Опухоли печени представляют значимую проблему здравоохранения, занимая одно из ведущих мест по смертности от рака [1]. В клинической практике современные стационары сталкиваются с необходимостью оперативного и точного принятия наиболее эффективных и безопасных диагностических и лечебных решений при ведении пациентов с объемными новообразованиями печени [2]. Эта патология остается крайне сложной: радикальное лечение таких пациентов часто сопряжено с высоким риском интра- и послеоперационных осложнений, а долгосрочные результаты нередко неудовлетворительны [3].

Важно подчеркнуть, что комплексная диагностика и планирование хирургического лечения необходимы не только при злокачественных, но и при доброкачественных очаговых образованиях печени. Крупные гемангиомы, аденомы, фокальная нодулярная гиперплазия (ФНГ) и сложные кисты в ряде случаев могут приводить к выраженному болевому синдрому, риску разрыва, компрессии сосудов и желчных протоков, что делает их клинически значимыми и требует тщательного предоперационного анализа [4].

В этой связи растет интерес к внедрению технологий искусственного интеллекта (ИИ) и трехмерного (3D, three-dimensional) моделирования в клиническую практику хирургии печени [5]. Интеграция ИИ-сервисов и 3D-визуализации принципиально трансформирует процесс клинического принятия решений, позволяя перейти от субъективной интерпретации изображений к объективному анализу количественных данных [6]. Современные нейросетевые алгоритмы уже демонстрируют способность автоматически сегментировать структуры печени на изображениях компьютерной томографии (КТ) с точностью до 92–94%, что повышает воспроизводимость диагностики и сокращает ее временные затраты [7].

Совместное использование ИИ-сервисов и 3D-моделирования позволяет формировать персонализированные виртуальные реконструкции печени с высокой точностью визуализации очаговых образований печени и их анатомических взаимоотношений с сосудистыми структурами и билиарным деревом [8]. Это, в свою очередь, ускоряет диагностический этап, снижая необходимость в ряде инвазивных процедур и уменьшая нагрузку на пациента [9]. Результаты клинических исследований показывают, что применение 3D-навигации и 3D-реконструкций ассоциируется со значительным сокращением длительности операций и снижением частоты R1-резекций, что напрямую способствует повышению хирургической результативности и безопасности вмешательств [4][10]. Таким образом, цифровые технологии не только ускоряют этап диагностики и планирования, но и повышают качество хирургической помощи пациентам с опухолями печени [11].

Цель исследования: оценить диагностическую и клиническую эффективность системы поддержки принятия врачебных решений HepatoScan AI, объединяющую нейросетевой анализ медицинских изображений и интерактивную 3D-визуализацию, в условиях реальной клинической практики.

Разработка и валидация системы поддержки принятия врачебных решений – HepatoScan AI при очаговых образованиях печени выполнена в сотрудничестве ГБУЗ «ММНКЦ им. С.П. Боткина ДЗМ» и ГБУЗ «НПКЦ ДиТ ДЗМ». Система зарегистрирована в Российской Федерации в качестве программы для ЭВМ [12].

Подробно процесс обучения программы и показатели точности классификации доброкачественных и злокачественных новообразований представлены нами ранее [13].

Для унификации описания морфологических и анатомических характеристик очаговых образований печени, а также стандартизации предоперационного планирования нами разработана классификация TROPH-L (Tumor – Regional capsule – Outflow veins – Portal vein – Hepatic bile – Localization, опухоль – отношение к капсуле печени – печeночные вены (отток) – воротная вена – желчные протоки – локализация). Она предназначена для системного анализа пространственных взаимосвязей опухоли с основными структурами печени на основе данных 3D-моделирования и нейросетевой сегментации.

В основе классификации лежит интеграция морфологических и топографо-анатомических признаков, полученных из виртуальной 3D-модели, с клинически значимыми параметрами резектабельности. Критерии TROPH-L включают:

Для предоперационного планирования использован специализированный алгоритм 3D-моделирования с расчетом объемных показателей печени и последующей стратификацией пациентов по классификации TROPH-L. Предоперационные КТ-исследования с контрастным усилением импортировались в программную среду 3D Slicer в формате NIfTI. Здесь выполнялась анатомическая реконструкция печени с полуавтоматической сегментацией сосудистых и билиарных структур [14].

На втором этапе применялось расширение Slicer-Liver для автоматического построения границ сегментов печени по Couinaud и вычисления центральных линий сосудистых деревьев. Следующим этапом выполнялось виртуальное моделирование резекции печени. В модуле Resections задавалась линия предполагаемой резекции с автоматическим расчетом объемов печеночной паренхимы: общего объема печени (TLV, total liver volume), объема резецируемой части (RV, resection volume), объема остаточной печени (RLV, remnant liver volume), а также объема очагового образования (TuV, tumor volume).

Автоматически вычислялся скорректированный объем будущего остатка печени (aFLR, adjusted future liver remnant), отражающий долю функционально сохраненной паренхимы и служащий критерием безопасности планируемого вмешательства (оптимальное значение ≥ 30%). Готовые модели экспортировались в формат STL, проходили постобработку в программе Blender (Blender Online Community, Version 4.0.2) с присвоением цветовых меток анатомических структур, после чего конвертировались в glTF (.glb) для использования в системах 3D-визуализации и дополненной реальности1.

Весь процесс 3D-моделирования выполнялся хирургами специализированного отделения гепатопанкреатобилиарной хирургии, обладающими навыками работы в 3D-редакторе, совместно с врачом лучевой диагностики ГБУЗ «ММНКЦ им. С.П. Боткина ДЗМ». Первичная автоматическая сегментация структур на КТ, выполненная системой HepatoScan AI, проверялась и при необходимости вручную корректировалась заведующим отделением лучевой диагностики М.П. Онищенко.

Финальное построение виртуальной модели печени и планирование объема резекции выполнялись в тесном междисциплинарном взаимодействии оперирующего хирурга (М.М. Тавобилов, А.А. Карпов, А.В. Ланцынова, М.Н. Аладин, К.А. Абрамов, Е.Б. Кудряш) и специалиста по 3D-моделированию (М.Н. Аладин). Среднее время создания индивидуальной 3D-модели составляло около одного часа (рис. 1).

Разработанная классификация TROPH-L позволяет структурировать морфолого-анатомические характеристики очаговых образований печени и стратифицировать пациентов на три категории сложности оперативного лечения, что имеет ключевое значение при планировании объема вмешательства и выборе тактики лечения (табл. 1).

Такое распределение дает возможность прогнозировать: объем и сложность операции, необходимость применения расширенных или комбинированных резекций, а также потенциальный риск осложнений. Интеграция TROPH-L с системой HepatoScan AI и алгоритмами 3D-моделирования формирует комплексный предоперационный инструментарий, основанный на объективных анатомо-функциональных данных, что обеспечивает более высокую точность хирургического планирования по сравнению с традиционными субъективными подходами.

Проведено одноцентровое сравнительное исследование в условиях реальной клинической практики с включением проспективной когорты с ИИ-поддержкой предоперационного планирования и целенаправленно подобранной ретроспективной когорты, в которой применялись стандартные методы предоперационного планирования.

Расчет необходимого числа пациентов проводился исходя из первичной конечной точки – различий в диагностической эффективности (чувствительность выявления и дифференциальной диагностики очаговых образований печени). Согласно опубликованным данным, внедрение алгоритмов ИИ в лучевую диагностику позволяет повысить чувствительность диагностики на 8–12%. При ожидаемом увеличении чувствительности не менее чем на 8%, уровне статистической значимости α = 0,05 и мощности исследования 80% минимально необходимый размер выборки составил не менее 90 пациентов в каждой группе.

Для участия в исследовании анализировались все пациенты, оперированные в специализированном отделении хирургии печени и поджелудочной железы ГБУЗ «ММНКЦ им. С.П. Боткина ДЗМ» в период с 21.01.2021 по 27.06.2025.

Критерии включения:

Критерии невключения:

В проспективную когорту с ИИ-поддержкой предоперационного планирования включались пациенты, проходившие лечение в период с 01.02.2023 по 27.06.2025, у которых в процессе предоперационного планирования использовалась система поддержки принятия врачебных решений HepatoScan AI с интеграцией 3D-моделирования. Исходно для включения в данную когорту оценены 148 пациентов; критерии невключения были выявлены у 44 пациентов. В итоговый анализ включены 104 пациента (рис. 2). Распределение по нозологическим формам было следующим: карциномы печени (n = 30), в том числе холангиоцеллюлярная карцинома (ХЦК, n = 11) и гепатоцеллюлярная карцинома (ГЦК, n = 19), гемангиомы печени (n = 22), простые кисты печени (n = 30) и ФНГ (n = 22).

Для минимизации влияния различий в нозологическом составе на анализ диагностической и хирургической эффективности в соответствии с общепринятой методологией сравнительных хирургических исследований был выполнен целенаправленный подбор ретроспективной когорты на уровне подгрупп по нозологическим формам с учетом сопоставимости размеров очаговых образований и основных демографических характеристик.

Для включения в группу стандартного предоперационного планирования (ретроспективная когорта) оценены 174 пациента с очаговыми образованиями печени, перенесшие хирургическое лечение в период с 21.01.2021 по 25.01.2023, у которых применялись стандартные методы предоперационного планирования. В соответствии с критериями исключения были исключены 74 пациента. В итоговый анализ включены 100 пациентов со следующими нозологическими формами: карциномы печени (n = 27), в том числе ХЦК (n = 7) и ГЦК (n = 20); гемангиомы печени (n = 23), простые кисты печени (n = 30) и ФНГ (n = 20). Включение пациентов в исследование представлено на рисунке 2.

Все пациенты в обеих когортах были объектом для оценки диагностической эффективности. Для каждого пациента формировалось единое предоперационное диагностическое заключение о характере очагового образования печени, которое использовалось для расчета диагностических метрик. При наличии у пациента нескольких очаговых образований анализ выполнялся на уровне клинически значимого очага, определявшего тактику хирургического лечения.

Сопоставление результатов, полученных с использованием системы HepatoScan AI, с референсным стандартом проводилось экспертным способом на уровне клинического диагностического заключения.

В качестве референсного стандарта диагностики использовались различные подходы в зависимости от характера очагового образования печени. При подозрении на злокачественные новообразования диагностическая эффективность оценивалась путем сопоставления предоперационного заключения системы HepatoScan AI с результатами предоперационной морфологической верификации (биопсии) с последующим подтверждением окончательного диагноза по данным гистологического исследования удаленного препарата. При доброкачественных очаговых образованиях печени референсным стандартом служило заключение врача лучевой диагностики, основанное на данных мультифазной КТ с контрастным усилением и подтвержденное интраоперационной визуализацией и клиническим течением заболевания.

В анализ клинической эффективности системы поддержки принятия врачебных решений HepatoScan AI были включены пациенты из сформированных когорт с анатомически сложными очаговыми образованиями печени, соответствующими категориям TROPH-L II–III.

Пациенты с образованиями категории TROPH-L I были исключены из анализа: 50 пациентов из проспективной и 45 пациентов из ретроспективной когорты. Среди исключенных находились все пациенты с простыми кистами печени из обеих когорт; всем им была выполнена фенестрация.

В итоговый анализ клинической эффективности вошли 54 пациента из проспективной когорты и 55 пациентов из ретроспективной когорты с карциномами печени, гемангиомами и ФНГ. В сравниваемых группах оценивались длительность оперативного вмешательства, объем интраоперационной кровопотери и частота выполнения гемотрансфузий. Кроме того, анализировались радикальность хирургического лечения у пациентов с карциномами печени (частота R0-резекций), частота послеоперационных осложнений, включая тяжелые осложнения III–V классов по классификации Clavien–Dindo, длительность госпитализации и внутригоспитальная летальность.

Все хирургические вмешательства выполнялись по стандартным методикам. Выбор хирургического доступа (открытый или лапароскопический) определялся индивидуально с учетом локализации очагового образования, его размеров, взаимоотношений с сосудисто-билиарными структурами и предполагаемого объема резекции. Диссекция паренхимы печени выполнялась с использованием ультразвукового диссектора и биполярной коагуляции, а также, в некоторых случаях, ультразвуковым деструктором-аспиратором с поэтапным контролем сосудистых и билиарных структур. Маневр Прингла применялся селективно, по показаниям, при ожидаемом риске значимой интраоперационной кровопотери.

Статистическая обработка данных выполнена с использованием программного обеспечения IBM SPSS Statistics v.30.0 (SPSS: An IBM Company, США) и языка программирования R (версия 4.4.1) с применением специализированных пакетов pROC (версия 1.18.0) и stats (базовый пакет R).

Количественные показатели предварительно оценивались на соответствие нормальному распределению с использованием критерия Шапиро–Уилка. В зависимости от характера распределения данные представлены в виде среднего значения и стандартного отклонения (M ± SD) либо в виде медианы и межквартильного размаха (Me (Q1; Q3)). Сравнение количественных показателей между группами осуществлялось с применением t-критерия Стьюдента при нормальном распределении данных или непараметрического критерия Манна–Уитни при ненормальном распределении.

Категориальные переменные представлены в виде абсолютных и относительных значений и сравнивались с использованием χ²-критерия Пирсона либо точного критерия Фишера при ожидаемых частотах менее 5. Сравнение частоты гемотрансфузий между группами выполнялось на основании агрегированных данных с использованием пуассоновской модели для расчета отношения частот (Incidence Rate Ratio, IRR).

Оценка диагностической эффективности системы HepatoScan AI выполнялась на уровне пациента и включала расчет чувствительности, специфичности и площади под ROC-кривой (AUROC, area under the receiver operating characteristic curve) с определением 95% доверительных интервалов (ДИ).

В качестве референсного стандарта для злокачественных очаговых образований печени использовались результаты предоперационной морфологической верификации (биопсии) с последующим подтверждением окончательного диагноза по данным гистологического исследования удаленного препарата. Для доброкачественных очаговых образований печени референсным стандартом служило заключение врача лучевой диагностики, основанное на данных мультифазной КТ с контрастным усилением и подтвержденное интраоперационной визуализацией и клиническим течением заболевания. Сравнение значений AUROC между группами проводилось с использованием непараметрического критерия Делонга.

Различия считались статистически значимыми при уровне p < 0,05.

По основным демографическим показателям группы не различались (возраст, пол, сопутствующие и фоновые заболевания). Группы не имели статистически значимых различий по размеру, числу, множественности и локализации очаговых образований. Ретроспективная оценка сложности случаев из группы стандартного предоперационного планирования по шкале TROPH-L продемонстрировала сопоставимое распределение категорий риска с проспективной группой с ИИ-поддержкой предоперационного планирования (табл. 2).

При анализе отдельных нозологических подгрупп статистически значимых различий по чувствительности и специфичности и AUROC между группами выявлено не было. Во всех подгруппах отмечалась однонаправленная тенденция к повышению диагностических метрик в группе с ИИ-поддержкой предоперационного планирования, однако вследствие ограниченного размера подвыборок данные различия не достигли уровня статистической значимости. При сравнении диагностических метрик для всех видов очаговых образований установлено, что интеграция системы HepatoScan AI сопровождалась повышением чувствительности диагностики очаговых образований печени по сравнению со стандартным диагностическим подходом (табл. 3).

Применение 3D-моделирования было наиболее клинически обосновано у пациентов категорий TROPH-L II и III, к которым относились 54 пациента из проспективной когорты и 55 пациентов из ретроспективной. Основные клинико-демографические характеристики сравниваемых групп, частота коморбидности, размер очагов, локализация, частота, стадии и степени дифференцировки карцином не различались (табл. 4).

На хирургическом этапе интеграция нейросетевой системы поддержки принятия врачебных решений HepatoScan AI в сочетании с технологиями предоперационного 3D-моделирования оказала значимое влияние на выбор тактики оперативного вмешательства у пациентов категорий TROPH-L II–III. В группе с ИИ-поддержкой предоперационного планирования отмечалась тенденция к более органосохраняющему подходу: расширенные анатомические резекции печени выполнялись реже (27,8% против 38,2% в группе стандартного предоперационного планирования), тогда как доля атипичных резекций была выше (55,6% против 45,5%). Частота выполнения сегментэктомий между группами статистически значимо не различалась (табл. 5)

В подгруппе пациентов с карциномами R0-резекция была достигнута у всех пациентов группы с ИИ-поддержкой предоперационного планирования (100%) по сравнению с 91,3% в группе стандартного предоперационного планирования; выявленные различия не достигли статистической значимости (p = 0,18).

Использование технологий ИИ и 3D-моделирования сопровождалось улучшением интраоперационных показателей. В группе с ИИ-поддержкой предоперационного планирования отмечалось сокращение продолжительности операции в среднем на 20 минут. Выраженный эффект был выявлен в отношении интраоперационной кровопотери: ее объем в группе с ИИ-поддержкой был ниже на 120 мл по сравнению с группой стандартного предоперационного планирования. В группе с ИИ-поддержкой предоперационного планирования потребовалось 4 дозы эритроцитарной массы у 54 пациентов, что соответствует 0,07 дозы на пациента, тогда как в группе стандартного предоперационного планирования – 13 доз у 55 пациентов (0,24 дозы на пациента). Таким образом, частота применения гемотрансфузий в группе стандартного предоперационного планирования была приблизительно в 3,2 раза выше (IRR 3,19; 95% ДИ 1,04–9,76).

Снижение интраоперационной травматичности положительно отразилось на послеоперационном периоде. В группе с ИИ-поддержкой предоперационного планирования наблюдалась тенденция к уменьшению общей частоты послеоперационных осложнений (28% против 40%), а также тяжелых осложнений (III–V классы по классификации Clavien–Dindo: 9% против 18%) по сравнению с группой стандартного предоперационного планирования; однако при данном объеме выборки различия не достигли статистической значимости (p = 0,17).

В группе с ИИ-поддержкой предоперационного планирования тяжелые осложнения были зарегистрированы у 5 пациентов и включали послеоперационное кровотечение (n = 3), тромбоэмболию легочной артерии (n = 1) и билиарную фистулу Grade B по классификации International Study Group of Liver Surgery (ISGLS) (n = 1), потребовавшую пункционного дренирования под ультразвуковым контролем. Случаев развития острой послеоперационной печеночной недостаточности в данной группе не отмечено. Тяжелые послеоперационные осложнения в группе стандартного предоперационного планирования (n = 10) были представлены острой послеоперационной печеночной недостаточностью (n = 3), клинически значимым послеоперационным кровотечением (n = 4), тромбоэмболией легочной артерии (n = 1), а также билиарными осложнениями в виде билиарной фистулы Grade B по классификации ISGLS (n = 2), потребовавшими пункционного дренирования под ультразвуковым контролем.

Внутрибольничная летальность была зарегистрирована только в группе стандартного предоперационного планирования (n = 2) и в обоих случаях была обусловлена прогрессированием острой послеоперационной печеночной недостаточности после обширных резекций печени.

Результаты исследования свидетельствуют о том, что интеграция технологий ИИ в процесс диагностики опухолей печени ассоциирована с повышением эффективности выявления очаговых образований. Применение сервиса HepatoScan AI по сравнению со стандартным диагностическим подходом сопровождалось статистически значимым увеличением чувствительности предоперационной диагностики всех очаговых образований на 9,1% (с 84,2 до 93,3%) при сохранении высокого уровня специфичности (91,8%).

Увеличение диагностической точности при применении ИИ в нашем исследовании согласуется с данными современной литературы. В ряде исследований продемонстрировано, что модели глубинного обучения способны выявлять опухолевые очаги печени с точностью, сопоставимой с экспертной оценкой врачей-рентгенологов, а в отдельных случаях – обнаруживать дополнительные очаги, не распознанные при визуальном анализе экспертом [6][9]. Кроме того, показано, что комбинированное использование экспертной оценки и алгоритмов ИИ приводит к увеличению чувствительности выявления очаговых образований печени с 80 до 88% [15].

Визуализация печени в виде интерактивной 3D-модели обеспечивает возможность «виртуальной навигации» по органу, точного расчета объема резекции и прогноза риска послеоперационной печеночной недостаточности, что имеет особое значение при сложных локализациях опухолевых очагов. Разработанная и впервые представленная в настоящем исследовании классификация TROPH-L, интегрирующая данные ИИ-сегментации и 3D-реконструкции, иллюстрирует возможность использования объективных морфологических и топографо-анатомических показателей для стандартизированной стратификации пациентов по риску хирургического вмешательства. В целом представленный подход согласуется с общемировой тенденцией к персонализации хирургического лечения на основе анализа больших данных и применения алгоритмов ИИ [16].

Применение в настоящем исследовании автоматизированной 3D-реконструкции анатомии печени продемонстрировало клинические преимущества у пациентов умеренного и высокого оперативного риска, соответствующих категориям TROPH-L II–III. В группе с ИИ-поддержкой предоперационного планирования по сравнению со стандартным подходом отмечались более благоприятные интра- и послеоперационные показатели: продолжительность оперативных вмешательств была в среднем на 11% меньше, объем интраоперационной кровопотери – на 30% ниже, а частота применения трансфузий – ниже примерно в 3,2 раза. Это отражает оптимизацию выбора хирургического доступа и объема резекции на основе предварительного 3D-анализа анатомии печени.

Полученные результаты согласуются с данными многоцентровых исследований, в которых показано, что применение 3D-визуализации при планировании резекций печени приводит к статистически значимому сокращению времени операции и объема кровопотери, снижению частоты послеоперационной печеночной недостаточности и других осложнений, а также уменьшению длительности госпитализации [10][11]. В частности, в недавнем проспективном исследовании продемонстрировано, что предоперационная оценка с использованием 3D-реконструкции обеспечивает меньшую операционную травматичность и более быстрое восстановление пациентов по сравнению со стандартной двухмерной навигацией [11].

Следует отметить влияние 3D-планирования на онкологические исходы. Согласно данным литературы, использование 3D-навигации способствует более точному определению границ резекции и увеличению доли R0-резекций [17]. В настоящем исследовании при применении 3D-реконструкции не было зарегистрировано ни одного случая положительного хирургического края (R1-резекции), тогда как в группе стандартного предоперационного планирования такие случаи отмечались, хотя и нечасто (2 из 23 пациентов, 8,7%). Полученные результаты согласуются с данными метаанализа, продемонстрировавшего, что 3D-ассистированные резекции печени ассоциированы с более широкими краями резекции и меньшей частотой рецидивов заболевания [11][16][17].

Вместе с этим более точный расчет aFLR и 3D-визуализации взаимоотношений опухоли с сосудами и желчными протоками могли способствовать более частому выполнению органосберегающих радикальных резекций вместо необоснованно широко расширенных резекций. Данный подход ассоциировался с тенденцией к снижению частоты тяжелых послеоперационных осложнений (Clavien–Dindo ≥ III) и отсутствием летальных исходов, что отражает повышение безопасности хирургического лечения [17][18].

Полученные данные позволяют предположить, что интеграция нейросетевых алгоритмов и 3D-моделирования может служить инструментом поддержки принятия решений и персонализированного хирургического планирования. Такой подход способен повышать качество предоперационной диагностики и улучшать непосредственные результаты хирургического лечения очаговых образований печени, делая процесс планирования оперативных вмешательств более объективным и воспроизводимым, а сами вмешательства – более безопасными и эффективными.

В то же время широкое внедрение подобных систем требует дополнительных исследований и решения ряда организационно-технических задач, поскольку большинство работ по применению ИИ в визуализации печени основаны на ретроспективных данных ограниченных выборок [19], что снижает возможность формирования убедительных выводов. Тем не менее динамичное развитие технологий машинного обучения и накопление проспективных клинических данных позволяют рассчитывать на дальнейшее укрепление роли таких инструментов в рутинной клинической практике.

При интерпретации полученных результатов следует учитывать, что в настоящем исследовании сопоставлялись ретроспективная (2021–2023 гг.) и проспективная (2023–2025 гг.) когорты, что могло отражать не только влияние внедрения цифровых технологий, но и временные изменения в хирургической практике и периоперационном ведении пациентов. Относительно небольшой объем выборок, особенно при разделении по нозологическим формам и категориям сложности TROPH-L, ограничивает статистическую мощность анализа и возможность выявления различий по отдельным клиническим исходам. Кроме того, для различных типов очаговых образований применялись разные референсные стандарты, а сопоставление результатов системы HepatoScan AI выполнялось на уровне клинического диагностического заключения, что не исключает влияния экспертной интерпретации. Наконец, одноцентровый характер исследования и использование собственной классификации TROPH-L могут ограничивать обобщаемость полученных результатов и их прямое сопоставление с данными других исследований.

В одноцентровом сравнительном исследовании интеграция нейросетевого анализа КТ и интерактивного предоперационного 3D-моделирования (HepatoScan AI) ассоциировалась с повышением чувствительности выявления и классификации очаговых образований печени по сравнению со стандартным подходом. Автоматическая сегментация, количественная 3D-волюметрия и классификация TROPH-L обеспечивали стандартизированную оценку анатомической сложности и резектабельности, наиболее значимую для пациентов TROPH-L категорий II–III. В этой подгруппе ИИ-поддержка и 3D-планирование сопровождались улучшением отдельных интраоперационных показателей и тенденцией к снижению частоты тяжелых осложнений при сохранении онкологической радикальности. Требуются дальнейшие проспективные многоцентровые исследования для унификации методологии оценки цифровых инструментов в хирургии печени.

А.В. Шабунин и М.М. Тавобилов разработали концепцию и дизайн исследования, принимали участие в выполнении хирургических вмешательств. М.Н. Аладин осуществлял сбор клинического материала, принимал участие в хирургических вмешательствах, выполнял сегментацию и постобработку 3D-изображений, анализ данных, а также участвовал в разработке и валидации алгоритмов ИИ и 3D-моделирования. А.А. Карпов принимал участие в выполнении хирургических вмешательств и обеспечивал организационно-методическое сопровождение хирургического этапа исследования. А.В. Ланцынова и К.А. Абрамов принимали участие в хирургических вмешательствах, выполняли научный поиск литературы и участвовали в клиническом анализе данных. Е.Б. Кудряш принимал участие в хирургических вмешательствах, статистическом анализе и интерпретации результатов. А.В. Шабунин, М.М. Тавобилов и М.Н. Аладин участвовали в написании и научной редактуре текста статьи. Все авторы утвердили окончательную версию публикации.

Соответствие принципам этики. Исследование одобрено на заседании Локального этического комитета (протокол № 15 от 11.10.2022) ФГБОУ ДПО РМАНПО Минздрава России.

Доступ к данным исследования. Данные, подтверждающие выводы этого исследования, можно получить у авторов по обоснованному запросу. Данные и статистические методы, представленные в статье, прошли статистическое рецензирование редактором журнала – сертифицированным специалистом по биостатистике.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Статья подготовлена в рамках НИОКТР «Программа снижения послеоперационных осложнений, летальности и улучшения показателей выживаемости у больных с доброкачественными и онкологическими заболеваниями печени посредством технологии нейронных сетей и предоперационного трехмерного моделирования» (№ ЕГИСУ: 123042600026-2) в соответствии с Приказом Департамента здравоохранения г. Москвы от 21.12.2022 № 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов».

Благодарность. Авторы выражают благодарность заведующему отделением лучевой диагностики ГБУЗ «ММНКЦ им. С.П. Боткина ДЗМ» Онищенко Максиму Павловичу за содействие в организации лучевых исследований, а также сотрудникам ГБУЗ «НПКЦ ДиТ ДЗМ»: главному врачу Васильеву Юрию Александровичу, руководителю по управлению подразделениями Дирекции Наука Омелянской Ольге Васильевне, руководителю отдела медицинской информатики, радиомики и радиогеномики Арзамасову Кириллу Михайловичу, заместителю руководителя отдела медицинской информатики, радиомики и радиогеномики Пестренину Льву Дмитриевичу и младшему научному сотруднику отдела радиомики и радиогеномики Савкиной Екатерине Феликсовне за вклад в разработку системы HepatoScan AI, обработку и анализ лучевых исследований.

1. Blender Foundation. Blender – free and open-source 3D creation suite. Amsterdam: Blender Foundation; 2025. https://www.blender.org (дата обращения: 24.10.2025).