Искусственный интеллект в современной нейрохирургии: новые перспективы ламинопластики

ВВЕДЕНИЕ. Применение ламинопластики все чаще встречается в современной клинической практике. Несмотря на очевидные преимущества, данная операция сопряжена с рядом проблем, кроме того, как и любая инвазивная процедура, сопряжена с потенциальными осложнениями. В последние годы революционные достижения в области информационных технологий изменили множество дисциплин и секторов, причем медицина, а точнее – нейрохирургия, стала важнейшей областью таких инновационных метаморфоз. Пересечение искусственного интеллекта (ИИ) и нейрохирургии предвещает футуристическую главу с беспрецедентным потенциалом, которая обещает улучшение условий хирургической практики и результатов лечения пациентов. В основе развития этого направления можно рассмотреть применение ИИ к методу ламинопластики.

ЦЕЛЬ. Проанализировать возможности использования ИИ при ламинопластике как важнейшем методе декомпрессии позвоночного канала.

МАТЕРИАЛЫ И МЕТОДЫ. Был произведен метаанализ по публикациям на данную тематику на англо- и русскоязычных ресурсах PubMed, Medscape, eLIBRARY. Поиск осуществлялся по ключевым словам: «ИИ», «ламинопластика», «задний доступ», «внедрение ИИ в нейрохирургию», «шейный отдел позвоночника». Все работы рассматривались во временном диапазоне с 2019 по 2023 г. Количество отобранных и проанализированных работ – 68.

РЕЗУЛЬТАТЫ. Выявлены данные о положительных исходах применения ИИ в нейрохирургии, а именно – связанные с анализом инструментальных данных (МРТ), дооперационных исследований, интраоперационных изменений и также непосредственное применение ИИ в операционном вмешательстве.

ЗАКЛЮЧЕНИЕ. Интегрируя ИИ, мы можем оптимизировать точность диагностики, хирургическое планирование и оперативную точность, значительно улучшая результаты лечения пациентов. Тем не менее внедрение ИИ сопряжено с соответствующими этическими и правовыми соображениями, которые требуют тщательного изучения. 

1. Danilov G. V., Shifrin M. A., Kotik K. V., Ishankulov T. A., Orlov Y. N., Kulikov A. S., Potapov A. A. Artificial intelligence in neurosurgery: A systematic review using topic modeling. Part I: Major research areas. Sovremennye Tehnologii v Medicine. 2020;12(5):106–112. Doi: 10.17691/stm2020.12.5.12.

2. Danilov G. V., Shifrin M. A., Kotik K. V., Ishankulov T. A., Orlov Y. N., Kulikov A. S., Potapov A. A. Artificial Intelligence Technologies in Neurosurgery: a Systematic Literature Review Using Topic Modeling. Part II: Research Objectives and Perspectives. Sovremennye Tehnologii v Medicine. 2021;12(6):111–118. Doi: 10.17691/stm2020.12.6.12.

3. Jonathan A. Tangsrivimol, Ethan Schonfeld, Michael Zhang, Anand Veeravagu, Timothy R. Smith, Roger Härtl, Michael T. Lawton, Adham H. El-Sherbini, Daniel M. Prevedello, Benjamin S. Glicksberg, Chayakrit Krittanawong. Artificial Intelligence in Neurosurgery: A State-of-the-Art Review from Past to Future. PMC: 10378231. Doi: 10.3390/diagnostics13142429.

4. Tabatabaei M., Razaei A., Sarrami A. H., Saadatpour Z., Singhal A., Sotoudeh H. Current Status and Quality of Machine Learning-Based Radiomics Studies for Glioma Grading: A Systematic Review. Oncology. 2021;99(7):433–443. Doi: 10.1159/000515597.

5. Ning Z., Luo J., Xiao Q., Cai L., Chen Y., Yu X., Wang J., Zhang Y. Multi-modal magnetic resonance imaging-based grading analysis for gliomas by integrating radiomics and deep features. Ann Transl Med. 2021;9(4):298. Doi: 10.21037/atm-20-4076.

6. Jian A., Jang K., Manuguerra M., Liu S., Magnussen J., Di Ieva A. Machine Learning for the Prediction of Molecular Markers in Glioma on Magnetic Resonance Imaging: A Systematic Review and Meta-Analysis. Neurosurgery. 2021;89(1):31–44. Doi: 10.1093/neuros/nyab103.

7. D’Este S., Nielsen M., Hansen A. Visualizing Glioma Infiltration by the Combination of Multimodality Imaging and Artificial Intelligence, a Systematic Review of the Literature. Diagnostics. 2021;11(4):592. Doi: 10.3390/diagnostics11040592.

8. Van Kempen E., Post M., Mannil M., Witkam R., Ter Laan M., Patel A., Meijer F. J. A., Henssen D. Performance of machine learning algorithms for glioma segmentation of brain MRI: a systematic literature review and metaanalysis. European Radiology. 2021;31(12):9638–9653. Doi: 10.1007/s00330-021-08035-0.

9. Huang J., Shlobin N. A., Lam S. K., DeCuypere M. Artificial Intelligence Applications in Pediatric Brain Tumor Imaging: A Systematic Review. World Neurosurgery. 2022;(157):99–105.

10. Kocher M., Ruge M. I.., Galldiks N, Lohmann P. Applications of radiomics and machine learning for radiotherapy of malignant brain tumors. Strahlentherapie Und Onkologie. 2020;196(10):856–867. Doi: 10.1007/s00066-020-01626-8.

11. Гиниятова Д. Х., Лапинский В. А. Детектирование новообразований на компьютерных томограммах с использованием нейронных сетей // Программные системы: теория и приложения. 2022. Т. 13, № 3 (54). С. 61–79.

12. Mick J. Perez-Cruet, Robert J. Welsh, Namath S. Hussain, Evan M. Begun, Jules Lin, Paul Park. Use of the da Vinci minimally invasive robotic system for resection of a complicated paraspinal schwannoma with thoracic extension: case report. Doi: 10.1227/NEU.0b013e31826112d8.

13. Данилов Г. В., Потапов А. А., Шифрин М. А. и др. Исследование осложнений в нейрохирургии с помощью технологий искусственного интеллекта // Рос. нейрохирург. журн. им. проф. А. Л. Поленова. 2022.

14. Прогнозирование послеоперационных осложнений на основе нейросетевых технологий / Л. А. Басова, О. Е. Карякина, Н. А. Мартынова, Л. В. Кочорова. Doi: 10.12737/17035.

15. Petukhova N. V., Farkhadov M. P., Zamegrad M. .V, Grachev S. P. Digital technologies in the diagnosis and treatment of neurological diseases. Nevrologiya, neiropsikhiatriya, psikhosomatika = Neurology, Neuropsychiatry, Psychosomatics. 2019;11(4):104–110. Doi: 10.14412/2074-2711-2019-4-104-110.

16. Petersson L., Larsson I., Nygren J. M. et al. Challenges to implementing artificial intelligence in healthcare: a qualitative interview study with healthcare leaders in Sweden. BMC Health Serv Res. 2022;2(2):850. Doi: 10.1186/s12913-022-08215-8.