 2023. - T. 10. -Significance of predicted future liver remnant volume on liver failure risk after major hepatectomy. - C. 1174024

73.Rassam F. Functional and volumetric assessment of liver segments after portal vein embolization: Differences in hypertrophy response / F. Rassam, P. B. Olthof, K. P. van Lienden [h gp.] // Surgery (United States). - 2019. -T. 165. - № 4. - C. 686-695

74.Russakovsky O. ImageNet Large Scale Visual Recognition Challenge / O. Russakovsky, J. Deng, H. Su [h gp.] // International Journal of Computer Vision. - 2014. - T. 115. - C. 211-252

75.Sakib S. M. N. Evaluation of Three-Dimensional Reconstruction Technology in Precision Hepatectomy for Primary Liver Cancer / S. M. N. Sakib // Formosan Journal of Surgery. - 2024

76.Santambrogio R. Planning the treatment: Preoperative 3D reconstruction / R. Santambrogio, M. Vertemati, E. Picardi, M. A. Zappa // Laparoscopic Surgery. - 2022. - T. 6. - № 0

77.Shiraishi J. Computer-aided diagnosis for the classification of focal liver lesions by use of contrast-enhanced ultrasonography / J. Shiraishi, K. Sugimoto, F. Moriyasu [h gp.] // Medical Physics. - 2008. - T. 35. - № 5. -C. 1734-1746

78.Simonyan K. Very Deep Convolutional Networks for Large-Scale Image Recognition / K. Simonyan, A. Zisserman. - 2014

79.Summers R. M. Road Maps for Advancement of Radiologic Computer-aided Detection in the 21st Century / R. M. Summers // Radiology. - 2003. - T. 229. - № 1. - C. 11-13

80.Sung Y. S. Radiomics and deep learning in liver diseases / Y. S. Sung, B. Park, H. J. Park, S. S. Lee // Journal of Gastroenterology and Hepatology (Australia). - 2021. - T. 36. - № 3. - C. 561-568

81.Szegedy C. Going Deeper with Convolutions / C. Szegedy, W. Liu, Y. Jia [h gp.]. - 2014

82.Tian F. Three-dimensional morphometric analysis for hepatectomy of centrally located hepatocellular carcinoma: A pilot study / F. Tian, J. X. Wu, W. Q. Rong [h gp.] // World Journal of Gastroenterology. - 2015. - T. 21. -№ 15. - C. 4607-4619

83.Toriwaki J.-I. Pattern recognition of chest X-ray images / J.-I. Toriwaki, Y. Suenaga, T. Negoro, T. Fukumura // Computer Graphics and Image Processing. - 1973. - T. 2. - № 3-4. - C. 252-271

84.Vicente E. Can 3D imaging modeling recognize functional tissue and predict liver failure? A retrospective study based on 3D modelling of the major hepatectomies after hepatic modulation / E. Vicente, Y. Quijano, H. Duran [h gp.] // BMC Surgery. - 2023. - T. 23. - № 1. - C. 1-12

85.Wahba R. Clinical use of augmented reality, mixed reality, three-dimensional-navigation and artificial intelligence in liver surgery / R. Wahba, M. N. Thomas, A. C. Bunck [h gp.] // Artificial Intelligence in Gastroenterology. - 2021. - T. 2. - № 4. - C. 94-104

86.Wang M. Development of an AI system for accurately diagnose hepatocellular carcinoma from computed tomography imaging data / M.

Wang, F. Fu, B. Zheng [h gp.] // British Journal of Cancer. - 2021. - T. 125. - № 8. - C. 1111-1121

87.Wang X. TransLiver: A Hybrid Transformer Model for Multi-phase Liver Lesion Classification / X. Wang, H. Ying, X. Xu [h gp.]. - 2023. - C. 329338

88.Wang Y. Radiomics and Radiogenomics in Evaluation of Colorectal Cancer Liver Metastasis. T. 11 / Y. Wang, L. Y. Ma, X. P. Yin, B. L. Gao. - Frontiers Media S.A., 2022.

89.Wendler A. T. Artificial Intelligence-powered automatic volume calculation in medical images-available tools, performance and challenges for nuclear medicine Automatische Volumenberechnung mithilfe künstlicher Intelligenz in der medizinischen Bildgebung-verfügbare Werkzeuge, Performance und Herausforderungen für die Nuklearmedizin / A. T. Wendler, M. C. Kreissl, B. Schemmer [h gp.] // Bibliography Nuklearmedizin. - 2023. - T. 62. - C. 343353

90.Winsberg F. Detection of Radiographic Abnormalities in Mammograms by Means of Optical Scanning and Computer Analysis / F. Winsberg, M. Elkin, J. Macy [h gp.] // Radiology. - 1967. - T. 89. - № 2. - C. 211-215

91.Wu L. Beyond radiologist-level liver lesion detection on multi-phase contrast-enhanced CT images by deep learning / L. Wu, H. Wang, Y. Chen [h gp.] // iScience. - 2023. - T. 26. - № 11. - C. 108183

92.Wu Z. Coarse-to-Fine Lung Nodule Segmentation in CT Images With Image Enhancement and Dual-Branch Network / Z. Wu, Q. Zhou, F. Wang // IEEE Access. - 2021. - T. 9. - C. 7255-7262

93.Yasaka K. Deep Learning with Convolutional Neural Network for Differentiation of Liver Masses at Dynamic Contrast-enhanced CT: A Preliminary Study / K. Yasaka, H. Akai, O. Abe, S. Kiryu // Radiology. -2018. - T. 286. - № 3. - C. 887-896Ying H. A multicenter clinical AI system study for detection and diagnosis of focal liver lesions / H. Ying, X. Liu, M. Zhang [h gp.] // Nature Communications. - 2024. - T. 15. - № 1. - C. 1131

94.Zhai X. Scaling Vision Transformers / X. Zhai, A. Kolesnikov, N. Houlsby, L. Beyer. - 2021

95.Zhou J. Automatic Detection and Classification of Focal Liver Lesions Based on Deep Convolutional Neural Networks: A Preliminary Study / J. Zhou, W. Wang, B. Lei [h gp.] // Frontiers in Oncology. - 2021. - T. 10

96.Zigutyte L. Use of Artificial Intelligence for Liver Diseases: A Survey from the EASL Congress 2024 / L. Zigutyte, T. Sorz-Nechay, J. Clusmann, J. N. Kather // JHEP Reports. - 2024. - T. 6. - № 12. - C. 101209

97.Asenbaum U. Post-hepatectomy liver failure after major hepatic surgery: not only size matters / U. Asenbaum, K. Kaczirek, A. Ba-Ssalamah [h gp.] // European Radiology. - 2018. - T. 28. - Post-hepatectomy liver failure after major hepatic surgery. - № 11. - C. 4748-4756

98.Banchini F. 3-D reconstruction in liver surgery: a systematic review / F. Banchini, P. Capelli, A. Hasnaoui [h gp.] // HPB. - 2024. - T. 26. - 3-D reconstruction in liver surgery. - № 10. - C. 1205-1215

99.Bilic P. The Liver Tumor Segmentation Benchmark (LiTS) / P. Bilic, P. Christ, H. B. Li [h gp.] // Medical Image Analysis. - 2023. - T. 84. -C. 102680

100. Ce M. Decoding Radiomics: A Step-by-Step Guide to Machine Learning Workflow in Hand-Crafted and Deep Learning Radiomics Studies / M. Ce, M. D. Chiriac, A. Cozzi [h gp.] // Diagnostics. - 2024. - T. 14. -Decoding Radiomics. - № 22. - C. 2473

101. Chapelle T. Future remnant liver function estimated by combining liver volumetry on magnetic resonance imaging with total liver function on 99mTc-mebrofenin hepatobiliary scintigraphy: can this tool predict post-hepatectomy liver failure? / T. Chapelle, B. Op De Beeck, I. Huyghe [h gp.] // HPB. - 2016. - T. 18. - Future remnant liver function estimated by combining liver volumetry on magnetic resonance imaging with total liver function on 99mTc-mebrofenin hepatobiliary scintigraphy. - № 6. - C. 494-503

102. Kim K. Diagnostic Performance of Deep Learning-Based Lesion Detection Algorithm in CT for Detecting Hepatic Metastasis from Colorectal Cancer / K. Kim, S. Kim, K. Han [h gp.] // Korean Journal of Radiology. -2021. - T. 22. - № 6. - C. 912

103. Li L. Randomized comparison of AI enhanced 3D printing and traditional simulations in hepatobiliary surgery / L. Li, S. Cheng, J. Li [h gp.] // npj Digital Medicine. - 2025. - T. 8. - № 1. - C. 293

104. Maki H. Reproducibility and efficiency of liver volumetry using manual method and liver analysis software / H. Maki, Y. Nishioka, A. Haddad [h gp.] // HPB. - 2024. - T. 26. - № 7. - C. 911-918

105. Montalti R. Role of preoperative 3D rendering for minimally invasive parenchyma sparing liver resections / R. Montalti, G. Rompianesi, G. Cassese [h gp.] // HPB. - 2023. - T. 25. - № 8. - C. 915-923

106. Muralidhar G. S. Article Commentary: Computer-Aided Detection of Breast Cancer — Have All Bases Been Covered? / G. S. Muralidhar, T. M. Haygood, T. W. Stephens [h gp.] // Breast Cancer: Basic and Clinical Research. - 2008. - T. 2. - Article Commentary. - C. BCBCR.S785

107. Nakai H. Artificial intelligence-powered software detected more than half of the liver metastases overlooked by radiologists on contrast-enhanced CT / H. Nakai, R. Sakamoto, T. Kakigi [h gp.] // European Journal of Radiology. - 2023. - T. 163. - C. 110823

108. Pettit R. W. nnU-Net Deep Learning Method for Segmenting Parenchyma and Determining Liver Volume From Computed Tomography Images / R. W. Pettit, B. B. Marlatt, S. J. Corr [h gp.] // Annals of Surgery Open. - 2022. - T. 3. - № 2. - C. e155

109. Rumgay H. Global burden of primary liver cancer in 2020 and predictions to 2040 / H. Rumgay, M. Arnold, J. Ferlay [h gp.] // Journal of Hepatology. - 2022. - T. 77. - № 6. - C. 1598-1606

110. Sofue K. Evaluation and Prediction of Post-Hepatectomy Liver Failure Using Imaging Techniques: Value of Gadoxetic Acid-Enhanced Magnetic Resonance Imaging / K. Sofue, R. Shimada, E. Ueshima [h gp.] // Korean Journal of Radiology. - 2024. - T. 25. - Evaluation and Prediction of Post-Hepatectomy Liver Failure Using Imaging Techniques. - № 1. - C. 24

111. Zeng X. Impact of three-dimensional reconstruction visualization technology on short-term and long-term outcomes after hepatectomy in patients with hepatocellular carcinoma: a propensity-score-matched and inverse probability of treatment-weighted multicenter study / X. Zeng, H. Tao, Y. Dong [h gp.] // International Journal of Surgery. - 2024. - T. 110. - Impact of three-dimensional reconstruction visualization technology on short-term and long-term outcomes after hepatectomy in patients with hepatocellular carcinoma. - № 3. - C. 1663-1676

112. Zhen S.-H. Deep Learning for Accurate Diagnosis of Liver Tumor Based on Magnetic Resonance Imaging and Clinical Data / S.-H. Zhen, M. Cheng, Y.-B. Tao [h gp.] // Frontiers in Oncology. - 2020. - T. 10. - C. 680