Диагностика заболеваний печени всегда была непростой задачей. Традиционные методы, такие как биопсия, дают точную информацию о состоянии печени. Однако эта процедура инвазивна и не всегда подходит для массового скрининга. Эндоскопия, ультразвуковое исследование, компьютерная и магнитно-резонансная томография (МРТ) позволяют визуализировать орган. Тем не менее ранние изменения, особенно при стеатозе и начальном фиброзе, часто остаются незаметными даже для опытных специалистов. Именно здесь на помощь приходят гибридные модели искусственного интеллекта (ИИ), которые объединяют данные изображений и лабораторные показатели [1].
В таких моделях искусственный интеллект сначала анализирует визуальные признаки на ультразвуковом или МРТ-снимке. Он оценивает текстуру печени, распределение жировой ткани и признаки уплотнения. Затем эта информация сопоставляется с результатами анализов крови и другими биомаркерами, такими как показатели аланинаминотрансферазы, аспартатаминотрансферазы, билирубина, ферритина и метаболические параметры. Объединяя эти данные, модель формирует вероятностную оценку стадии стеатоза или фиброза.
Исследования показывают, что гибридные подходы повышают точность диагностики до 92–93% [2]. Это превосходит результаты, полученные при использовании только изображений или только лабораторных данных.
Кроме высокой точности, гибридные модели дают врачу еще одно важное преимущество – возможность раннего выявления изменений, которые пока не проявились клинически. Например, в исследовании Kashyap и соавт. (2025 г.) алгоритм обнаружил признаки раннего фиброза у пациентов с почти нормальными биохимическими показателями. Это позволило своевременно начать наблюдение и скорректировать терапию. Такие системы помогают снизить количество ненужных биопсий и дают более объективную оценку состояния печени.
Особое внимание уделяется объяснимости моделей. В некоторых гибридных подходах используются методы объяснимого ИИ (explainable AI) [3]. Они показывают врачу, какие именно признаки изображения или биомаркеры повлияли на итоговое решение. Это повышает доверие к модели и позволяет интегрировать ее в клиническую практику, не заменяя, а дополняя мнение специалиста. Систематические обзоры подтверждают эффективность таких подходов [4]. Мультидисциплинарные модели, объединяющие изображения и лабораторные данные, демонстрируют высокую чувствительность и специфичность при диагностике стеатоза, неалкогольного стеатогепатита и фиброза. Благодаря этому они становятся надежным инструментом для мониторинга пациентов.
Дальнейшее развитие таких моделей связано с улучшением алгоритмов анализа изображений, расширением базы биомаркеров и адаптацией технологий к разным популяциям пациентов.
В целом гибридные ИИ-модели открывают перспективу для неинвазивной, точной и ранней диагностики заболеваний печени. Они снижают зависимость от субъективного опыта врача и повышают качество ведения пациентов. Это направление активно развивается и уже сегодня демонстрирует реальные преимущества в клинической практике.
Литература
1. Yin C, Zhang H, Du J et al. Artificial intelligence in imaging for liver disease diagnosis // Frontiers in Medicine. 2025.
2. Nivethitha V et al. Diagnostic accuracy of artificial intelligence models for imaging detection of hepatic steatosis. Scientific Reports. 2025.
3. Explainable AI leveraging hybrid optimized framework for liver cirrhosis detection (XAIHO framework). Springer. 2025.
4. Zamanian H, Shalbaf A, Zali MR et al. Application of artificial intelligence techniques for non-alcoholic fatty liver disease diagnosis: systematic review. Comput Methods Programs Biomed. 2024 Feb; 244: 107932.
