Инновационные подходы к прижизненной патологоанатомической диагностике опухолей желудочно-кишечного тракта тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Карнаухов Николай Сергеевич

• Карнаухов Николай Сергеевич
• доктор наук
• 2025

Оглавление диссертации доктор наук Карнаухов Николай Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИИ В МОРФОЛОГИЧЕСКОЙ ДИАГНОСТИКЕ ОПУХОЛЕЙ (ОБЗОР ЛИТЕРАТУРЫ)

1.1. Характеристика алгоритмов ИИ

1.2. Особенности терминологии и классификации опухолей для возможности внедрения технологий с использованием ИИ

1.3. Особенности применения технологий с использованием ИИ в прижизненной патологоанатомической диагностике на современном этапе

1.4. Организация оцифровки гистологических препаратов и принципы разметки

1.5. Принципы организации внутреннего контроля качества в прижизненных патологоанатомических исследованиях

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ

2.1. Дизайн и общие сведения об исследовании

2.2. Характеристика классов разметки

2.3. Описание модели нейронной сети

2.4. Описание статистических методов

ГЛАВА 3. СОБСТВЕННЫЕ ИССЛЕДОВАНИЯ

3.1. Исследование биопсий желудка

3.1.1. Клинико-морфологическая характеристика обучающей выборки биопсий желудка

3.1.2. Анализ выживаемости, связь с клинико-патологическими параметрами

3.1.3. Результаты обучения алгоритма ИИ по биопсиям желудка

3.1.4. Клинико-морфологическая характеристика биопсий тестовой выборки желудка

3.1.5. Результат исследования ИИ по коду МКБ-10 в биопсиях желудка

3.1.6. Итоговый результат анализа точности диагностики ИИ и оценки межэкспертного согласия в биопсиях желудка

3.2. Исследование биопсий тонкой кишки

3.2.1. Клинико-морфологическая характеристика обучающей выборки биопсий тонкой кишки

3.2.2. Результаты обучения алгоритма ИИ по биопсиям тонкой кишки

3.2.3. Клинико-морфологическая характеристика биопсий тестовой выборки тонкой кишки

3.2.4. Результат исследования ИИ по коду МКБ-10 в биопсиях тонкой кишки

3.2.5. Итоговый результат анализа точности диагностики ИИ и оценки межэкспертного согласия в биопсиях тонкой кишки

3.3. Исследование биопсий толстой кишки

3.3.1. Клинико-морфологическая характеристика обучающей выборки биопсий толстой кишки

3.3.2. Результаты обучения алгоритма ИИ по биопсиям толстой кишки

3.3.3. Клинико-морфологическая характеристика биопсий тестовой выборки толстой кишки

3.3.4. Результат исследования ИИ по коду МКБ-10 в биопсиях толстой кишки258

3.3.5. Итоговый результат анализа точности диагностики ИИ и оценки межэкспертного согласия в биопсиях толстой кишки

3.4. Характеристика биопсий с нейроэндокринными опухолями гастроэнтеропанкреатической системы

3.4.1. Клинико-морфологическая характеристика обучающей выборки биопсий с НЭО

3.4.2. Результаты обучения алгоритма ИИ по определению нейроэндокринной дифференцировки

3.4.3. Клинико-морфологическая характеристика биопсий тестовой выборки с опухолями гастроэнтеропанкреатической системы

3.5. Рейтинговая система врачей-патологоанатомов

ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

ЗАКЛЮЧЕНИЕ

ВЫВОДЫ

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Диссертация посвящается светлой памяти моего учителя, профессора Дерижановой Ирины Сергеевны

Введение диссертации (часть автореферата) на тему «Инновационные подходы к прижизненной патологоанатомической диагностике опухолей желудочно-кишечного тракта»

ВВЕДЕНИЕ

Актуальность темы исследования. Онкологическая патология занимает первые строчки в структуре заболеваемости и смертности во всем мире. Опухоли желудочно-кишечного тракта (пищевод, желудок, тонкая кишка, ободочная и прямая кишка, поджелудочная железа), во многом благодаря развитию эндоскопических технологий, выявляются все чаще. В РФ за 2022 год распространенность злокачественный новообразований (ЗНО) пищевода составила 9,5 случаев, желудка -90,5, различных отделов кишечника - 290, а поджелудочной железы - 14,1 на 100 тысяч человек [32]. В мировой статистике распространенность ЗНО пищевода составляет 3,9 случаев, желудка - 6,9, различных отделов кишечника - 18,7, поджелудочной железы - 3 на 100 тысяч человек [84]. Заболеваемость раком тонкой кишки составляет 1,2-2,3 случая на 100 тысяч человек [59]. Истинная заболеваемость ЗНО тонкой кишки в России пока не известна [22].

Частота встречаемости ЗНО органов пищеварительного тракта достаточно высокая, но ожидается еще большее увеличение. По оценке Morgan E и соавторов, количество выявляемых ежегодно случаев колоректального рака вырастет до 3,2 млн. новых случаев и приведет к 1,6 млн. смертей в 2040 году [147].

Пропорционально росту онкологической заболеваемости растет и количество прижизненных патологоанатомических исследований в России и в мире. Наравне с увеличением количества исследований повышаются требования к их качеству. Для части опухолей уже недостаточно проведение только гистологического исследования, для подтверждения гистогенеза и определения предиктивных маркеров проводится

дополнительное иммуногистохимическое (ИГХ) и/или молекулярно-генетическое исследование. Кроме общего роста заболеваемости опухолей ЖКТ, отмечается также увеличение количества отдельных гистологических типов опухолей, таких как нейроэндокринные опухоли гастроэнтеропанкреатической системы (ГЭП НЭО), требующие проведения дополнительных ИГХ исследований для их подтверждения во всех случаях [216].

Прижизненное патологоанатомическое исследование биопсийного материала включает в себя несколько этапов: приемка, первичная сортировка, регистрация, макроскопическое описание, вырезка, проводка, заливка в парфин, микротомия, окраска, микроскопия, формирование заключения, подписание протокола исследования и передача протокола лечащему врачу и/или пациенту.

При исследовании доброкачественной и не опухолевой патологии врачи-патологоанатомы могут дать характеристику врожденным, реактивным, дегенеративным и воспалительным процессам. При исследовании предраковых и злокачественных заболеваний определяется тип опухоли, степень злокачественности и другие прогностические факторы, устанавливается морфологическая стадия, радикальность операции. При дополнительных ИГХ и/или молекулярно-генетических исследованиях выявляют терапевтические мишени и проводится анализ - может ли рак быть наследственным. Основываясь на всей этой информации, лечащие врачи могут определить оптимальное персонализированное лечение, а именно выбрать между хирургией, лучевой терапией или системной терапией (химиотерапия, эндокринная терапия, таргетная и иммунотерапия) [206].

Многоэтапность процесса, сложность и участие большого количества сотрудников привели к необходимости внедрения лабораторных информационных систем, а появление оборудования для оцифровки гистологических изображений - к появлению нового направления в патологической анатомии - цифровой патологии.

Благодаря цифровым технологиям в патологической анатомии возможно проводить более глубокий анализ различных морфологических параметров,

осуществлять контроль качества, просматривать оцифрованные гистологические препараты совместно или консультироваться на расстоянии, что в конечном счете приводит к совершенствованию исследований и повышению их достоверности.

Накопления цифровых архивов и растущий опыт в цифровой патологии открывает новые горизонты для внедрения систем с использованием искусственного интеллекта (ИИ).

Таким образом, лечение и прогноз онкологических заболеваний напрямую зависит от гистологических, ИГХ и молекулярно-генетических исследований. В связи с этим крайне актуальной задачей становится совершенствование подходов в морфологической диагностике, повышающих точность и сокращающих время на проведение исследования, а дефицит кадров диктует необходимость поиска новых решений в этом вопросе.

Степень разработанности темы исследования. Стремительное внедрение цифровой патологии значительно способствует разработке моделей ИИ в патологической анатомии, которые показывают впечатляющие перспективы в совершенствовании морфологической диагностики и количественной оценке различных параметров. В настоящее время происходит переломный момент, когда компании начинают выводить алгоритмы ИИ на рынок, но не все из решений должным образом проверены в ходе выполнения научных исследований. Стремление к цифровизации патологоанатомических отделений, обучение врачей-патологоанатомов пользоваться дополнительными возможностями и создание инструментов проверки результатов анализа ИИ должно привести к совершенствованию патологоанатомических исследований [206].

В публикациях обсуждается не только огромное количество плюсов цифровизации и применения ИИ в морфологической диагностике, но и минусов. Кроме стандартных вопросов модернизации морфологических исследований, появляются и новые вызовы, связанные с цифровизацией, а именно разработка

стандартных операционных процедур, контроль качества сканирования, обеспечение безопасности данных и т. д. [81, 140, 150].

Учитывая различные методики в окраске гистологических препаратов и роль человеческого фактора в их приготовлении, необходимо постоянно работать над стандартизацией исследований, разрабатывать и совершенствовать новые алгоритмы ИИ для решения практических задач [108].

В зарубежной литературе публикаций, посвященных алгоритмам ИИ и цифровой патологии, несмотря на огромный интерес все еще не так много, а в отечественной литературе и вовсе встречаются лишь единичные статьи. Диссертационные исследования, посвященные этой проблеме, пока отсутствуют.

Цель исследования: усовершенствовать морфологическую диагностику эпителиальных опухолей желудочно-кишечного тракта при помощи технологий искусственного интеллекта.

Задачи исследования:

1. Провести разметку оцифрованных гистологических препаратов злокачественных эпителиальных опухолей (в том числе нейроэндокринных опухолей гастроэнтеропанкреатической системы) и предопухолевых заболеваний слизистой оболочки желудка, тонкой и толстой кишки для обучения систем искусственного интеллекта.

2. Установить клинико-морфологические особенности карцином желудка в зависимости от различных гистологических типов посредством точной разметки всех гистологических структур в биоптате.

3. Изучить возможность прогнозирования исхода заболевания пациентов с верифицированной карциномой желудка на основе статистического анализа размеченных гистологических препаратов.

4. Создать алгоритм искусственного интеллекта, способный по оцифрованным гистологическим препаратам распознать различные гистологические структуры и

установить коды эпителиальных образований желудка, тонкой и толстой кишки по актуальной международной классификации болезней (МКБ).

5. Разработать алгоритм искусственного интеллекта, определяющий нейроэндокринную дифференцировку в опухолях желудка, тонкой и толстой кишки.

6. Испытать оригинальную систему внутреннего контроля качества результатов прижизненных патологоанатомических исследований опухолей желудочно-кишечного тракта по оцифрованным гистологическим препаратам в практической работе патологоанатомического отделения.

7. Оценить возможность применения алгоритмов искусственного интеллекта для повышения эффективности работы врачей-патологоанатомов.

Научная новизна:

Впервые разработана система прогнозирования исхода рака желудка по морфологическим параметрам при исследовании оцифрованных биопсий желудка.

Впервые проведено обучение нейронных сетей кодировать в системе МКБ-Х эпителиальные образования желудка, тонкой и толстой кишки.

Впервые на основе алгоритмов искусственного интеллекта сформирована система внутреннего контроля качества заключений прижизненных патологоанатомических исследований эндоскопических биопсий желудка, тонкой и толстой кишки.

Впервые внедрена в практическую деятельность патологоанатомического отделения система контроля работы врачей-патологоанатомов по оцифрованным гистологическим препаратам и созданы предпосылки для использования в этих целях алгоритмов искусственного интеллекта.

Теоретическая и практическая значимость. Создана система, снижающая риск врачебной ошибки при проведении гистологического исследования биопсийного материала эпителиальных опухолей желудка, тонкой и толстой кишки.

Создана система, позволяющая определить нейроэндокринную природу в биопсии опухоли ЖКТ при помощи алгоритма ИИ.

Разработана рейтинговая система врачей-патологоанатомов, обеспечивающая распределение нагрузки на врачей, контроль качества выполняемой ими работы с наиболее точным использованием критериев классификации опухолей ВОЗ.

Ближайшим прототипом исследования является работа Liron Pantanowitz и соавторов [160]. В основе их исследования применение ИИ в морфологической диагностике опухолей максимально приближено к практической деятельности и тоже используется, как инструмент контроля качества. Однако, разработанный ими алгоритм пригоден только для опухолей предстательной железы и отсутствует сравнение с другими способами внутреннего контроля качества в патологоанатомическом отделении.

Основные положения, выносимые на защиту:

1. Прижизненное патологоанатомическое исследование биопсий желудочно-кишечного тракта требует более тщательного измерения соотношения различных гистологических параметров, что при большом потоке исследований невозможно без внедрения инновационных подходов (цифровизации, разметки и морфометрии).

2. Разработанная прогностическая шкала оценки риска летального исхода пациентов с карциномой желудка позволяет прогнозировать исход заболевания по биопсийному материалу.

3. Разработанные алгоритмы с использованием искусственного интеллекта позволяют с высокой чувствительностью и специфичностью по оцифрованным гистологическим препаратам дифференцировать злокачественные и доброкачественные опухоли и предопухолевые заболевания желудочно-кишечного тракта.

4. Нейроэндокринную природу в эпителиальных опухолях гастроэнтеропанкреатической системы возможно распознать при помощи алгоритма с использованием искусственного интеллекта.

5. Разработанные алгоритмы искусственного интеллекта позволяют проводить аудит правильности кодирования по коду МКБ-Х результатов прижизненных

патологоанатомических исследований опухолей желудочно-кишечного тракта с целью повышения качества исследования и снижения риска врачебной ошибки.

Степень достоверности и апробация результатов. Основные положения и результаты диссертационного исследования доложены и обсуждены на 47-й научной сессии ЦНИИГ «Гастроэнтерология в меняющейся реальности» (г. Москва, 2021 г.), V Ежегодном конгрессе Российского общества онкопатологов (г. Москва, 2021 г.), XII Пленуме Российского общества патологоанатомов (г. Краснодар, 2021 г.), научно-практической конференции «Актуальные вопросы в терапии и диагностике нейроэндокринных опухолей» (г. Ростов-на-Дону, 2021 г.), I Российском диагностическом саммите (г. Москва, 2021 г.), 12-м Всемирном Конгрессе информационных и коммуникативных технологий (WICT'22, онлайн), IV Съезде патологоанатомов Республики Беларусь (г. Минск, Беларусь, 2022 г.), научно-практической конференции «Нейроэндокринные опухоли желудочно-кишечного тракта. Современный взгляд на проблему» (г. Ростов-на-Дону, 2022 г.), научно-практической конференции «Клинико-морфологическое обоснование тактики лечения при колоректальном раке» (г. Москва, 2022 г.), Конференции по применению технологий искусственного интеллекта в приоритетных отраслях экономики (г. Иннополис, 2022 г.), конференции с международным участием «Преемственность в онкологии: от диагностики к лечению» (г. Курск, 2022 г.), I съезде Московского регионального общества онкопатологов и онкогенетиков (г. Москва, 2022 г.), Научно-практической конференции «Морфология и генетика опухолей» (г. Москва, 2022 г.), международном форуме «Инновационная онкология» (г. Москва, 2022 г.), II Российском диагностическом саммите (г. Москва, 2022 г.), XXVI Российском онкологическом конгрессе (г. Москва, 2022 г.), 49-й научной сессии ЦНИИГ «Гастроэнтерология: Настоящее и будущее» (2023 г., г. Москва), круглом столе «Этика в системе здравоохранения в контексте применения систем искусственного интеллекта в медицинских целях» (г. Москва, 2023 г.), XIII юбилейном пленуме российского общества патологоанатомов (г. Саратов, 2023 г.), II Московском

онкологическом форуме (г. Москва, 2023 г.), III Российском диагностическом саммите (г. Москва, 2023 г.), II Ежегодном форуме Московского Регионального Общества Онкологов и Генетиков (МРООПИГ) (г. Москва, 2023 г.), XXVII Российском онкологическом конгрессе (г. Москва, 2023 г.), 50-й сессии ЦНИИ гастроэнтерологии «Гастроэнтерология: настоящее и будущее» (г. Москва, 2024 г.), VIII Ежегодном конгрессе Российского общества онкопатологов (г. Москва, 2024 г.), XIV Пленуме Российского общества патологоанатомов (г. Уфа, 2024 г.), IV Международном саммите по цифровой медицине и информационным технологиям в здравоохранении «Цифроайтимед» (г. Москва, 2024 г.), IV Российском диагностическом саммите (г. Москва, 2024 г.).

Апробация диссертационной работы состоялась на межлабораторной конференции НИИ морфологии человека 23 сентября 2024 года.

Соответствие диссертации паспорту научной специальности. Диссертация соответствует паспорту специальности 3.3.2. Патологическая анатомия, а именно пунктам 2 («Научный анализ патологических процессов, лежащих в основе заболевания, прижизненная диагностика и прогнозная оценка болезней на основе исследований биопсийных материалов»), 5 («Совершенствование клинико-морфологических классификаций болезней с их симптомами и синдромами, определяемыми спецификой этиологических факторов. Разработка теории диагноза») и 6 («Разработка и совершенствование теоретических, методических и организационных принципов прижизненного и посмертного патологоанатомических исследований с позиций запросов общественного здравоохранения и медицинской практики»). И специальности 3.1.6. Онкология, лучевая терапия, пункту 2 («Исследования на молекулярном, клеточном и органном уровнях этиологии и патогенеза злокачественных опухолей, основанные на современных достижениях ряда естественных наук (генетики, молекулярной биологии, морфологии, иммунологии, биохимии, биофизики и др.)»).

Внедрение результатов исследования. Результаты исследования применяются в практической деятельности патологоанатомического отделения и лаборатории инновационной патоморфологии ГБУЗ МКНЦ имени А.С. Логинова ДЗМ, используются для обучения ординаторов по специальности «патологическая анатомия» и «онкология» на базе ГБУЗ МКНЦ имени А.С. Логинова ДЗМ.

Личный вклад автора в получении научных результатов. Диссертантом разработаны концепция и дизайн исследования, выполнен основной объем теоретической и экспериментальной части исследования, включая разработку теоретической модели, методики, статистической обработки, анализа и оформления результатов в виде публикаций и научных докладов. Все результаты исследований, представленные в диссертационной работе, получены лично автором или при его непосредственном участии на каждом этапе проведенного исследования.

Публикации по теме диссертации. По материалам диссертационного исследования опубликовано 29 печатных работ, из них 18 статей в рецензируемых научных изданиях, рекомендованных Высшей аттестационной комиссией при Министерстве науки и высшего образования Российской Федерации к публикации основных научных результатов диссертаций на соискание ученой степени доктора медицинских наук.

Объем и структура диссертации. Диссертация изложена на 322 страницах машинописного текста, содержит 95 таблиц и 89 рисунков. Работа состоит из введения, обзора литературы, описания материалов и методов исследования, результатов собственного исследования, заключения, выводов, практических рекомендаций, списка использованных сокращений и списка литературы, содержащего 226 источников, из которых 34 отечественных и 192 иностранных.

ГЛАВА 1. ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИИ В МОРФОЛОГИЧЕСКОЙ ДИАГНОСТИКЕ ОПУХОЛЕЙ (ОБЗОР ЛИТЕРАТУРЫ)

1.1. Характеристика алгоритмов ИИ

Термин «Artificial Intelligence» - Искусственный интеллект - был предложен Джоном Маккарти в 1956 году на Дартмутском семинаре [58]. С тех пор он прочно вошел в обиход, и согласно ГОСТ, определяется как комплекс технологических решений, позволяющий имитировать когнитивные функции человека (самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта (внезапного решения задачи)) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые с результатами интеллектуальной деятельности человека. Он включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных, анализу и синтезу решений [9].

В свою очередь, машинное обучение - это класс метода ИИ, при котором применяются математические и статистические подходы для повышения производительности компьютеров [168]. Глубокое обучение является частью машинного обучения, характеризующееся работой многоуровневых искусственных нейронных сетей (НС). Термин "глубокое обучение" относится к набору новых методов, которые вместе показали заметное улучшение производительности по сравнению с существующими лучшими в своем классе алгоритмами машинного обучения в нескольких дисциплинах [185]. Эти методы произвели революцию в классификации изображений и распознавании речи из-за их гибкости, а также высокой точности [128]. Такие прорывы позволили принять глубокое обучение в

качестве подхода, который может эффективно решать различные проблемы в медицине. Применение глубокого обучения в диагностике заболеваний на основе классификации радиологических и гистологических изображений продемонстрировало производительность, которая в ряде случаев не уступает производительность экспертов [81]. Глубокое обучение также оказалось очень точным в обнаружении ретинопатии по фотографиям глазного дна, создании лекарств и многих других задачах.

На Дортмутском семинаре выдвигались гипотезы о том, что всякий аспект обучения или любое другое свойство интеллекта при его подробном описании может быть симулировано компьютером. Идейные вдохновители того научного мероприятия полагали, что обучить машины использовать естественные языки, формировать абстракции и концепции (при тщательном подходе группой ученых) возможно в течение лета [182].

Сегодня уже стало понятно, что это более длительные и сложные процессы, но интерес к внедрению ИИ только набирает обороты. В 2023 году по версии британского словаря английского языка Collins, словом года стал именно термин «AI (Artificial Intelligence)» — ИИ. Об этом сообщили представители издательства HarperCollins на официальном сайте словаря.

В основе многих алгоритмов обучения закладывается так называемый анализ «больших данных» (big data). Это обширные базы данных с внесенными различными параметрами, обработка которых становится день ото дня сложнее для человеческого мышления. Их изучение может быть полезно для более эффективного хранения данных, обработки, управления и анализа. [14]

Искусственные НС делят на два типа - прямого распространения сигнала и рекуррентные [27, 97]. Наиболее распространенная НС прямого распространения сигнала - многослойный персептрон [91]. Этот вариант применяется в распознавании образов, характеризуется фиксированной сложность алгоритма, зависящей, в первую очередь, от размера НС, а во вторую - от обучающей выборки. Он позволяет получить

достаточно высокие показатели при распознавании текста [195]. Одна из модификаций многослойного персептрона - сеть каскадной корреляции, где в отличие от многослойного персептрона, при обучении добавляются новые нейроны. НС каскадной корреляции биологически обоснованы и демонстрируют устойчивость к зашумлению входного сигнала при распознавании образов [135]. Сети каскадной корреляции для задач одного масштаба сложнее в обучении и применении, чем многослойный персептрон, поэтому для их обучения используют графические ускорители (GPU) [74].

НС прямого распространения сигнала - радиально-базисных функций в отличие от многослойного персептрона может содержать больше нейронов, однако ограничена двумя слоями, поэтому обучается быстрее многослойного персептрона как с учителем, так и без него [1]. Сети радиально-базисных функций применяются с высокой эффективностью в задачах аппроксимации (научный метод, суть которого в замене одного объекта близкому к исходному, но более простым). Сеть Кохонена состоит из особой структуры слоев, осуществляющих векторное квантование входного сигнала и предназначена для обучения без учителя в задачах классификации. Алгоритм ее обучения отличается от алгоритмов обучения других НС прямого распространения сигнала. Среди них наиболее распространенный алгоритм обратного распространения ошибки с градиентным поиском минимальной ошибки [122].

Кроме того, существует ряд методов повышения эффективности обучения алгоритмов НС прямого распространения сигнала [145]. Наименее формализован подход к построению рекуррентных НС, а наиболее распространенный класс среди рекуррентных НС - сети Хопфилда [205]. Это полносвязные НС, в которых выход каждого нейрона связан со всеми НС, а каждый нейрон имеет собственный вход, позволяющий решать комбинированные задачи оптимизации (например, для восстановления поврежденного изображения). В их обучении применяются специально предназначенные и гибридные алгоритмы. Еще выделяют НС Элмана (для прогнозирования в обработке сигналов), НС на основе теории адаптивного резонанса

(то же для прогнозирования, но может быть обучена без учителя) и Машина Больцмана (для ее обучения применяется алгоритм имитации мышления, что позволяет ей обучаться «внутренним представлениям» и решать сложные многокомпонентные задачи), а также многие другие [69].

Для понимания как обучить НС решению определенной задачи необходимо правильно воспринимать привычные многим термины: класс, классификация, объект классификации, компьютерное зрение, алгоритм, программное обеспечение.

Класс - это описание множества объектов, имеющих одинаковые атрибуты, операции, методы, взаимосвязи и семантики. Класс, в свою очередь, включает в себя от одного до нескольких видов (минимальных таксономических единиц).

Классификация (classification) - способ создания порядка, структуризации определенного множества объектов, разделения их на подмножества путем артикуляции, выделения признака объектов исходного множества как основания их структуризации по данному признаку. Определенный признак является основанием классификации, элемент классификационного множества - объектом классификации, а структура, основанная на отношениях подчинения - классификационной схемой.

Компьютерное зрение (computer vision) - это способность функционального блока получать, обрабатывать и интерпретировать графические данные [7].

Алгоритм (algorithm) - конечное упорядоченное множество точно обозначенных правил для решения конкретной задачи.

Программное обеспечение (программа, программное средство, ПО) (software) -упорядоченная последовательность инструкций (кодов) для вычислительного устройства, находящаяся в памяти этого устройства и представляющая собой описание алгоритма управления вычислительными устройствами и действиями с данными [8].

1.2. Особенности терминологии и классификации опухолей для возможности внедрения технологий с использованием ИИ

Международная классификация болезней (МКБ) уже давно является основой для сопоставления статистических данных о причинах смертности и заболеваемости в разных странах и в разный период времени.

Десятый пересмотр МКБ (МКБ-Х) впервые был представлен в Женеве в 1989 году. С 1990 года по 2019 год осуществлялся переход в различных странах-участниках ВОЗ, хотя в некоторых странах до сих пор действует МКБ девятого издания.

Основной особенностью МКБ-Х является использование алфавитно-цифровой системы кодирования. В четырехзначной рубрике обязательно должна присутствовать одна латинская буква, за которой следуют две цифры и точка, после которой устанавливается третья цифра. Благодаря этому удалось в каждом классе закодировать до 100 двузначных категорий с десятком подкатегорий. Из латинского алфавита задействовано 25 букв, а одна (буква Ц) была оставлена в резерве. В справочнике возможны комбинации символов в диапазонах: А00.0-Т99.9 и V00.0-799.9.

Список литературы диссертационного исследования доктор наук Карнаухов Николай Сергеевич, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Аверьянова Ю.А., Емельянов Р.В., Сташенко В.В., Строцев А.А. Оценка эффективности обучения нейронных сетей, реализующих выполнение функций автоматизированных систем управления. - 2017 // 1-теШоёв - Т. №4. - С. 32-41.

2. Антонова А. А. Пальмов С.В. Особенности применения методов искусственного интеллекта в сфере медицины. - 2024 // Индустриальная экономика -Т. 1. - С. 2.

3. Афимьина К. Г. , Кушнирчук И. И. Применение методов искусственного интеллекта в медицине. - 2021 // Известия Российской военно-медицинской академии - Т. 40, № Б1-3. - С. 17-19..

4. Баранов И. А., Титова Л. А. , Толстых Е. М. Современные технологии оценки медицинских изображений в эпоху цифровизации. - 2021 // Научно-медицинский вестник Центрального Черноземья. № 83. - С. 14-17..

5. Борбат А. М. Нейронные сети в морфологической диагностике. - 2020 // Клиническая и экспериментальная морфология - Т. 9, № 2 - С. 11-15.

6. Ганцев Ш. Х., Франц М.В. Искусственный интеллект в онкологии: взгляд в будущее. - 2019 // Практическая онкология - Т. 20, № 1. - С. 21-28.

7. ГОСТ 33707-2016. Информационные технологии. Словарь. - Москва, СтандартнИнформ, 2016. - 4 с.

8. ГОСТ Р 53622-2009. Информационные технологии. Информационно-вычислительные системы. Стадии и этапы жизненного цикла, виды и комплектность документов. Москва, СтандартнИнформ, 2009. - 5 с.

9. ГОСТ Р 59277-2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта. - Москва, СтандартнИнформ, 2020. - 3 с.

10. Евгина С. А. , Гусев А. В., Шаманский М. Б., Годков М. А. Искусственный интеллект на пороге лаборатории. - 2022 // Лабораторная служба - T. 11, № 2. - C. 18-26.

11. Карнаухов Н. С. , Куракина Т. Б., Цвиркун В. В. Особенности организации выдачи пациентам готовых гистологических препаратов в многопрофильном медицинском учреждении. - 2024 // Клиническая и экспериментальная морфология -T. 13, № 2. - C. 67-75..

12. Карнаухов Н. С. , Хомерики С. Г. , ДерижановаИ. С. Карцинома желудка из плохо сцепленных клеток. Правомочность использования термина и варианты перевода. - 2021 // Архив патологии - T. 83, № 4. - C. 69-72.

13. Карнаухов Н. С. Морфологическая характеристика нейроэндокринного компонента в карциномах желудка: дисс. ... канд. мед. наук: 14.01.12 / Карнаухов Николай Сергеевич. - Ростов-на-Дону, 2018. - 132.

14. Карнаухов Н.С., Ильюхин Р.Г. Возможности технологий "Big Data'^ медицине. - 2019 // Врач и информационные технологии - T. 1. - C. 59-63.

15. Карнаухов Н.С., Максименко А.В., Согомонян М.Г. Возможности искусственного интеллекта в онкоурологии. - 2024 // Современные проблемы науки и образования. - T. 4. - C. 1-12..

16. Карнаухов, Н.С. , Корчагина К.С. , Сынкова Д.А. Возможности применения искусственного интеллекта в патоморфологической диагностике заболеваний кожи. - 2024 // Современные проблемы науки и образования - T. 3.

17. Кит О. И. , А. Ю. Максимов, И. А. Новикова, Ю.А.Фоменко, Н.Н.Тимошкина, Н.С.Карнаухов, Е.Д.Тимошенков. Централизация патологоанатомической службы в целях стандартизации проведения прижизненных патологоанатомических исследований в онкологии. - 2019 // Вестник Росздравнадзора - T. 4. - C. 38-42..

18. Кит О. И. , Фоменко Ю. А. , Карнаухов Н.С. , Волошин М.В. Использование электронного архива результатов прижизненных

патологоанатомических исследований, как инструмент внутреннего контроля качества кодирования по системе МКБ-О-3 (1СЭ-0), на примере анализа злокачественных новообразований желудка. - 2021 // Южно-Российский онкологический журнал - Т. 2, № 1. - С. 26-34

19. Крутиков В. К., Косогорова Л. А. , Якунина М. В. Стандарты применения искусственного интеллекта в отечественной медицине. - 2022 // Экономика и предпринимательство - Т. 3, № 140. - С. 1184-1186

20. Кульбакин Д. Е., Чойнзонов Е. Л., Толмачев И. В. . Искусственный интеллект в онкологии: области применения, перспективы и ограничения. - 2022 // Вопросы онкологии - Т. 68, № 6. - С. 691-699

21. Лазарев Е. А. Применение искусственного интеллекта (ИИ) в медицине для диагностики и лечения заболеваний. - 2023 // Вестник науки - Т. 5, № 12-1(69). -С. 408-411

22. Мерабишвили, В. М. Состояние онкологической помощи в России: рак тонкой кишки (С17). Заболеваемость, смертность, достоверность учета, погодичная летальность (популяционное исследование на уровне федерального округа). Часть I .

- 2022 // Сибирский онкологический журнал. - 2022. - Т. 21. - № 4. - С. 5-15.

23. Михайлов С.С., Искусственный интеллект и его применение в медицине.

- 2023 // Современные инновации - Т. 1, № 42. - С. 15-17.

24. Морозов С. П., Владзимирский А. В., Шулькин И. М. Целесообразность применения технологий искусственного интеллекта в лучевой диагностике (результаты первого года Московского эксперимента по компьютерному зрению). -

2022 // Врач и информационные технологии - Т. 1. - С. 12-29.

25. Разуванов А. И., Сокольчик В. Н. Этические вызовы применения элементов искусственного интеллекта в медицине и медицинских исследованиях. -

2023 // Вопросы организации и информатизации здравоохранения - Т. 2, № 115. - С. 11.

26. Ситдиков Э. И. Применение нейронных сетей и искусственного интеллекта в современной медицине. - 2020 // Наука и образование: теория и практика : Материалы Международной (заочной) научно-практической конференции, Нефтекамск, 18 декабря 2020 год. - С. 94-98.

27. Сорокоумова Д.А., Корелин О.Н., Сорокоумов А.В. Построение и обучение нейронной сети для решения задачи распознавания речи. - 2015 // Труды Нижегородского государственного технического университета им. Р.Е. Алексеева -Т. № 3(110). - С. 77-84.

28. Трифанов В.С., Кит О.И., Колесников Е.Н., Карнаухов Н.С. Клинико-иммуногистохимический анализ нейроэндокринных опухолей поджелудочной железы. - 2019 // Современные проблемы науки и образования - Т. 3. - С. 1.

29. Фритц Э. , Перси К., Джек Э. , Шанмугаратнам К. , Собин Л. , Паркин Д.М. , Уилан Ш. / Пер. с англ. А.В. Филочкиной, под ред. А.М. Беляева, О.Ф. Чепика, А.С. Артемьевой, А.А. Барчука, Ю.И. Комарова. Международная классификация болезней - онкология (МКБ-О), 3 издание, 1 пересмотр. - 2017 // СПб.: Издательство «Вопросы онкологии». 2017. - 352 с.

30. Хайруллин А. М., Зарипова Р.С. Применение моделей искусственного интеллекта в медицине. - 2020 // Информационные технологии в строительных, социальных и экономических системах. - Т. 3, № 21. - С. 40-42.

31. Харин Л. В., Карнаухов Н.С., Бумбер Я.А. Экспрессия РНК-связывающего белка МшавЫ-2, как негативный прогностический маркер при метастатическом колоректальном раке. - 2019 // Современные проблемы науки и образования - Т. 4. -С. 1.

32. Шахзадова А. О. , Старинский В. В., Лисичникова И. В. Состояние онкологической помощи населению России в 2022 году. - 2023 // Сибирский онкологический журнал - 2023. - Т. 22. - № 5. - С. 5-13.

33. Шелехова К. В. Возможности и перспективы искусственного интеллекта в патоморфологической диагностике рака. - 2022 // Клиническая и экспериментальная морфология. - - 2022. - T. 23. - № 4. - C. 234-238.

34. Шулькин И. М. Безопасность применения искусственного интеллекта в лучевой диагностике. - 2024 // Московская медицина - 2024. - T. 1. - № 59. - C. 2629.

35. Abels E., Pantanowitz L. Current State of the Regulatory Trajectory for Whole Slide Imaging Devices in the USA // J Pathol Inform. - 2017. - T. 8. - C. 23.

36. Adachi Y., Yasuda K., Inomata M., Sato K., Shiraishi N., Kitano S. Pathology and prognosis of gastric carcinoma: well versus poorly differentiated type // Cancer. - 2000.

- Oct 1. - T. 89, № 7. - C. 1418-24.

37. Adyanthaya S., Jose M. Quality and safety aspects in histopathology laboratory // J Oral Maxillofac Pathol. - 2013. - Sep. - T. 17, № 3. - C. 402-7.

38. Ahn S., Kim K. M. PD-L1 expression in gastric cancer: interchangeability of 22C3 and 28-8 pharmDx assays for responses to immunotherapy // Mod Pathol. - 2021. -Sep. - T. 34, № 9. - C. 1719-1727.

39. Ahuja A. S. The impact of artificial intelligence in medicine on the future role of the physician // PeerJ. - 2019. - T. 7. - C. e7702.

40. Ajami S., Bagheri-Tadi T. Barriers for Adopting Electronic Health Records (EHRs) by Physicians // Acta Inform Med. - 2013. - T. 21, № 2. - C. 129-34.

41. Allen T. C. Regulating Artificial Intelligence for a Successful Pathology Future // Arch Pathol Lab Med. - 2019. - Oct. - T. 143, № 10. - C. 1175-1179.

42. Breast Cancer Classification from Histopathological Images with Inception Recurrent Residual Convolutional Neural Network. / Alom M. Z., Yakopcic C., Taha T., Asari V., 2018.

43. Amin K., Khosla P., Doshi R., Chheang S., Forman H. P. Artificial Intelligence to Improve Patient Understanding of Radiology Reports // Yale J Biol Med. - 2023. - Sep.

- T. 96, № 3. - C. 407-417.

44. Arai T., Sakurai U., Sawabe M., Honma N., Aida J., Ushio Y., Kanazawa N., Kuroiwa K., Takubo K. Frequent microsatellite instability in papillary and solid-type, poorly differentiated adenocarcinomas of the stomach // Gastric Cancer. - 2013. - Oct. - T. 16, № 4. - C. 505-12.

45. Association J. G. C. Japanese classification of gastric carcinoma: 3rd English edition // Gastric Cancer. - 2011. - Jun. - T. 14, № 2. - C. 101-12.

46. Atkin W., Brenner A., Martin J., Wooldrage K., Shah U., Lucas F., Greliak P., Pack K., Kralj-Hans I., Thomson A., Perera S., Wood J., Miles A., Wardle J., Kearns B., Tappenden P., Myles J., Veitch A., Duffy S. W. The clinical effectiveness of different surveillance strategies to prevent colorectal cancer in people with intermediate-grade colorectal adenomas: a retrospective cohort analysis, and psychological and economic evaluations // Health Technol Assess. - 2017. - Apr. - T. 21, № 25. - C. 1-536.

47. Atkin W. S., Edwards R., Kralj-Hans I., Wooldrage K., Hart A. R., Northover J. M., Parkin D. M., Wardle J., Duffy S. W., Cuzick J. Once-only flexible sigmoidoscopy screening in prevention of colorectal cancer: a multicentre randomised controlled trial // Lancet. - 2010. - May 8. - T. 375, № 9726. - C. 1624-33.

48. Azzato E. M., Morrissette J. J., Halbiger R. D., Bagg A., Daber R. D. Development and implementation of a custom integrated database with dashboards to assist with hematopathology specimen triage and traffic // J Pathol Inform. - 2014. - T. 5, № 1. -C. 29.

49. Bahadir C. D., Omar M., Rosenthal J., Marchionni L., Liechty B., Pisapia D. J., Sabuncu M. R. Artificial intelligence applications in histopathology // Nature Reviews Electrical Engineering. - 2024. - 2024/02/01. - T. 1, № 2. - C. 93-108.

50. Bancroft JD G. M. Theory and Practice of Histological Techniques, 6th ed. // London: Churchill Livingstone. - 2008.

51. Ben-Aharon O., Magnezi R., Leshno M., Goldstein D. A. Median Survival or Mean Survival: Which Measure Is the Most Appropriate for Patients, Physicians, and Policymakers? // Oncologist. - 2019. - Nov. - T. 24, № 11. - C. 1469-1478.

52. Ben-David A. About the relationship between ROC curves and Cohen's kappa // Eng. Appl. of AI. - 2008. - 09/01. - T. 21. - C. 874-882.

53. Berte L. M. Laboratory quality management: a roadmap // Clin Lab Med. -2007. - Dec. - T. 27, № 4. - C. 771-90, vi.

54. Bettington M., Walker N., Rosty C., Brown I., Clouston A., McKeone D., Pearson S. A., Klein K., Leggett B., Whitehall V. Serrated tubulovillous adenoma of the large intestine // Histopathology. - 2016. - Mar. - T. 68, № 4. - C. 578-87.

55. Bettington M., Walker N., Rosty C., Brown I., Clouston A., Wockner L., Whitehall V., Leggett B. Critical appraisal of the diagnosis of the sessile serrated adenoma // Am J Surg Pathol. - 2014. - Feb. - T. 38, № 2. - C. 158-66.

56. Bettington M. L., Chetty R. Traditional serrated adenoma: an update // Hum Pathol. - 2015. - Jul. - T. 46, № 7. - C. 933-8.

57. Bhalla S., Laganá A. Artificial Intelligence for Precision Oncology // Adv Exp Med Biol. - 2022. - T. 1361. - C. 249-268.

58. Bhinder B., Gilvary C., Madhukar N. S., Elemento O. Artificial Intelligence in Cancer Research and Precision Medicine // Cancer Discov. - 2021. - Apr. - T. 11, № 4. -C. 900-915.

59. Bilimoria K. Y., Bentrem D. J., Wayne J. D., Ko C. Y., Bennett C. L., Talamonti M. S. Small Bowel Cancer in the United States: Changes in Epidemiology, Treatment, and Survival Over the Last 20 Years // Annals of Surgery. - 2009. - T. 249, № 1. - C. 63-71.

60. Bjugn R., Casati B. Retrospective review of diagnostic histopathology samples in research projects: transparency should be the practice with respect to diagnostic discordance // J Clin Pathol. - 2012. - Nov. - T. 65, № 11. - C. 1043-4.

61. Boeken T., Feydy J., Lecler A., Soyer P., Feydy A., Barat M., Duron L. Artificial intelligence in diagnostic and interventional radiology: Where are we now? // Diagn Interv Imaging. - 2023. - Jan. - T. 104, № 1. - C. 1-5.

62. Bosman F. T. Encyclopedia of Cancer (Third Edition) //. - 2019.

63. Brooks D. D., Winawer S. J., Rex D. K., Zauber A. G., Kahi C. J., Smith R. A., Levin B., Wender R. Colonoscopy surveillance after polypectomy and colorectal cancer resection // Am Fam Physician. - 2008. - Apr 1. - T. 77, № 7. - C. 995-1002.

64. Calixto N. E., Chiao W., Durr M. L., Jiang N. Factors Impacting Online Ratings for Otolaryngologists // Ann Otol Rhinol Laryngol. - 2018. - Aug. - T. 127, № 8. - C. 521526.

65. Camargo M. C., Murphy G., Koriyama C., Pfeiffer R. M., Kim W. H., Herrera-Goepfert R., Corvalan A. H., Carrascal E., Abdirad A., Anwar M., Hao Z., Kattoor J., Yoshiwara-Wakabayashi E., Eizuru Y., Rabkin C. S., Akiba S. Determinants of Epstein-Barr virus-positive gastric cancer: an international pooled analysis // Br J Cancer. - 2011. -Jun 28. - T. 105, № 1. - C. 38-43.

66. CAP. The guidelines for patient management and treatment currently required by the CoC are followed // Commission on Cancer of the College of American Surgeons Cancer Program Standards. - 2011.

67. Chapman C. M. Troubleshooting in the histology laboratory // J Histotechnol. - 2019. - Sep. - T. 42, № 3. - C. 137-149.

68. Chauhan C., Gullapalli R. R. Ethics of AI in Pathology: Current Paradigms and Emerging Issues // Am J Pathol. - 2021. - Oct. - T. 191, № 10. - C. 1673-1683.

69. Chen L., Aihara K. Chaotic simulated annealing by a neural network model with transient chaos // Neural Networks. - 1995. - 1995/01/01/. - T. 8, № 6. - C. 915-930.

70. Chen P. C., Gadepalli K., MacDonald R., Liu Y., Kadowaki S., Nagpal K., Kohlberger T., Dean J., Corrado G. S., Hipp J. D., Mermel C. H., Stumpe M. C. An augmented reality microscope with real-time artificial intelligence integration for cancer diagnosis // Nat Med. - 2019. - Sep. - T. 25, № 9. - C. 1453-1457.

71. Chen X. J., Wei C. Z., Lin J., Zhang R. P., Chen G. M., Li Y. F., Nie R. C., Chen Y. M. Prognostic Significance of PD-L1 Expression in Gastric Cancer Patients with Peritoneal Metastasis // Biomedicines. - 2023. - Jul 15. - T. 11, № 7.

72. Chen Z. W., Kohan J., Perkins S. L., Hussong J. W., Salama M. E. Web-based oil immersion whole slide imaging increases efficiency and clinical team satisfaction in hematopathology tumor board // J Pathol Inform. - 2014. - T. 5, № 1. - C. 41.

73. Cheng J. Y., Abel J. T., Balis U. G. J., McClintock D. S., Pantanowitz L. Challenges in the Development, Deployment, and Regulation of Artificial Intelligence in Anatomic Pathology // Am J Pathol. - 2021. - Oct. - T. 191, № 10. - C. 1684-1692.

74. Coates A., Huval B., Wang T., Wu D. J., Catanzaro B., Ng A. Deep learning with COTS HPC systems // International Conference on Machine Learning -, 2013. -.

75. Cohen S., Levenson R., Pantanowitz L. Artificial Intelligence in Pathology // Am J Pathol. - 2021. - Oct. - T. 191, № 10. - C. 1670-1672.

76. Cretu O. I., Stepan A. E., Simionescu C. E., Marinescu D., Stepan M. D. Classification and Grading Systems in Gastric Adenocarcinomas // Curr Health Sci J. - 2022. - Jul-Sep. - T. 48, № 3. - C. 284-291.

77. da Silva L. M., Pereira E. M., Salles P. G., Godrich R., Ceballos R., Kunz J. D., Casson A., Viret J., Chandarlapaty S., Ferreira C. G., Ferrari B., Rothrock B., Raciti P., Reuter V., Dogdas B., DeMuth G., Sue J., Kanan C., Grady L., Fuchs T. J., Reis-Filho J. S. Independent real-world application of a clinical-grade automated prostate cancer detection system // J Pathol. - 2021. - Jun. - T. 254, № 2. - C. 147-158.

78. Dawson H., Novotny A., Becker K., Reim D., Langer R., Gullo I., Svrcek M., Niess J. H., Tutuian R., Truninger K., Diamantis I., Blank A., Zlobec I., Riddell R. H., Carneiro F., Flejou J. F., Genta R. M., Lugli A. Macroscopy predicts tumor progression in gastric cancer: A retrospective patho-historical analysis based on Napoleon Bonaparte's autopsy report // Dig Liver Dis. - 2016. - Nov. - T. 48, № 11. - C. 1378-1385.

79. Dube C., Yakubu M., McCurdy B. R., Lischka A., Kone A., Walker M. J., Peirson L., Tinmouth J. Risk of Advanced Adenoma, Colorectal Cancer, and Colorectal Cancer Mortality in People With Low-Risk Adenomas at Baseline Colonoscopy: A Systematic Review and Meta-Analysis // Am J Gastroenterol. - 2017. - Dec. - T. 112, № 12. - C. 1790-1801.

80. Dunne P. D., McArt D. G., Bradley C. A., O'Reilly P. G., Barrett H. L., Cummins R., O'Grady T., Arthur K., Loughrey M. B., Allen W. L., McDade S. S., Waugh D. J., Hamilton P. W., Longley D. B., Kay E. W., Johnston P. G., Lawler M., Salto-Tellez M., Van Schaeybroeck S. Challenging the Cancer Molecular Stratification Dogma: Intratumoral Heterogeneity Undermines Consensus Molecular Subtypes and Potential Diagnostic Value in Colorectal Cancer // Clin Cancer Res. - 2016. - Aug 15. - T. 22, № 16. - C. 4095-104.

81. Ehteshami Bejnordi B., Veta M., Johannes van Diest P., van Ginneken B., Karssemeijer N., Litjens G., van der Laak J., Hermsen M., Manson Q. F., Balkenhol M., Geessink O., Stathonikos N., van Dijk M. C., Bult P., Beca F., Beck A. H., Wang D., Khosla A., Gargeya R., Irshad H., Zhong A., Dou Q., Li Q., Chen H., Lin H. J., Heng P. A., Haß C., Bruni E., Wong Q., Halici U., Öner M., Cetin-Atalay R., Berseth M., Khvatkov V., Vylegzhanin A., Kraus O., Shaban M., Rajpoot N., Awan R., Sirinukunwattana K., Qaiser T., Tsang Y. W., Tellez D., Annuscheit J., Hufnagl P., Valkonen M., Kartasalo K., Latonen L., Ruusuvuori P., Liimatainen K., Albarqouni S., Mungal B., George A., Demirci S., Navab N., Watanabe S., Seno S., Takenaka Y., Matsuda H., Ahmady Phoulady H., Kovalev V., Kalinovsky A., Liauchuk V., Bueno G., Fernandez-Carrobles M. M., Serrano I., Deniz O., Racoceanu D., Venäncio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer // Jama. - 2017. - Dec 12. - T. 318, № 22. - C. 2199-2210.

82. Ejaz A., Spolverato G., Bridges J. F., Amini N., Kim Y., Pawlik T. M. Choosing a cancer surgeon: analyzing factors in patient decision making using a best-worst scaling methodology // Ann Surg Oncol. - 2014. - Nov. - T. 21, № 12. - C. 3732-8.

83. Evans A. J., Salama M. E., Henricks W. H., Pantanowitz L. Implementation of Whole Slide Imaging for Clinical Purposes: Issues to Consider From the Perspective of Early Adopters // Arch Pathol Lab Med. - 2017. - Jul. - T. 141, № 7. - C. 944-959.

84. Ferlay J., Colombet M., Soerjomataram I., Parkin D. M., Piñeros M., Znaor A., Bray F. Cancer statistics for the year 2020: An overview // International Journal of Cancer.

- 2021. - T. 149, № 4. - C. 778-789.

85. Fischman V., Wittenberg E., Song S. A., Huston M. N., Franco R. A., Song P. C., Naunheim M. R. How Patients Choose a Laryngologist: A Pilot Stated Preference Study // OTO Open. - 2021. - Jan-Mar. - T. 5, № 1. - C. 2473974x21999601.

86. Frable W. J. Surgical pathology-second reviews, institutional reviews, audits, and correlations: what's out there? Error or diagnostic variation? // Arch Pathol Lab Med. -2006. - May. - T. 130, № 5. - C. 620-5.

87. Frey C. B., Osborne M. A. The future of employment: How susceptible are jobs to computerisation? // Technological Forecasting and Social Change. - 2017. - 2017/01/01/.

- T. 114. - C. 254-280.

88. Fu Y., Jung A. W., Torne R. V., Gonzalez S., Vöhringer H., Shmatko A., Yates L. R., Jimenez-Linan M., Moore L., Gerstung M. Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis // Nat Cancer. - 2020. - Aug. - T. 1, № 8. - C. 800-810.

89. Gallée L., Kniesel H., Ropinski T., Götz M. Artificial intelligence in radiology

- beyond the black box // Rofo. - 2023. - Sep. - T. 195, № 9. - C. 797-803.

90. García-Solano J., Pérez-Guillermo M., Conesa-Zamora P., Acosta-Ortega J., Trujillo-Santos J., Cerezuela-Fuentes P., Mäkinen M. J. Clinicopathologic study of 85 colorectal serrated adenocarcinomas: further insights into the full recognition of a new subset of colorectal carcinoma // Human Pathology. - 2010. - 2010/10/01/. - T. 41, № 10. - C. 1359-1368.

91. Gardner M. W., Dorling S. R. Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences // Atmospheric Environment. - 1998. - 1998/08/01/. - T. 32, № 14. - C. 2627-2636.

92. Genta R. M., Feagins L. A. Advanced precancerous lesions in the small bowel mucosa // Best Pract Res Clin Gastroenterol. - 2013. - Apr. - T. 27, № 2. - C. 225-33.

93. Ghotli Z. A., Serra S., Chetty R. Clear cell (glycogen rich) gastric adenocarcinoma: a distinct tubulo-papillary variant with a predilection for the cardia/gastro-oesophageal region // Pathology. - 2007. - Oct. - T. 39, № 5. - C. 466-9.

94. Review of "Digital Pathology Resource Guide, Version 6.0 Issue No. 1, 2016" by College of American Pathologists Digital Pathology Committee. / Gibbs J. D., Bui M. M.: J Pathol Inform. 2016 Dec 30;7:52. doi: 10.4103/2153-3539.197196. eCollection 2016.

95. Gonzalez R. S., Cates J. M., Washington M. K., Beauchamp R. D., Coffey R. J., Shi C. Adenoma-like adenocarcinoma: a subtype of colorectal carcinoma with good prognosis, deceptive appearance on biopsy and frequent KRAS mutation // Histopathology.

- 2016. - Jan. - T. 68, № 2. - C. 183-90.

96. Gonzalez R. S., Raza A., Propst R., Adeyi O., Bateman J., Sopha S. C., Shaw J., Auerbach A. Recent Advances in Digestive Tract Tumors: Updates From the 5th Edition of the World Health Organization "Blue Book" // Arch Pathol Lab Med. - 2021. - May 1. -T. 145, № 5. - C. 607-626.

97. Goodfellow I. B. Y., Courville A. . Deep learning // MIT press. - 2016.

98. Gore J. C. Artificial intelligence in medical imaging // Magn Reson Imaging. -2020. - May. - T. 68. - C. A1-a4.

99. Grabsch H., Sivakumar S., Gray S., Gabbert H. E., Müller W. HER2 expression in gastric cancer: Rare, heterogeneous and of no prognostic value - conclusions from 924 cases of two independent series // Cell Oncol. - 2010. - T. 32, № 1-2. - C. 57-65.

100. Griffin J., Treanor D. Digital pathology in clinical use: where are we now and what is holding us back? // Histopathology. - 2017. - Jan. - T. 70, № 1. - C. 134-145.

101. Haghighat M., Browning L., Sirinukunwattana K., Malacrino S., Khalid Alham N., Colling R., Cui Y., Rakha E., Hamdy F. C., Verrill C., Rittscher J. Automated quality assessment of large digitised histology cohorts by artificial intelligence // Scientific Reports.

- 2022. - 2022/03/23. - T. 12, № 1. - C. 5002.

102. Han K., Jung I. Restricted Mean Survival Time for Survival Analysis: A Quick Guide for Clinical Researchers // Korean J Radiol. - 2022. - May. - T. 23, № 5. - C. 495499.

103. Hanna M. G., Pantanowitz L., Evans A. J. Overview of contemporary guidelines in digital pathology: what is available in 2015 and what still needs to be addressed? // J Clin Pathol. - 2015. - Jul. - T. 68, № 7. - C. 499-505.

104. Harrison J. E., Weber S., Jakob R., Chute C. G. ICD-11: an international classification of diseases for the twenty-first century // BMC Med Inform Decis Mak. - 2021.

- Nov 9. - T. 21, № Suppl 6. - C. 206.

105. Hechtman J. F. NTRK insights: best practices for pathologists // Mod Pathol. -2022. - Mar. - T. 35, № 3. - C. 298-305.

106. HeklerA., Utikal J. S., Enk A. H., Solass W., Schmitt M., Klode J., Schadendorf D., Sondermann W., Franklin C., Bestvater F., Flaig M. J., Krahl D., von Kalle C., Fröhling S., Brinker T. J. Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images // European Journal of Cancer. - 2019. - 2019/09/01/.

- T. 118. - C. 91-96.

107. Heo M. S., Kim J. E., Hwang J. J., Han S. S., Kim J. S., Yi W. J., Park I. W. Artificial intelligence in oral and maxillofacial radiology: what is currently possible? // Dentomaxillofac Radiol. - 2021. - Mar 1. - T. 50, № 3. - C. 20200375.

108. Hilgers L., Ghaffari Laleh N., West N. P., Westwood A., Hewitt K. J., Quirke P., Grabsch H. I., Carrero Z. I., Matthaei E., Loeffler C. M. L., Brinker T. J., Yuan T., Brenner H., Brobeil A., Hoffmeister M., Kather J. N. Automated curation of large-scale cancer histopathology image datasets using deep learning // Histopathology. - 2024. - Jun.

- T. 84, № 7. - C. 1139-1153.

109. Hinoi T., Tani M., Lucas P. C., Caca K., Dunn R. L., Macri E., Loda M., Appelman H. D., Cho K. R., Fearon E. R. Loss of CDX2 expression and microsatellite instability are prominent features of large cell minimally differentiated carcinomas of the colon // Am J Pathol. - 2001. - Dec. - T. 159, № 6. - C. 2239-48.

110. Hyngstrom J. R., Hu C. Y., Xing Y., You Y. N., Feig B. W., Skibber J. M., Rodriguez-Bigas M. A., Cormier J. N., Chang G. J. Clinicopathology and outcomes for mucinous and signet ring colorectal adenocarcinoma: analysis from the National Cancer Data Base // Ann Surg Oncol. - 2012. - Sep. - T. 19, № 9. - C. 2814-21.

111. Ilievski I., Feng J. A Simple Loss Function for Improving the Convergence and Accuracy of Visual Question Answering Models // ArXiv. - 2017. - T. abs/1708.00584.

112. Iyengar J. N. Quality control in the histopathology laboratory: an overview with stress on the need for a structured national external quality assessment scheme // Indian J Pathol Microbiol. - 2009. - Jan-Mar. - T. 52, № 1. - C. 1-5.

113. Kather J. N., Pearson A. T., Halama N., Jäger D., Krause J., Loosen S. H., Marx A., Boor P., Tacke F., Neumann U. P., Grabsch H. I., Yoshikawa T., Brenner H., Chang-Claude J., Hoffmeister M., Trautwein C., Luedde T. Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer // Nature Medicine. - 2019. -2019/07/01. - T. 25, № 7. - C. 1054-1056.

114. Katzman B. D., van der Pol C. B., Soyer P., Patlas M. N. Artificial intelligence in emergency radiology: A review of applications and possibilities // Diagn Interv Imaging.

- 2023. - Jan. - T. 104, № 1. - C. 6-10.

115. Kelly B. S., Judge C., Bollard S. M., Clifford S. M., Healy G. M., Aziz A., Mathur P., Islam S., Yeom K. W., Lawlor A., Killeen R. P. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE) // Eur Radiol. - 2022. - Nov. - T. 32, № 11. - C. 7998-8007.

116. Ker J., Bai Y., Lee H. Y., Rao J., Wang L. Automated brain histology classification using machine learning // Journal of Clinical Neuroscience. - 2019. -2019/08/01/. - T. 66. - C. 239-245.

117. Kharin L., Bychkov I., Karnaukhov N., Voloshin M., Fazliyeva R., Deneka A., Frantsiyants E., Kit O., Golemis E., Boumber Y. Prognostic role and biologic features of Musashi-2 expression in colon polyps and during colorectal cancer progression // PLoS One.

- 2021. - T. 16, № 7. - C. e0252132.

118. Kim I., Kang K., Song Y., Kim T. J. Application of Artificial Intelligence in Pathology: Trends and Challenges // Diagnostics (Basel). - 2022. - Nov 15. - T. 12, № 11.

119. Kim J. M., Cho M. Y., Sohn J. H., Kang D. Y., Park C. K., Kim W. H., Jin S. Y., Kim K. M., Chang H. K., Yu E., Jung E. S., Chang M. S., Joo J. E., Joo M., Kim Y. W., Park D. Y., Kang Y. K., Park S. H., Han H. S., Kim Y. B., Park H. S., Chae Y. S., Kwon K. W., Chang H. J. Diagnosis of gastric epithelial neoplasia: Dilemma for Korean pathologists // World J Gastroenterol. - 2011. - Jun 7. - T. 17, № 21. - C. 2602-10.

120. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization // CoRR. -2014. - T. abs/1412.6980.

121. Korbar B., Olofson A. M., Miraflor A. P., Nicka C. M., Suriawinata M. A., Torresani L., Suriawinata A. A., Hassanpour S. Deep Learning for Classification of Colorectal Polyps on Whole-slide Images // Journal of Pathology Informatics. - 2017. -2017/01/01/. - T. 8, № 1. - C. 30.

122. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. - 2012. - T. 60. - C. 84 -90.

123. Kumar A., Gupta G. D., Raikwar S. Artificial Intelligence Technologies used for the Assessment of Pharmaceutical Excipients // Curr Pharm Des. - 2024. - T. 30, № 6.

- c. 407-409.

124. Lai B., Fu J., Zhang Q., Deng N., Jiang Q., Peng J. Artificial intelligence in cancer pathology: Challenge to meet increasing demands of precision medicine // Int J Oncol. - 2023. - Sep. - T. 63, № 3.

125. Larson E. J. The Myth of Artificial Intelligence: Why computers can't think the way we do. // Harvard University Press. - 2021.

126. Lauren P. THE TWO HISTOLOGICAL MAIN TYPES OF GASTRIC CARCINOMA: DIFFUSE AND SO-CALLED INTESTINAL-TYPE CARCINOMA. AN ATTEMPT AT A HISTO-CLINICAL CLASSIFICATION // Acta Pathol Microbiol Scand.

- 1965. - T. 64. - C. 31-49.

127. Leape L. L. Error in medicine // Jama. - 1994. - Dec 21. - T. 272, № 23. - C. 1851-7.

128. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. - 2015. - May 28. -T. 521, № 7553. - C. 436-44.

129. Lee H. J., Eom D. W., Kang G. H., Han S. H., Cheon G. J., Oh H. S., Han K. H., Ahn H. J., Jang H. J., Han M. S. Colorectal micropapillary carcinomas are associated with poor prognosis and enriched in markers of stem cells // Mod Pathol. - 2013. - Aug. -T. 26, № 8. - C. 1123-31.

130. Lee J. H., Chang K. K., Yoon C., Tang L. H., Strong V. E., Yoon S. S. Lauren Histologic Type Is the Most Important Factor Associated With Pattern of Recurrence Following Resection of Gastric Adenocarcinoma // Ann Surg. - 2018. - Jan. - T. 267, № 1. - C. 105-113.

131. Lee S. E., Park S. Y. Sarcomatoid carcinoma of the small intestine: a rare and highly aggressive tumor // J Korean Surg Soc. - 2012. - Nov. - T. 83, № 5. - C. 321-4.

132. Lin E., Fuda F., Luu H. S., Cox A. M., Fang F., Feng J., Chen M. Digital pathology and artificial intelligence as the next chapter in diagnostic hematopathology // Semin Diagn Pathol. - 2023. - Mar. - T. 40, № 2. - C. 88-94.

133. Lotter W., Hassett M. J., Schultz N., Kehl K. L., Van Allen E. M., Cerami E. Artificial Intelligence in Oncology: Current Landscape, Challenges, and Future Directions // Cancer Discov. - 2024. - May 1. - T. 14, № 5. - C. 711-726.

134. Luchini C., Pea A., Scarpa A. Artificial intelligence in oncology: current applications and future perspectives // British Journal of Cancer. - 2022. - 2022/01/01. - T. 126, № 1. - C. 4-9.

135. M. B. C. Neural networks for pattern recognition // Oxford university press. -1995. - C. 1.

136. Maguire A., Sheahan K. Primary small bowel adenomas and adenocarcinomas-recent advances // Virchows Arch. - 2018. - Sep. - T. 473, № 3. - C. 265-273.

137. Marchevsky A. M., Wick M. R. Evidence-based medicine, medical decision analysis, and pathology // Hum Pathol. - 2004. - Oct. - T. 35, № 10. - C. 1179-88.

138. Mariette C., Carneiro F., Grabsch H. I., van der Post R. S., Allum W., de Manzoni G. Consensus on the pathological definition and classification of poorly cohesive gastric carcinoma // Gastric Cancer. - 2019. - Jan. - T. 22, № 1. - C. 1-9.

139. Martin D. R., Hanson J. A., Gullapalli R. R., Schultz F. A., Sethi A., Clark D. P. A Deep Learning Convolutional Neural Network Can Recognize Common Patterns of Injury in Gastric Pathology // Arch Pathol Lab Med. - 2020. - Mar. - T. 144, № 3. - C. 370378.

140. McAlpine E. D., Pantanowitz L., Michelow P. M. Challenges Developing Deep Learning Algorithms in Cytology // Acta Cytol. - 2021. - T. 65, № 4. - C. 301-309.

141. Meyer J., Paré G. Telepathology Impacts and Implementation Challenges: A Scoping Review // Arch Pathol Lab Med. - 2015. - Dec. - T. 139, № 12. - C. 1550-7.

142. Milano A. F. 20-Year Comparative Survival and Mortality of Cancer of the Stomach by Age, Sex, Race, Stage, Grade, Cohort Entry Time-Period, Disease Duration & Selected ICD-O-3 Oncologic Phenotypes: A Systematic Review of 157,258 Cases for Diagnosis Years 1973-2014: (SEER*Stat 8.3.4) // J Insur Med. - 2019. - T. 48, № 1. - C. 523.

143. Mitchell M. Artificial intelligence: A guide for thinking humans // Penguin UK. - 2019.

144. Miyazawa M., Matsuda M., Yano M., Hara Y., Arihara F., Horita Y., Matsuda K., Sakai A., Noda Y. Gastric adenocarcinoma of fundic gland type: Five cases treated with endoscopic resection // World J Gastroenterol. - 2015. - Jul 14. - T. 21, № 26. - C. 820814.

145. M0ller M. F. A scaled conjugate gradient algorithm for fast supervised learning // Neural Networks. - 1993. - 1993/01/01/. - T. 6, № 4. - C. 525-533.

146. Mongolin A., Khomeriki S., Karnaukhov N., Abramov K., Vorobev R., Gorbachev Y., Zabruntseva A., Kornaev A. Influence of Cross Histology Transfer Learning

on the Accuracy of Medical Diagnostics Systems // Innovations in Bio-Inspired Computing and Applications / Под ред. Abraham A. и др. - Cham: Springer Nature Switzerland, 2023. - C. 926-931.

147. Morgan E., Arnold M., Gini A., Lorenzoni V., Cabasag C. J., Laversanne M., Vignat J., Ferlay J., Murphy N., Bray F. Global burden of colorectal cancer in 2020 and 2040: incidence and mortality estimates from GLOBOCAN // Gut. - 2023. - Feb. - T. 72, № 2. - C. 338-344.

148. Mubarak M. Quality Assurance in Histopathology Laboratories // Journal of Clinical and Translational Pathology. - 2023. - 11/15. - T. 000.

149. Myer N. M., Shitara K., Chung H. C., Lordick F., Kelly R. J., Szabo Z., Cao Z. A., Leong S., Ilson D. H., Weichert W. Evolution of predictive and prognostic biomarkers in the treatment of advanced gastric cancer // J Cancer Res Clin Oncol. - 2022. - Aug. - T. 148, № 8. - C. 2023-2043.

150. Nakagawa K., Moukheiber L., Celi L. A., Patel M., Mahmood F., Gondim D., Hogarth M., Levenson R. AI in Pathology: What could possibly go wrong? // Semin Diagn Pathol. - 2023. - Mar. - T. 40, № 2. - C. 100-108.

151. Nakhleh R. E. Patient safety and error reduction in surgical pathology // Arch Pathol Lab Med. - 2008. - Feb. - T. 132, № 2. - C. 181-5.

152. Nakhleh R. E., Gephardt G., Zarbo R. J. Necessity of clinical information in surgical pathology // Arch Pathol Lab Med. - 1999. - Jul. - T. 123, № 7. - C. 615-9.

153. Nakhleh R. E., Jones B., Zarbo R. J. Mammographically directed breast biopsies: a College of American Pathologists Q-Probes study of clinical physician expectations and of specimen handling and reporting characteristics in 434 institutions // Arch Pathol Lab Med. - 1997. - Jan. - T. 121, № 1. - C. 11-8.

154. Nakhleh R. E., Zarbo R. J. Surgical pathology specimen identification and accessioning: A College of American Pathologists Q-Probes Study of 1 004 115 cases from 417 institutions // Arch Pathol Lab Med. - 1996. - Mar. - T. 120, № 3. - C. 227-33.

155. Nayarisseri A., Khandelwal R., Tanwar P., Madhavi M., Sharma D., Thakur G., Speck-Planche A., Singh S. K. Artificial Intelligence, Big Data and Machine Learning Approaches in Precision Medicine & Drug Discovery // Curr Drug Targets. - 2021. - T. 22, № 6. - C. 631-655.

156. Ogundimu E. O., Altman D. G., Collins G. S. Adequate sample size for developing prediction models is not simply related to events per variable // J Clin Epidemiol. - 2016. - Aug. - T. 76. - C. 175-82.

157. Oh S., Kim J. H., Choi S. W., Lee H. J., Hong J., Kwon S. H. Physician Confidence in Artificial Intelligence: An Online Mobile Survey // J Med Internet Res. -2019. - Mar 25. - T. 21, № 3. - C. e12422.

158. Osmond A., Li-Chang H., Kirsch R., Divaris D., Falck V., Dong F., Liu, Marginean C., Newell K., Parfitt J., Rudrick B., Sapp H., Smith S., Walsh J., Driman D., David K., Driman. Interobserver variability in assessing dysplasia and architecture in colorectal adenomas: A multicentre Canadian study // J Clin Pathol. - 2014. - 06/21. - T. 67.

159. Packer M. D. C., Ravinsky E., Azordegan N. Patterns of Error in Interpretive Pathology // Am J Clin Pathol. - 2022. - May 4. - T. 157, № 5. - C. 767-773.

160. Pantanowitz L., Quiroga-Garza G. M., Bien L., Heled R., Laifenfeld D., Linhart C., Sandbank J., Albrecht Shach A., Shalev V., Vecsler M., Michelow P., Hazelhurst S., Dhir R. An artificial intelligence algorithm for prostate cancer diagnosis in whole slide images of core needle biopsies: a blinded clinical validation and deployment study // Lancet Digit Health. - 2020. - Aug. - T. 2, № 8. - C. e407-e416.

161. Parikh R. B., Teeple S., Navathe A. S. Addressing Bias in Artificial Intelligence in Health Care // Jama. - 2019. - Dec 24. - T. 322, № 24. - C. 2377-2378.

162. Parwani A. V., Hassell L., Glassy E., Pantanowitz L. Regulatory barriers surrounding the use of whole slide imaging in the United States of America // J Pathol Inform. - 2014. - T. 5, № 1. - C. 38.

163. Pasa F., Golkov V., Pfeiffer F., Cremers D., Pfeiffer D. Efficient Deep Network Architectures for Fast Chest X-Ray Tuberculosis Screening and Visualization // Sci Rep. -2019. - Apr 18. - T. 9, № 1. - C. 6268.

164. Pernot S., Voron T., Perkins G., Lagorce-Pages C., Berger A., Taieb J. Signetring cell carcinoma of the stomach: Impact on prognosis and specific therapeutic challenge // World J Gastroenterol. - 2015. - Oct 28. - T. 21, № 40. - C. 11428-38.

165. Pous A., Notario L., Hierro C., Layos L., Buges C. HER2-Positive Gastric Cancer: The Role of Immunotherapy and Novel Therapeutic Strategies // Int J Mol Sci. -2023. - Jul 13. - T. 24, № 14.

166. Powers D. Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation // Mach. Learn. Technol. - 2008. - 01/01. - T. 2.

167. Prelaj A., Miskovic V., Zanitti M., Trovo F., Genova C., Viscardi G., Rebuzzi S. E., Mazzeo L., Provenzano L., Kosta S., Favali M., Spagnoletti A., Castelo-Branco L., Dolezal J., Pearson A. T., Lo Russo G., Proto C., Ganzinelli M., Giani C., Ambrosini E., Turajlic S., Au L., Koopman M., Delaloge S., Kather J. N., de Braud F., Garassino M. C., Pentheroudakis G., Spencer C., Pedrocchi A. L. G. Artificial intelligence for predictive biomarker discovery in immuno-oncology: a systematic review // Ann Oncol. - 2024. - Jan. - T. 35, № 1. - C. 29-65.

168. Rajkomar A., Dean J., Kohane I. Machine Learning in Medicine // N Engl J Med. - 2019. - Apr 4. - T. 380, № 14. - C. 1347-1358.

169. Ramsay A. D. Errors in histopathology reporting: detection and avoidance // Histopathology. - 1999. - Jun. - T. 34, № 6. - C. 481-90.

170. Retamero J. A., Aneiros-Fernandez J., Del Moral R. G. Complete Digital Pathology for Routine Histopathology Diagnosis in a Multicenter Hospital Network // Arch Pathol Lab Med. - 2020. - Feb. - T. 144, № 2. - C. 221-228.

171. Rex D. K., Ahnen D. J., Baron J. A., Batts K. P., Burke C. A., Burt R. W., Goldblum J. R., Guillem J. G., Kahi C. J., Kalady M. F., O'Brien M. J., Odze R. D., Ogino S., Parry S., Snover D. C., Torlakovic E. E., Wise P. E., Young J., Church J. Serrated lesions

of the colorectum: review and recommendations from an expert panel // Am J Gastroenterol. - 2012. - Sep. - T. 107, № 9. - C. 1315-29; quiz 1314, 1330.

172. Rokutan H., Hosoda F., Hama N., Nakamura H., Totoki Y., Furukawa E., Arakawa E., Ohashi S., Urushidate T., Satoh H., Shimizu H., Igarashi K., Yachida S., Katai H., Taniguchi H., Fukayama M., Shibata T. Comprehensive mutation profiling of mucinous gastric carcinoma // J Pathol. - 2016. - Oct. - T. 240, № 2. - C. 137-48.

173. U-Net: Convolutional Networks for Biomedical Image Segmentation. / Ronneberger O., Fischer P., Brox T., 2015. - 234-241 c.

174. Roy J. E., Hunt J. L. Detection and classification of diagnostic discrepancies (errors) in surgical pathology // Adv Anat Pathol. - 2010. - Sep. - T. 17, № 5. - C. 359-65.

175. Ryan R., Gibbons D., Hyland J. M., Treanor D., White A., Mulcahy H. E., O'Donoghue D. P., Moriarty M., Fennelly D., Sheahan K. Pathological response following long-course neoadjuvant chemoradiotherapy for locally advanced rectal cancer // Histopathology. - 2005. - Aug. - T. 47, № 2. - C. 141-6.

176. Sahu A., Mishra J., Kushwaha N. Artificial Intelligence (AI) in Drugs and Pharmaceuticals // Comb Chem High Throughput Screen. - 2022. - T. 25, № 11. - C. 18181837.

177. Sajithkumar A., Thomas J., Saji A. M., Ali F., E K. H., Adampulan H. A. G., Sarathchand S. Artificial Intelligence in pathology: current applications, limitations, and future directions // Ir J Med Sci. - 2024. - Apr. - T. 193, № 2. - C. 1117-1121.

178. Sakuramoto S., Sasako M., Yamaguchi T., Kinoshita T., Fujii M., Nashimoto A., Furukawa H., Nakaj ima T., Ohashi Y., Imamura H., Higashino M., Yamamura Y., Kurita A., Arai K. Adjuvant chemotherapy for gastric cancer with S-1, an oral fluoropyrimidine // N Engl J Med. - 2007. - Nov 1. - T. 357, № 18. - C. 1810-20.

179. Salas M., Petracek J., Yalamanchili P., Aimer O., Kasthuril D., Dhingra S., Junaid T., Bostic T. The Use of Artificial Intelligence in Pharmacovigilance: A Systematic Review of the Literature // Pharmaceut Med. - 2022. - Oct. - T. 36, № 5. - C. 295-306.

180. Salto-Tellez M., Maxwell P., Hamilton P. Artificial intelligence-the third revolution in pathology // Histopathology. - 2019. - Feb. - T. 74, № 3. - C. 372-376.

181. Sano T., Coit D. G., Kim H. H., Roviello F., Kassab P., Wittekind C., Yamamoto Y., Ohashi Y. Proposal of a new stage grouping of gastric cancer for TNM classification: International Gastric Cancer Association staging project // Gastric Cancer. -2017. - Mar. - T. 20, № 2. - C. 217-225.

182. Saunders C. H., Petersen C. L., Durand M. A., Bagley P. J., Elwyn G. Bring on the Machines: Could Machine Learning Improve the Quality of Patient Education Materials? A Systematic Search and Rapid Review // JCO Clin Cancer Inform. - 2018. - Dec. - T. 2. -C. 1-16.

183. Serra O., Galán M., Ginesta M. M., Calvo M., Sala N., Salazar R. Comparison and applicability of molecular classifications for gastric cancer // Cancer Treat Rev. - 2019. - Jul. - T. 77. - C. 29-34.

184. Shafi S., Parwani A. V. Artificial intelligence in diagnostic pathology // Diagn Pathol. - 2023. - Oct 3. - T. 18, № 1. - C. 109.

185. Shimizu H., Nakayama K. I. Artificial intelligence in oncology // Cancer Sci. -2020. - May. - T. 111, № 5. - C. 1452-1460.

186. Shmatko A., Ghaffari Laleh N., Gerstung M., Kather J. N. Artificial intelligence in histopathology: enhancing cancer research and clinical oncology // Nat Cancer. - 2022. -Sep. - T. 3, № 9. - C. 1026-1038.

187. Simon Eggelston L. B., Kyoko Miwa, Todd Ngara, Kiyoto Tanabe. IPCC Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories. 1st ed. Joe Mangino. Chaper 8: Quality Assurance and Quality Control. // Geneva (Switzerland): The Institute for Global Environmental Strategies (IGES) for the IPCC. -2006.

188. Smyth E. C., Verheij M., Allum W., Cunningham D., Cervantes A., Arnold D. Gastric cancer: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up // Ann Oncol. - 2016. - Sep. - T. 27, № suppl 5. - C. v38-v49.

189. Socha P., Shumbayawonda E., Roy A., Langford C., Aljabar P., Wozniak M., Chelstowska S., Jurkiewicz E., Banerjee R., Fleming K., Pronicki M., Janowski K., Grajkowska W. Quantitative digital pathology enables automated and quantitative assessment of inflammatory activity in patients with autoimmune hepatitis // J Pathol Inform.

- 2024. - Dec. - T. 15. - C. 100372.

190. Soliman A., Li Z., Parwani A. V. Artificial intelligence's impact on breast cancer pathology: a literature review // Diagn Pathol. - 2024. - Feb 22. - T. 19, № 1. - C. 38.

191. Song A. H., Jaume G., Williamson D. F. K., Lu M. Y., Vaidya A., Miller T. R., Mahmood F. Artificial intelligence for digital and computational pathology // Nature Reviews Bioengineering. - 2023. - 2023/12/01. - T. 1, № 12. - C. 930-949.

192. Steiner D. F., MacDonald R., Liu Y., Truszkowski P., Hipp J. D., Gammage C., Thng F., Peng L., Stumpe M. C. Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer // Am J Surg Pathol. - 2018. - Dec.

- T. 42, № 12. - C. 1636-1646.

193. Swillens J. E. M., Nagtegaal I. D., Engels S., Lugli A., Hermens R., van der Laak J. Pathologists' first opinions on barriers and facilitators of computational pathology adoption in oncological pathology: an international study // Oncogene. - 2023. - Sep. - T. 42, № 38. - C. 2816-2827.

194. Syed S., Al-Boni M., Khan M. N., Sadiq K., Iqbal N. T., Moskaluk C. A., Kelly P., Amadi B., Ali S. A., Moore S. R., Brown D. E. Assessment of Machine Learning Detection of Environmental Enteropathy and Celiac Disease in Children // JAMA Netw Open. - 2019. - Jun 5. - T. 2, № 6. - C. e195822.

195. T. R. Make your own neural network // CreateSpace Independent Publishing Platform. - 2016.

196. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. / Tan M., Le Q., 2019.

197. Têtu B., Evans A. Canadian licensure for the use of digital pathology for routine diagnoses: one more step toward a new era of pathology practice without borders // Arch Pathol Lab Med. - 2014. - Mar. - T. 138, № 3. - C. 302-4.

198. Topol E. J. High-performance medicine: the convergence of human and artificial intelligence // Nature Medicine. - 2019. - 2019/01/01. - T. 25, № 1. - C. 44-56.

199. Torlakovic E., Skovlund E., Snover D. C., Torlakovic G., Nesland J. M. Morphologic reappraisal of serrated colorectal polyps // Am J Surg Pathol. - 2003. - Jan. -T. 27, № 1. - C. 65-81.

200. Tsagkalidis V., Blaszczyk M. B., In H. Interpretation of Tumor Response Grade following Preoperative Therapy for Gastric Cancer: An Overview // Cancers (Basel). - 2023.

- Jul 18. - T. 15, № 14.

201. Turner J. K., Williams G. T., Morgan M., Wright M., Dolwani S. Interobserver agreement in the reporting of colorectal polyp pathology among bowel cancer screening pathologists in Wales // Histopathology. - 2013. - May. - T. 62, № 6. - C. 916-24.

202. Turner J. R., Odze R. D. Proliferative characteristics of differentiated cells in familial adenomatous polyposis-associated duodenal adenomas // Hum Pathol. - 1996. - Jan.

- T. 27, № 1. - C. 63-9.

203. Ushiku T., Shinozaki A., Shibahara J., Iwasaki Y., Tateishi Y., Funata N., Fukayama M. SALL4 represents fetal gut differentiation of gastric cancer, and is diagnostically useful in distinguishing hepatoid gastric carcinoma from hepatocellular carcinoma // Am J Surg Pathol. - 2010. - Apr. - T. 34, № 4. - C. 533-40.

204. Ustun T. B. International Encyclopedia of Public Health (Second Edition) //. -

2017.

205. van den Driessche P., Zou X. Global Attractivity in Delayed Hopfield Neural Network Models // SIAM Journal on Applied Mathematics. - 1998. - T. 58, № 6. - C. 18781890.

206. van Diest P. J., Flach R. N., van Dooijeweert C., Makineli S., Breimer G. E., Stathonikos N., Pham P., Nguyen T. Q., Veta M. Pros and cons of artificial intelligence

implementation in diagnostic pathology // Histopathology. - 2024. - May. - T. 84, № 6. -C. 924-934.

207. Veldhuizen G., Röcken C., Behrens H.-M., Cifci D., Muti H., Yoshikawa T., Arai T., Oshima T., Tan P., Ebert M., Pearson A., Calderaro J., Grabsch H., Kather J. Deep learning-based subtyping of gastric cancer histology predicts clinical outcome: a multi-institutional retrospective study // Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association. - 2023. - 06/03. - T. 26.

208. Vorontsov E., Bozkurt A., Casson A., Shaikovski G., Zelechowski M., Severson K., Zimmermann E., Hall J., Tenenholtz N., Fusi N., Yang E., Mathieu P., van Eck A., Lee D., Viret J., Robert E., Wang Y. K., Kunz J. D., Lee M. C. H., Bernhard J. H., Godrich R. A., Oakley G., Millar E., Hanna M., Wen H., Retamero J. A., Moye W. A., Yousfi R., Kanan C., Klimstra D. S., Rothrock B., Liu S., Fuchs T. J. A foundation model for clinical-grade computational pathology and rare cancers detection // Nature Medicine. -2024. - 2024/07/22.

209. Wang X., Zhao L., Liu H., Zhong D., Liu W., Shan G., Dong F., Gao W., Bai C., Li X. A phase II study of a modified FOLFOX6 regimen as neoadjuvant chemotherapy for locally advanced gastric cancer // Br J Cancer. - 2016. - Jun 14. - T. 114, № 12. - C. 1326-33.

210. Wei J. W., Wei J. W., Jackson C. R., Ren B., Suriawinata A. A., Hassanpour S. Automated Detection of Celiac Disease on Duodenal Biopsy Slides: A Deep Learning Approach // J Pathol Inform. - 2019. - T. 10. - C. 7.

211. Woerl A.-C., Eckstein M., Geiger J., Wagner D. C., Daher T., Stenzel P., Fernandez A., Hartmann A., Wand M., Roth W., Foersch S. Deep Learning Predicts Molecular Subtype of Muscle-invasive Bladder Cancer from Conventional Histopathological Slides // European Urology. - 2020. - 2020/08/01/. - T. 78, № 2. - C. 256-264.

212. Xue Y., Vanoli A., Balci S., Reid M. M., Saka B., Bagci P., Memis B., Choi H., Ohike N., Tajiri T., Muraki T., Quigley B., El-Rayes B. F., Shaib W., Kooby D., Sarmiento

J., Maithel S. K., Knight J. H., Goodman M., Krasinskas A. M., Adsay V. Non-ampullary-duodenal carcinomas: clinicopathologic analysis of 47 cases and comparison with ampullary and pancreatic adenocarcinomas // Mod Pathol. - 2017. - Feb. - T. 30, № 2. - C. 255-266.

213. Y-F H. FDA Regulation of Digital Pathology Devices // Digital Pathology Congress USA, San Diego, CA. - 2015.

214. Yamada T., Yoshikawa T., Taguri M., Hayashi T., Aoyama T., Sue-Ling H. M., Bonam K., Hayden J. D., Grabsch H. I. The survival difference between gastric cancer patients from the UK and Japan remains after weighted propensity score analysis considering all background factors // Gastric Cancer. - 2016. - Apr. - T. 19, № 2. - C. 479-489.

215. Yamashita K., Sakuramoto S., Katada N., Futawatari N., Moriya H., Hirai K., Kikuchi S., Watanabe M. Diffuse type advanced gastric cancer showing dismal prognosis is characterized by deeper invasion and emerging peritoneal cancer cell: the latest comparative study to intestinal advanced gastric cancer // Hepatogastroenterology. - 2009. - Jan-Feb. -T. 56, № 89. - C. 276-81.

216. Yang K., Li J., Cheng Y., Bai C. Evolving landscape of clinical trials in gastroenteropancreatic neuroendocrine neoplasms in the past two decades // Endocr Connect. - 2023. - Apr 1. - T. 12, № 4.

217. Yilmaz F., Brickman A., Najdawi F., Yakirevich E., Egger R., Resnick M. B. Advancing Artificial Intelligence Integration Into the Pathology Workflow: Exploring Opportunities in Gastrointestinal Tract Biopsies // Lab Invest. - 2024. - May. - T. 104, № 5. - C. 102043.

218. You Y., Lai X., Pan Y., Zheng H., Vera J., Liu S., Deng S., Zhang L. Artificial intelligence in cancer target identification and drug discovery // Signal Transduction and Targeted Therapy. - 2022. - 2022/05/10. - T. 7, № 1. - C. 156.

219. Yousif M., van Diest P. J., Laurinavicius A., Rimm D., van der Laak J., Madabhushi A., Schnitt S., Pantanowitz L. Artificial intelligence applied to breast pathology // Virchows Arch. - 2022. - Jan. - T. 480, № 1. - C. 191-209.

220. Yu Y., Fang Y., Shen Z., Wang Y., Yan M., Cao H., Liu Y., Wang X., Cui Y., Liu F., Chen W., Li W., Li Q., Jiang H., Sun Y., Liu T. Oxaliplatin plus Capecitabine in the Perioperative Treatment of Locally Advanced Gastric Adenocarcinoma in Combination with D2 Gastrectomy: NEO-CLASSIC Study // Oncologist. - 2019. - Oct. - T. 24, № 10. - C. 1311-e989.

221. Zarbo R. J. Determining customer satisfaction in anatomic pathology // Arch Pathol Lab Med. - 2006. - May. - T. 130, № 5. - C. 645-9.

222. Zarbo R. J., Gephardt G. N., Howanitz P. J. Intralaboratory timeliness of surgical pathology reports. Results of two College of American Pathologists Q-Probes studies of biopsies and complex specimens // Arch Pathol Lab Med. - 1996. - Mar. - T. 120, № 3. - C. 234-44.

223. Zarbo R. J., Nakhleh R. E., Walsh M. Customer satisfaction in anatomic pathology. A College of American Pathologists Q-Probes study of 3065 physician surveys from 94 laboratories // Arch Pathol Lab Med. - 2003. - Jan. - T. 127, № 1. - C. 23-9.

224. Zhang S., Li J. Z., Du T., Li H. Q., Hu R. H., Ma C. Y., Cui X. M., Song C., Jiang X. H. The Modified Glasgow Prognostic Score Predicts Survival in Gastric Cancer Patients with Normal CEA and CA19-9 // Can J Gastroenterol Hepatol. - 2022. - T. 2022. - C. 3953004.

225. Zheng H., Takahashi H., Murai Y., Cui Z., Nomoto K., Miwa S., Tsuneyama K., Takano Y. Pathobiological characteristics of intestinal and diffuse-type gastric carcinoma in Japan: an immunostaining study on the tissue microarray // J Clin Pathol. -2007. - Mar. - T. 60, № 3. - C. 273-7.

226. Zhou H., Shen Z., Zhao J., Zhou Z., Xu Y. [Distribution characteristics and risk factors of colorectal adenomas] // Zhonghua Wei Chang Wai Ke Za Zhi. - 2018. - Jun 25. -T. 21, № 6. - C. 678-684.