Методы искусственного интеллекта, трехмерного и конечно-элементного моделирования в диагностике пролапса тазовых органов на основе визуализации

Резюме

Введение. Методы визуализации остаются основными в современной диагностике и планировании лечения пролапса органов таза (ПТО). Методы искусственного интеллекта (ИИ), трехмерного (3D) и конечно-элементного (КЭМ) моделирований становятся мощными инструментами с растущим признанием результатов.

Цель. Обобщить современные данные о применении технологий ИИ, 3D и КЭМ в диагностике и лечении ПТО.

Материалы и методы. Используя контрольный список PRISMA ScR, представленный в обзоре на основе области применения в качестве методологической основы, PubMed, Web of Science, Scopus и Cochrane Library были исследованы в период с января 2020 г. по декабрь 2025 г. В обзор включались исследования, применявшие алгоритмы ИИ к диагностическим методам визуализации (УЗИ, КТ, МРТ), а также 3D и КЭМ. Изучены современные данные для последующего определения мер, направленных на достижение наилучшей практики.

Результаты. Извлечено 4 652 записи, отобрано 988 релевантных публикаций, 254 полнотекстовые статьи сохранены и проверены на основе заголовков и аннотаций. Затем 54 оценены на соответствие критериям включения и 32 статьи введены в исследование. Причины исключения 22 статей: нерелевантность для визуализации ПТО, недостаточная методологическая или диагностическая детализация, тип публикации. Исследования основывались на внутренних наборах данных с ограниченной интерпретируемостью моделей и отсутствием внешней валидации, поэтому клиническое внедрение и оценка результатов остаются недостаточно изученными.

Заключение. Методы ИИ улучшают анализ изображений, оптимизируют рабочие процессы, обеспечивают индивидуальный подход и повышают эффективность диагностики и лечения ПТО. Технологии КЭМ результативны в функциональной компьютерной биомеханической оценке тазового дна. Персонализированное 3D-моделирование позволяет разработать оптимальную тактику хирургического лечения. В будущих исследованиях следует отдать приоритет внешней валидации, методологической строгости, стандартизации и внедрению в реальных условиях для преодоления разрыва между экспериментальными моделями и клинической полезностью.

Ключевые слова: пролапс тазовых органов, искусственный интеллект, глубокое обучение, машинное обучение, медицинская визуализация, сверточные нейронные сети, преобразователи изображения, ультразвук, магнитно-резонансная томография, трехмерное моделирование, конечно-элементный анализ, конечно-элементное моделирование

Для цитирования: Каторкин СЕ, Колсанова АВ, Каторкина ЕС. Методы искусственного интеллекта, трехмерного и конечно-элементного моделирования в диагностике пролапса тазовых органов на основе визуализации.  Медицинский совет. 2026;20(5):152–160. https://doi.org/10.21518/ms2026-067.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Введение

Пролапс тазовых органов (ПТО) — патологический процесс, при котором происходит опущение тазового дна и одной или нескольких анатомических структур малого таза (влагалище, матка, мочевой пузырь, мочеиспускательный канал, тонкая и прямая кишка) по отношению к своему нормальному положению, требующее визуализации для дополнения клинической оценки, уточняющей диагностики, моделирования и планирования хирургического лечения [1]. Это широко распространенное клиническое состояние, существенно влияющее на качество жизни пациента вследствие местных симптомов со стороны влагалища, дисфункции мочеиспускания и кишечника, сексуальных расстройств, и более 13% женщин в течение жизни переносят операцию по поводу ПТО [2]. Дисфункция тазового дна имеет многофакторные причины и различные клинические проявления. Точная диагностика и оценка вовлеченных структур требуют междисциплинарного подхода специалистов, участвующих в лечении пациентов с ПТО (рентгенологов, гинекологов, урологов и колоректальных хирургов) [3]. Заключение о клиническом применении методов визуализации тазового дна, одобренное в 2021 г. Обществом абдоминальной радиологии (SAR), Американской урологической ассоциацией (AUA) и Американским урогинекологическим обществом (AUGS), подчеркивает, что они особенно необходимы при количественной оценке заболевания, сложных наблюдениях, рецидивах, определении степени смещения тазовых органов относительно определенной точки отсчета [3]. Визуализационная оценка крайне важна для разработки комплексного персонализированного лечения и навигации при хирургической коррекции ПТО [4].

В литературе, посвященной диагностике ПТО, чаще всего встречаются публикации, связанные с ультразвуковыми методами (УЗИ) и магнитно-резонансной томографией (МРТ), по сравнению с меньшим количеством исследований, связанных с компьютерной томографией (КТ) и рентгенографией [5]. Но в большинстве исследований в рамках каждого метода визуализации ПТО отсутствует стандартизация его определения и протоколов диагностики, а также шаблоны интерпретации [6].

Широкое применение УЗИ (трансперинеальное, эндовагинальное, эндоанальное, трансабдоминальное) при ПТО, в т. ч. для дифференциальной диагностики заднего пролапса и определения ректоцеле, энтероцеле и гиперподвижности промежности без дефектов фасции, получили благодаря своей доступности, экономичности и возможности динамической оценки в режиме реального времени [6–8]. Но качество УЗИ зависит от квалификации проводящего специалиста. Трехмерная визуализация (3D УЗИ) позволяет получить более полную картину анатомических структур, что существенно повышает точность диагностики и значительно облегчает работу врача, позволяя ему более эффективно анализировать полученные данные и принимать обоснованные решения. При 3D УЗИ-аппарат собирает серию двумерных срезов под разными углами и объединяет их с помощью программного обеспечения в единое трехмерное изображение. Во время операций 3D и 4D (в режиме реального времени серия объемных кадров в динамике) УЗИ используется для навигации, что дает хирургу целостную картину расположения органов и инструментов, особенно при сложных ракурсах [9].

Выявить ПТО и аномалии мышц тазового дна позволяет КТ. У пациентов, не переносящих МРТ, метод может быть полезен в диагностике в качестве альтернативы [10]. Но для диагностики ПТО отсутствуют стандартизация методов КТ и рентгеноскопии, надлежащим образом разработанные исследования, описывающие их диагностическую точность [5]. Методы контрастирования значительно различаются, а определения рентгенологических признаков, соответствующих ПТО, часто неясны. Российские клинические рекомендации, утвержденные МЗ РФ («Выпадение женских половых органов» – 2024-2025-2026 (11.07.2024) и «Ректоцеле» – 2022-2023-2024 (29.08.2022)), не регламентируют использование КТ в рутинной практике для диагностики ПТО. Но допускают проведение исследования в сложных случаях и при рецидиве заболевания.

Обеспечивая высокое разрешение, превосходную контрастность мягких тканей и многоплоскостную визуализацию, МРТ дополняет УЗИ, что особенно ценно в сложных клинических наблюдениях, требующих точной комплексной оценки анатомических и функциональных особенностей визуализируемых тазовых органов и поддерживающих их структур, состояния эвакуаторной функции в динамике или хирургического планирования [11, 12]. Динамическая, статическая и стрессовая МРТ позволяют детально отобразить степень ПТО, взаимосвязь органов и поддерживающие структуры и все чаще используются для контроля хирургических вмешательств посредством определения ориентиров, классификации компартментов и анатомической сегментации [13, 14]. Технически безупречная динамическая МРТ тазового дна может предоставить информацию, упущенную другими методами визуализации, и, следовательно, изменить стратегии лечения [15]. Большинство опубликованных исследований сообщают о связи или корреляции ПТО с результатами физического обследования, но не имеют рассчитанной чувствительности и специфичности или ROC-анализа (Receiver Operator Characteristic). Отсутствие стандартизированных определений референтных линий и информации о точности теста затрудняет сравнение результатов исследований [5].

Медицинские изображения составляют значительную часть информации, которую врач использует для принятия диагностических и лечебных решений. На фундаментальном уровне этот диагностический процесс состоит из двух основных этапов: визуального осмотра изображения (визуальное восприятие) и интерпретации (когнитивная обработка). Вероятность ошибки, в т. ч. влияющей и на жизнь пациента, при интерпретации медицинских изображений достаточно велика. Это подчеркивает необходимость разработки способов дальнейшего совершенствования процесса принятия решений и, следовательно, улучшения качества медицинской помощи [16]. На точность диагностики могут влиять такие факторы, как вариабельность, связанная с пациентом, а также операторозависимость и различия в интерпретации результатов разными специалистами [17]. Эти факторы обусловливают острую необходимость в более стандартизированных и воспроизводимых подходах к визуализации.

Исследования в области медицинской визуализации всегда опирались на данные. В последнее время медицинская практика и здравоохранение в целом перешли на технологии, основанные на аналитики больших данных (Big Data; БД). Они позволяют извлекать уникальные знания из имеющихся данных, которые, однако, представлены в различных форматах и содержат разную информацию. Это значит, что они могут быть неодинаково доступны и пригодны для анализа. Таким образом, наука о данных (Data Science) не просто внедряется в современную медицину, а становится интегральной частью медицинской практики и исследований [18]. Чтобы превратить медицинские БД в полезные, необходимы совместные усилия по гармонизации доступа к данным и переходу от одноузловых к мультицентровым когортам и их хранилищам.

Целью прецизионной медицины является адаптирование решения и оперативного вмешательства к уникальным биологическим и клиническим характеристикам каждого пациента. Недавнее сближение искусственного интеллекта (ИИ) с достижениями в области цифрового здравоохранения, омики и аналитики БД ускорило прогресс в достижении этой цели. Технологии ИИ, в частности машинное обучение (МО), глубокое обучение (ГО), обработка естественного языка и генеративные большие языковые модели, позволяют проводить быстрый и содержательный анализ сложных биомедицинских данных, способствуя персонализированному лечению [19]. Технологии ИИ, предназначенные для обработки и анализа медицинских изображений, в последние годы получили широкое распространение в научных исследованиях и клинической практике. Алгоритмы ИИ продемонстрировали способность автоматизировать сложные задачи, такие как сегментация изображений, обнаружение ориентиров и классификация многокомпонентного ПТО, что может снизить операторозависимость и повысить диагностическую согласованность. Интеграция ИИ в систему архивирования, обработки и передачи медицинских диагностических изображений (Picture Archiving and Communication System; PACS) представляет собой кардинальную трансформацию в медицинской визуализации, предлагая улучшенные диагностические рабочие процессы и потенциал для персонализированного ухода за пациентами [20]. Обычно ИИ использует методы MО для построения моделей, имитирующих принятие клинических решений [21]. Сверточные нейронные сети (CНС), механизм ГО, используемый для анализа данных изображений, являются распространенной формой ИИ в медицинской визуализации. Для задач классификации и сегментации могут использоваться СНС, поскольку они автоматически изучают пространственные иерархии признаков [22]. Сети кодировщика-декодера особенно хорошо подходят для задач анализа медицинских изображений, таких как распознавание анатомических ориентиров и сегментация органов. Они состоят из двух частей: кодировщика, который сжимает входное изображение в представление признаков меньшей размерности, и декодера, который реконструирует исходные пространственные измерения, делая при этом попиксельные прогнозы [23]. Трансформаторы зрения (vision transformer; ТЗ) продемонстрировали многообещающие результаты в интерпретации многомерных медицинских изображений с использованием механизмов, основанных на внимании [24]. Остается неясным, превосходят ли ТЗ в понимании медицинских изображений СНС и способны ли они преобразовывать медицинские изображения. Одно из преимуществ ТЗ заключается в обладании большими эффективными рецептивными полями. Поэтому они лучше понимают контекстную информацию, чем СНС. Но ТЗ требуют больших вычислительных ресурсов и большего объема данных, что может представлять собой сложную задачу в области медицинской визуализации, где ресурсы могут быть ограниченны из-за таких факторов, как вопросы конфиденциальности пациентов [24]. С помощью структурированного анализа данных модели ГО для повышения эффективности диагностики интегрируются с фреймворками градиентного бустинга, такими как XGBoost [25].

В хирургии ускоренно прогрессируют методы выполнения оперативных вмешательств с использованием анализа рентгенологических, КТ-, МРТ- и УЗИ-изображений (image and model-guided interventions) и интраоперационной навигации в реальном масштабе времени путем использования структур пациента с представлением их на экране в различных анатомических проекциях [26]. Сочетание технологий дополненной реальности с вмешательством под визуальным контролем позволяет наблюдать за большим количеством органов и тканей, что повышает прецизионность операций [27]. Возможно, до операции создавать, сохранять и моделировать планируемое продвижение по одной или нескольким предполагаемым траекториям, а также создавать и управлять одной или несколькими 3D-анатомическими моделями. Навигационная система отслеживает положение специальных хирургических инструментов и показывает, как фактическая позиция и их движение во время операции соотносятся с предоперационным планом и помогают хирургу следовать запланированной траектории [28]. Для получения цифрового 3D-изображения в настоящее время часто применяют КТ и МРТ, совмещают данные КТ и ПЭТ [29]. Основа технологии моделирования заключается в детекции отдельных точек (анатомических ориентиров) и установленных видимых хирургом маркеров, создании 3D-виртуальной модели части тела или органа. Преимущества предоперационной диагностики и моделирования, а также виртуальной навигации многофакторные: увеличенное трехмерное изображение; эффект «проникновения»; высокая точность наведения и прецизионность; нивелирование интраоперационных осложнений и др. [30]. Быстрый рост популярности трехмерного моделирования подтверждает большой потенциал этой технологии в аспекте органосохраняющего лечения в оперативной гинекологии, колопроктологии, онкологии и урологии [31–33]. Эта технология может быть очень полезна именно при тазово-промежностных операциях со сложной анатомией у пациентов как мужского, так и женского пола [34, 35].

Конечно-элементное моделирование (КЭМ) и анализ (КЭА) используется в медицине для математического моделирования сложных объектов, описания и прогнозирования напряжения и деформации в теле в ответ на внутренние и внешние воздействия. Метод применим для моделирования объектов со сложной геометрией и поведением материала. Поэтому патологическая биомеханика ПТО начала привлекать внимание с точки зрения связанных геометрических и предполагаемых биомеханических изменений [36]. Например, хирургическое восстановление одного отдела иногда сопровождается развитием пролапса в противоположном отделе, несмотря на то, что его поддержка казалась нормальной до операции [37]. Именно в таких наблюдениях методы КЭМ являются важнейшими инструментами в биомеханике и биомедицинской инженерии, предоставляющими ценную информацию, когда исследования in или ex vivo невозможны, неэтичны или слишком дороги [38]. При этом КЭМ может дать представление о базовой механике тканей, органов и интерфейсов «устройство – орган». Используя известные переменные, КЭМ применяет алгоритмический и итерационный подход для определения материальных констант для различных конститутивных моделей. По сути, КЭМ разбивает геометрию на т. н. конечные элементы, тем самым сводя обычно неразрешимое дифференциальное уравнение к системе решаемых алгебраических уравнений. Использование КЭМ позволило моделировать эффект потенциальных травм тазового дна и определять, как тяжесть и их местоположение могут проявляться при ПТО в различных областях таза, что не могло быть выполнено клинически [39]. Более новые методологии КЭМ представили анатомически точные 3D-модели, основанные на МРТ, включающие подробные структуры, такие как просвет влагалища, мышцы тазового дна, кардинальные и маточно-крестцовые связки [40, 41]. Кроме того, модели имитировали повышенное внутрибрюшное давление и выявили потенциальные места уязвимости в малом тазу, включая связки в точках соединения и верхнюю переднюю стенку влагалища при цистоцеле [42]. Результаты КЭМ подчеркивают ценность компьютерного моделирования, специфичного для конкретного пациента, для выявления незначительных биомеханических изменений, которые могут быть не видны при использовании стандартных методов визуализации, что потенциально помогает врачам определить необходимость раннего вмешательства. Метод КЭМ также использовался для анализа медицинских вмешательств, направленных на лечение и купирование ПТО. Моделировалось хирургическое восстановление сетчатого импланта и оценивалось результирующее уменьшение смещения влагалища [43]. Проводилась оценка оптимальной структуры и пористости mesh-систем, количества и типов швов (одинарный или непрерывный) для минимизации движения и напряжения, эффективности крестцово-остистой фиксации и оптимального расположение точки опоры для уменьшения смещения тазовых органов [44].

Основной целью данного исследования является обобщить современные данные о применении технологий ИИ, 3D и КЭМ в диагностике и лечении ПТО.

Материалы и методы

Дизайн исследования

Обзор области исследования (предметного поля), используемый для оценки доказательств из связанных исследований, представлен в соответствии с руководящими принципами предпочтительных элементов отчетности для систематических обзоров и метаанализов PRISMA Extension for Scoping Reviews (PRISMA-ScR) [45]. Систематический поиск и тематический синтез без оценки качества в соответствии PRISMA-ScR позволил определить масштабы, объемы, содержание и основные современные направления исследований в области визуализации ПТО [46].

Критерии приемлемости: оценка исследований на соответствие критериям включения проводилась в три этапа: оценка заголовка, аннотации, полного текста статьи.

Критерии включения разработаны с использованием модели «популяция – концепция – контекст», рекомендованной Joanna Briggs Institute [47]. Они включают: популяцию (пациенты с ПТО, обследованные с помощью визуализации), концепцию (применение методов ИИ (МО, ГО СНС), 3D и КЭМ для визуализации ПТО) и контекст (исследования, использовавшие УЗИ, КТ и МРТ для оценки ПТО). Рассматривались оригинальные полнотекстовые статьи, опубликованные на английском языке, включающие только данные, связанные с сегментацией изображений, классификацией дефектов тазовых органов, анализом анатомической структуры или предиктивным моделированием.

Критерии исключения: не рассматривались исследования на животных, обзоры, клинические случаи, редакционные статьи, комментарии, тезисы конференций и письма в редакцию.

Диагностические критерии. Определяли ПТО как патологический процесс, при котором происходит опущение тазового дна и органов малого таза (изолированное или сочетанное).

Источники информации

Два исследователя независимо друг от друга осуществляли поиск публикаций в электронных базах данных (PubMed, Medline, Scopus, Cochrane Central Register of Controlled Trials), опубликованных на всех языках в период с января 2020 г. по декабрь 2025 г.

Стратегия поиска

Поисковый запрос включал комбинации ключевых слов и медицинских предметных рубрик: «пролапс тазовых органов», «нарушения тазового дна», «искусственный интеллект», «машинное обучение», «глубокое обучение», «нейронная сеть», «сверточная нейронная сеть», «диагностика», «визуализация», «МРТ», «ультразвук», «КТ», «трехмерное моделирование» и «конечно-элементное моделирование/анализ», а также связанных с ними терминов. Статьи извлекались из каждой базы данных с помощью настраиваемого плана поиска, а дополнительные источники определялись путем ручного просмотра списков литературы.

Отбор исследований

Проводилась фильтрация названия и резюме связанных исследований. При недостаточной информативности изучался полный текст статьи. Библиография всех найденных исследований была изучена с целью выявления дополнительных, не обнаруженных ранее публикаций. Дублирующие результаты, идентифицированные при поиске в различных базах данных, были также исключены.

Процесс сбора данных, проверка и оценка соответствия требованиям

Два исследователя независимо изучили базы данных библиотек, оценивая каждое название и аннотацию, и получили потенциально релевантные публикации. Затем еще один рецензент оценивал соответствие полного текста статей критериям включения. Разногласия разрешались путем совместного обсуждения или консультации с третьим членом исследовательской группы.

Извлечение данных и оценка качества

Извлеченные рецензентами в соответствии с заранее определенными критериями данные включали год публикации, страну происхождения, дизайн исследования, размер выборки, метод рандомизации и степень «ослепления» пациентов, метод и модальность визуализации, клиническое применение, наличие и полноту представленных авторами данных о результатах, ключевые показатели эффективности. Исследователи независимо друг от друга оценивали риск смещения и систематической ошибки в каждом исследовании на основе рекомендаций, представленных в Кокрейновском справочнике по систематическим обзорам [48]. Методологическая и клиническая вариабельность включенных исследований препятствовала количественному синтезу или метаанализу.

Дополнительные анализы

Дополнительных анализов для данного исследования не было предусмотрено.

Результаты

Отбор исследований

В ходе предварительного поиска в базах данных (PubMed, Scopus, Web of Science, Cochrane) для комбинации ключевых слов «пролапс тазовых органов» за указанный период выявлено 4 652 записи. Из них отобрано 988 релевантных публикаций (цистоцеле – 35; апикальный пролапс – 774; ректоцеле – 279). После отбора полнотекстовых статей, соответствующих медицинским предметным рубрикам «искусственный интеллект» (n = 230), «визуализация» (n = 3), «трехмерное и конечно-элементное моделирование» (n = 21) и удаления дубликатов, 254 записи были сохранены и проверены на основе их заголовков и аннотаций. Затем 54 полнотекстовые статьи были оценены на соответствие критериям включения, 32 (15 с ИИ; 17 с 3D и КЭМ) из них соответствовали критериям включения и вошли в окончательный синтез. Из 22 исключенных полнотекстовых статей наиболее распространенными причинами были следующие: отсутствие применения ИИ к данным визуализации, недостаточная методологическая или диагностическая детализация, нерелевантность 3D и КЭМ для ПТО, также тип публикации (например, обзор, редакционная статья или только аннотация).

Характеристики исследований с применением ИИ

Вошедшие в этот анализ 15 исследований с применением ИИ были опубликованы в период с 2021 по 2025 г. Они включали в себя разнообразный набор дизайнов, включая проспективные наблюдательные исследования, ретроспективные когортные исследования, исследования технической осуществимости и исследования, сосредоточенные на разработке или проверке моделей [14, 49–62]. Размеры выборки варьировались от 37 до 1 805 участников с клинически диагностированным ПТО [55, 61]. Большинство исследований проводились в Китае [14, 49–52, 59–62]. Испанскими учеными опубликованы 3 исследования [54, 56, 57], одна публикация итальянских авторов [55] и одна международная многоцентровая (Канада, США, Китай, Египет) разработка автоматизированной модели ГО [53]. В исследованиях использовались методы ИИ и моделирования для различных задач визуализации, включая сегментацию структур тазового дна, определение анатомических ориентиров, классификацию типов ПТО и прогнозирование его степени. Методы визуализации включали 2D и 3D УЗИ, МРТ и магнитно-резонансную дефекографию [14, 49–62]. В таблице обобщены основные характеристики исследований, применявших методы ИИ при визуализации ПТО.

Оценка уровня доказательств

Проведена оценка уровня доказательности, чтобы охарактеризовать методологическую надежность включенных исследований. Классификация статей, представленных в данном обзоре, проводилась на основе их дизайна с использованием инструмента уровней доказательности Оксфордского центра доказательной медицины (OCEBM): уровень 1 соответствует наивысшему качеству, например рандомизированным исследованиям, а уровень 5 – экспертным мнениям или рассуждениям, основанным на механизмах [63]. Присвоенные каждому исследованию уровни представлены в таблице.

Методы визуализации и подходы на основе искусственного интеллекта

Ультразвуковое исследование. В 9 исследованиях на основе УЗИ использовались методы 2D- и 3D-визуализации для оценки ПТО с использованием моделей ГО [50, 52–57, 60, 61]. В этих исследованиях наиболее часто использовались СНС, часто интегрированные с методами передачи, такими как ResNet-18 или VGG-16.

В ретроспективном исследовании F. Yang et al. (2025 г.) были проанализированы медицинские карты женщин с ПТО (n = 1 605) и без (n = 200) и получены статические УЗ-изображения переднего отдела тазового дна (5 281 патологическое и 535 нормальных) в состоянии покоя и при максимальной пробе Вальсальвы. Модели CНС AlexNet, VGG-16, ResNet-18 и ResNet-50 были обучены с помощью метода со случайными параметрами инициализации и с помощью метода трансферного обучения на основе предварительного обучения ImageNet на 80% изображений, а затем прошли внутреннюю валидацию на оставшихся 20%. В результате все 4 модели, независимо от метода обучения, достигли точности распознавания > 91%, в то время как перенос обучения обеспечил более стабильное и эффективное извлечение признаков. Авторы пришли к заключению, что сочетание ИИ с УЗИ тазового дна может существенно ускорить диагностику ПТО, одновременно повышая точность [61].

Наблюдательные и проспективные исследования J.A. García-Mejido et al. 2024–2025 гг. были посвящены созданию и проверке пригодности СНС для идентификации различных органов тазового дна в срединно-сагиттальной плоскости с помощью динамического (состояние покоя и во время пробы Вальсальвы) трансперинеального УЗИ [54, 56, 57]. Для определения наиболее эффективной СНС для распознавания анатомических структур ПТО были протестированы и валидизированы с использованием коэффициента сходства Dice (DSС) 3 различные архитектуры: UNet, FPN и LinkNet [64]. После обучения СНС на 86 и ее тестирования на 24 пациентах авторы не обнаружили ни одной ошибки сегментации (DSС 0,79 (95% ДИ: 0,73–0,82) [54]. В проспективном наблюдательном исследовании (n = 188; с ПТО – 99; без ПТО – 89) с применением видеозаписей трансперинеального динамического 2D УЗИ тазового дна был разработан полностью автоматизированный гибридный метод на основе ИИ, объединяющий СНС и древовидную модель (XGBoost) [56]. Был разработан алгоритм диагностики ПТО на основе трех фаз: сегментация; проектирование признаков и построение набора данных; прогностическая модель ПТО. Для оценки диагностической эффективности учитывались точность, достоверность, полнота и F1-балл, а также степень согласия с экспертом-исследователем. Наилучшие согласованности наблюдались при диагностике цистоцеле и пролапса матки (88,1%) и энтероцеле (81,4%). Предложенная методология показала точность 96,43%, общую точность 98,31%, полноту 100% и F1-балл 98,18% при обнаружении ПТО. Для создания и проверки модели МО, позволяющей определить правильный захват срединно-сагиттальной плоскости при динамическом УЗИ, был выбран алгоритм XGBoost (Gradient Boosting). Первые 60 видео были использованы для обучения модели, а последние 30 видео были зарезервированы для тестового набора. Модель продемонстрировала индекс Каппа Коэна (Cohen’s Kappa) 0,930 (p < 0,001) с очень хорошим совпадением для определения правильной средне-сагиттальной плоскости. Учитывая постоянные параметры получения и хорошо аннотированные наборы данных, исследования с использованием видеотрансперинеального 2D УЗИ продемонстрировали самую высокую диагностическую эффективность. Модели, построенные на 2D УЗИ с гибридными подходами CНС-XGBoost, достигли превосходной точности и полноты наряду с коротким временем вывода, что указывает на возможность интеграции в клинические рабочие процессы [57].

Целью исследования M. Su, S. Wang, X. Liu (2025 г.) был анализ факторов риска и разработка моделей прогнозирования недержания мочи после операции по поводу ПТО на основе МО для предоставления новых инструментов для оценки [59]. Расчет размера выборки проводился с использованием 4-шагового метода R.D. Riley et al. [65]. Были собраны общие клинические данные, результаты лабораторных и уродинамического исследования, УЗИ тазового дна 286 пациентов. Данные были случайным образом разделены в соотношении 7:3 на обучающий и проверочный наборы. Обучающий набор использовался для разработки модели прогнозирования, включающей регрессию Lasso, случайный лес, машину опорных векторов (SVM), экстремальный градиентный бустинг (XGBoost), дерево классификации и регрессии (CART) и логистическую регрессию, а проверочный набор использовался для внутренней проверки. Наиболее перспективной оказалась модель прогнозирования SVM, которая может стать высококачественным инструментом клинического прогнозирования риска послеоперационного недержания мочи у пациентов с ПТО, помогая принимать клинические решения о необходимости проведения сопутствующих операций по поводу ПТО и недержания мочи. Однако для оценки ее обобщаемости необходимы дополнительные данные внешней валидации [59].

С целью разработки и валидирования многозадачной модели ГО для автоматизации оценки ПТО S. Wu et al. (2025 г.). использовали трансперинеальные УЗИ-изображения 1 340 пациенток [60]. После предварительной обработки 1 072 изображения были использованы для обучения, а 268 — для валидации. В качестве экстрактора признаков в модели использовался ResNet34 и 4 параллельных полносвязанных слоя для прогнозирования состояний. Разработанная модель продемонстрировала высокую диагностическую эффективность со следующими значениями точности и AUC (Area Under the ROC Curve; матрица ошибок и площади под кривой): цистоцеле — 0,869 (95% ДИ, 0,824–0,905) и 0,947 (95% ДИ, 0,930–0,962); пролапс матки – 0,799 (95% ДИ, 0,746–0,842) и 0,931 (95% ДИ, 0,911–0,948); ректоцеле – 0,978 (95% ДИ, 0,952–0,990) и 0,892 (95% ДИ, 0,849–0,927); чрезмерная подвижность промежностного тела – 0,869 (95% ДИ, 0,824–0,905) и 0,942 (95% ДИ, 0,907–0,967). По мнению авторов, результаты продемонстрировали многообещающую эффективность и потенциал для применения в более широкой клинической практике [60].

Напротив, исследования 3D УЗИ, хотя и предлагали объемные анатомические данные, сталкивались с большей вариабельностью качества сегментации и часто не имели всеобъемлющей отчетности по диагностическим показателям. Это несоответствие может быть вызвано проблемами, связанными с маркировкой объемных данных и большей межпациентной анатомической изменчивостью в 3D-наборах данных [50].

Для оценки диагностической эффективности алгоритмов ГО в определении типов ПТО и возможности применения 3D УЗИ тазового дна в диагностике L. Duan et al. (2021 г.) включили в исследование 44 пациента, в т. ч. 17 случаев переднего, 23 – среднего, 4 – заднего ПТО и 20 здоровых женщин [50]. С помощью алгоритмов ГО была построена модель классификации признаков для изображений тазового дна. Для оценки ее диагностической эффективности в определении типов ПТО она сравнена с 3 моделями СНС: SVM, радиальной базисной функцией (RBF) и методом k-ближайших соседей (KNN). Кроме того, на основе ультразвуковых характеристик была рассчитана оценка POP-Q. Результаты показали, что точность (0,86), чувствительность (0,89) и специфичность (0,84) модели ГО были выше, чем у 3 моделей CНС. Обширность m. levator ani, в группе с ПТО была значительно больше, чем в контрольной группе, и разница была статистически значимой (p < 0,05). По мнению авторов, модель ГО обладает высокой эффективностью в определении типов ПТО, а 3D УЗИ имеет важное клиническое значение для его диагностики [50].

Целью исследования P. Yin и H. Wang (2025 г.) было изучение практической ценности УЗИ и реабилитационных тренировок на основе алгоритма ИИ в послеродовом восстановлении у 60 пациенток с ПТО [52]. Пациентки экспериментальной группы (n = 30) через 42 дня после родов, в отличие от группы контроля, получали реабилитационные тренировки для мышц тазового дна. Всем пациенткам проводилось 3D УЗИ вагинальным датчиком с переменной частотой. Все полученные изображения были оптимизированы с помощью алгоритма СНС для шумоподавления изображений и извлечения краевых признаков. Эффективность алгоритма оценивалась по коэффициенту сходства DSС, положительной прогностической ценности, чувствительности и расстоянию Хаусдорфа [64]. Результаты исследования показали, что толщина m. levator ani через 1 и 3 мес. лечения в экспериментальной группе была статистически значимо больше, чем в контрольной группе, передний и задний диаметры промежностной щели меньше, чем в контрольной группе, а сила мышц тазового дна значительно выше (p < 0,05). УЗ-изображение стало более четким, фокус – более выраженным, а качество изображения значительно улучшилось после обработки с помощью алгоритма ИИ. У предложенного алгоритма оказались лучше DSС, положительная прогностическая ценность, чувствительность и расстояние Хаусдорфа. Но из-за ограниченного количества образцов и объема исследования оно не является всеобъемлющим и углубленным [52].

В международном (Канада, США, Гонконг, Египет) исследовании Z. Szentimrey et al. (2023 г.) для разработки быстрого, воспроизводимого и автоматизированного метода получения биометрических измерений и сегментации органов из срединно-сагиттальной плоскости 3D УЗИ органов таза (n = 135; 248 3D УЗИ, с разделением по покою (n = 126) и пробе Вальсальва (n = 122)) использовалась модель сегментации nnU-Net [53]. Сегментировались: лобковый симфиз, уретра, мочевой пузырь, прямая кишка и ее ампула, аноректальный угол. Производительность оценивалась путем сравнения результатов автоматического метода с данными, полученными вручную, с использованием коэффициента DSC. Модель nnU-Net показала средние значения DSC по сравнению со следующей лучшей протестированной моделью, равные 87,4% (<0,0001), 68,5% (<0,0001), 61,0% (0,1), 54,6% (0,04), 49,2% (<0,0001) и 33,7% (0,02) для мочевого пузыря, прямой кишки, уретры, лобкового симфиза, аноректального угла и ампулы прямой кишки соответственно. Для анализа одного изображения в среднем требовалось 1,27 с по сравнению с 15 мин при ручном выполнении. Предложенный алгоритм повысил эффективность. Но, по мнению авторов, из-за высокой зависимости результатов от оператора при сборе изображений трансперинеального УЗИ необходимо провести дальнейшие исследования с использованием изображений, полученных от нескольких операторов и нескольких экспертов [53].

В поперечном исследовании, проведенном D. De Vicari et al. (2025 г.), изучалось использование 3D трансперинеального УЗИ, интегрированного с ИИ (платформа визуализации системы Mindray Smart Pelvic), для оценки биомеханики тазового дна и выявления корреляций между биометрическими параметрами и тяжестью ПТО. Ключевые биометрические параметры (переднезадний и латеральный размеры, площадь генитального отверстия) измерялись в 3 функциональных состояниях: покой, проба Вальсальвы, произвольное сокращение мышц тазового дна [55]. Были выведены два функциональных индекса: растяжимости (отношение пробы Вальсальвы к покою) и сократимости (отношение сокращения к покою), отражающие эластичность тазового дна и мышечную функцию соответственно. Интеграция ИИ облегчила сегментацию изображений в реальном времени и автоматическое измерение, снижая зависимость от оператора и повышая воспроизводимость результатов. Представленные результаты свидетельствуют о том, что латерально-латеральный размер является воспроизводимым анатомическим маркером тяжести ПТО, особенно при динамической оценке. Сочетанное использование визуализации, улучшенной с помощью ИИ, и функциональных индексов обеспечивает новый, стандартизированный и объективный подход к оценке дисфункции тазового дна и способствует более точной диагностике, индивидуальному планированию лечения и долгосрочному мониторингу нарушений [55].

Таким образом, в настоящее время диагностика анатомических структур органов таза с использованием 2D- и 3D-ультразвуковых объемов выполняется вручную, занимает продолжительное время, характеризуется высокой внутриэкспертной вариабельностью и требует экспертной интерпретации ультразвуковых изображений тазового дна. Автоматизированный метод с применением алгоритмов ИИ позволит получить количественные данные, относящиеся к заболеваниям тазового дна, повысит эффективность и воспроизводимость биометрических методов, основанных на сегментации.

Магнитно-резонансная томография. Включенные в обзор исследования использовали как статические, так и стрессовые протоколы МРТ для изучения сегментации, локализации ориентиров и задач многоклассовой классификации МО, в которых модель обучается различать входные данные на более чем два класса (категории). В отличие от традиционной классификации, где каждый экземпляр связан только с одной меткой, многоклассовая классификация позволяет более тонко понимать данные, особенно в сложных сценариях, где важны несколько категорий. Эти исследования в целом продемонстрировали высокий диагностический потенциал, особенно при использовании архитектур, основанных на ТЗ [66]. Такие модели эффективно улавливали пространственные зависимости и показывали хорошее соответствие клиническим оценкам, о чем свидетельствуют существенные значения функций Каппа Коэна и AUC, используемых для оценки бинарных классификаторов [14, 49, 51, 62].

Целью исследований F. Feng et al. 2020–2021 гг. было повышение эффективности оценки ПТО на основе моделирования за счет применения автоматизированной сегментации [49, 51]. Учитывая, что производительность сегментации ограничена размытыми границами мягких тканей, авторы стремились представить гибридное решение для сегментации матки, прямой кишки, мочевого пузыря и m. levator ani путем объединения СНС и метода уровня множеств [49]. Они использовали 24 серии сагиттальных стрессовых МРТ-снимков (покой/Вальсальва) тазового дна 6 пациенток с цистоцеле и 6 – с ректоцеле (n = 528 МРТ-изображений). Для обучения было отобрано 264, для валидации – 132, а для тестирования — 132 изображения. Затем была разработана СНС путем внедрения модуля пирамиды многоразрешенных признаков (MRFP) в модель кодировщика-декодера. Для улучшения сходимости СНС применили глубинно-разделимую свертку и предварительное обучение многоклассовой кросс-энтропийной функцией потерь и многоклассовой функцией потерь Dice. Для оценки результатов сегментации использовались DSC и ASD (среднее расстояние между поверхностями). Разработанную СНС-модель сравнили с передовыми методами сегментации, включая Deeplabv3+, U-Net и FCN-8s. Для количественной оценки вклада MRFP, сети кодировщика и предварительного обучения было разработано исследование методом абляции. Исследовался механизм работы MRFP в сети сегментации и сравнение модели с тремя ее вариантами. Для дальнейшего улучшения модели был использован метод уровня множеств. В результате разработанная модель по сравнению с различными моделями CНС достигла наивысшего среднего значения DSC (65,6 балла) и наименьшего среднего значения ASD (2,9 мм), а показатель DSC улучшился до 69,4 балла. Это позволило авторам заключить, что метод MRFP оказался эффективным в решении проблемы размытых границ мягких тканей на МРТ-изображениях тазового дна. А предложенное гибридное решение, основанное на СНС и методе уровней множеств, для сегментации органов таза способствует достижению самых современных результатов [49]. В последующем исследовании F. Feng et al. продемонстрировали осуществимость подхода, основанного на ГО, для точной и быстрой, полностью автоматизированной локализации костных и мягкотканных ориентиров, связанных с ПТО. Это ускорило процесс интерпретации МРТ для быстрого скрининга ПТО и планирования лечения [51]. Для обучения модели ГО и проверки ее обобщающей способности были использованы 96 (73 – обучающие и 23 – тестовые) среднесагиттальных стрессовых МРТ-изображений. При разработке модели ГО для автоматической локализации четырех ориентиров (1 – мягкие ткани, 3 – костные) использовали структуру «кодировщик – декодировщик». Эффективность локализации оценивалась с помощью среднеквадратичной ошибки (RSE), а опорные линии оценивались на основе различий в длине и ориентации. Авторам удалось локализовать выбранные ориентиры с RSE 1,9, 1,3, 0,9 и 3,6 мм. Средние ошибки длины средней лобковой и крестцово-копчиковой нижнелобковой линий составили 0,1 и -2,1 мм, а RSE их ориентаций составили -0,7° и -0,3°. Причем метод предсказывал каждое изображение за 0,015 с [51].

При разработке многоклассовой классификационной модели на основе ГО для одновременной диагностики трех типов ПТО с использованием срединно-сагиттальных стресс МРТ X. Wang et al. (2022 г.) использовали набор данных из 213 изображений [14]. Для каждого МР-изображения автоматически определялись 2 реперные конечные точки крестцово-копчиковой нижнелобковой линии, на основе которой автоматически выбиралась область интереса, затем подаваемая на вход модифицированной модели ГО ResNet-50 для диагностики. Для обучения модели использовались неразмеченный набор данных МРТ, общедоступный набор данных и синтетический набор данных, а также размеченный набор данных изображений. В результате средняя точность, полнота, F1-мера и AUC разработанной многоклассовой модели классификации для трех типов ПТО составили 0,84, 0,72, 0,77 и 0,91 соответственно, что выше показателей оригинальной модели ResNet-50 (0,64, 0,53, 0,57 и 0,83). Классификация одного пациента заняла 0,18 с [14].

Свое исследование S. Zhu et al. (2025 г.) направили на разработку многоклассовой модели оценки на основе ГО для классификации степени ПТО трех органов женского таза с использованием сагиттальных стресс МРТ (n = 662) и предоставления интерпретируемого анализа результатов [62]. В обучающую выборку включили 464, в валидационную – 98, а в тестовую – 100 пациентов. Был разработан модуль извлечения признаков специально для МРТ тазового дна с использованием архитектуры ТЗ и применена стратегия обучения с маскированием меток и методы предварительного обучения для повышения сходимости модели. В отношении определения степени тяжести ПТО малого таза модели удалось достигнуть средних показателей точности (Precision), индекса Каппа Коэна, полноты (Recall) и AUC, равных 0,86, 0,77, 0,76 и 0,86 соответственно. Среднее время, затраченное на диагностику пациента, составило 0,38 с. Таким образом, предложенная модель достигла точности обнаружения, сопоставимой или даже превосходящей точность врачей, демонстрируя эффективность архитектуры ТЗ и стратегии ГО с использованием маскирования меток для помощи в оценке степени ПТО в статических условиях и при максимальной пробе Вальсальвы. По мнению S. Zhu et al., это открывает перспективные возможности для диагностики и планирования лечения ПТО [62].

Однако различия в производительности в приведенных исследованиях МРТ были очевидны. Они были связаны с неравными размерами выборки, различными стратегиями маркировки и применением (да/нет) стрессовой визуализации. Некоторые исследования были сосредоточены исключительно на сегментации без связи анатомического разграничения с диагностической точностью, что ограничивало интерпретацию для клинического применения [49, 62]. Отсутствие стандартизации параметров получения МРТ и отсутствие внешней валидации еще больше способствовали изменчивости сообщаемых результатов.

Магнитно-резонансная дефекография. В исследовании W. Lai, G. Wang, Z. Zhao et al. (2025 г.) была разработана номограмма, включающая внутриобластные и средовые радиомические признаки, для улучшения диагностики ректоцеле на основе магнитно-резонансной дефекографии [58]. Был проведен ретроспективный анализ пациентов (n = 222) с минимальной остаточной болезнью (155 – обучение, 67 – тестирование). Клинические признаки отобраны одномерной и многомерной логистической регрессией. Применен алгоритм наименьшего абсолютного сжатия и выбора (LASSO). Признаки с ненулевыми коэффициентами были сохранены для построения радиомических сигнатур. Для построения внутриобластной модели интереса (intra-ROI) в сочетании с радиомической моделью среды обитания использовался алгоритм обучения на SVM. Затем клинические признаки были объединены с радиомическими признаками с помощью алгоритма многомерной логистической регрессии для создания клинико-радиомической номограммы. Эффективность модели оценивалась с помощью кривой рабочих характеристик приемника (ROC) и анализа кривой решений (DCA). В результате комбинированная модель, учитывающая intra-ROI и радиомику среды обитания, превзошла модели, учитывающие только intra-ROI или только радиомику среды обитания, достигнув значений площади под AUC 0,913 (обучающая выборка) и 0,805 (тестовая выборка). Номограмма, интегрирующая радиомические признаки и пол, показала высокую калибровку и дискриминацию с AUC 0,930 и 0,852 в обучающей и тестовой выборках соответственно. Полученные результаты показывают, что интеграция внутриобластных характеристик с радиомическими признаками среды обитания может помочь в оценке ректоцеле. Но это одноцентровое ретроспективное исследование не имеет внешней валидации и включает относительно небольшую тестовую выборку. Поэтому нельзя исключить риск переобучения модели. Поэтому перед рутинным клиническим применением, несомненно, необходимы проспективная многоцентровая валидация и более крупные выборки [58].

Методологии ИИ. В рассмотренных исследованиях методологии, связанные с ИИ, демонстрировали различную степень сложности и широты с акцентом на стратегии, основанные на ГО. Наиболее распространенной архитектурой были СНС, часто улучшенные за счет трансферного обучения с использованием предварительно обученных моделей, таких как AlexNet, VGG-16 или ResNet-18 и ResNet34 [14, 49, 50, 54, 60, 61]. Применялась самонастраивающаяся платформа ГО nnU-Net (no-new-Net), разработанная для автоматической сегментации медицинских изображений и использующая существующую архитектуру U-Net, а не изобретающая новую для каждой следующей задачи [53]. Гибридные модели, такие как СНС в сочетании с XGBoost, представляли собой попытки интегрировать надежное извлечение признаков со структурированной классификацией [56, 57, 59]. Архитектура «кодировщик – декодер» широко применялась в задачах сегментации и локализации ориентиров, особенно в наборах данных стресс МРТ [51]. В последнее время ТЗ показали себя многообещающими при анализе многопоследовательных изображений благодаря своим механизмам, основанным на внимании, что указывает на переход к более контекстно-зависимым структурам ИИ [62, 67]. Во всех исследованиях, несмотря на эти методологические достижения, сохранялся ряд ограничений. Все модели были обучены и проверены на внутренних наборах данных, а внешняя валидация не проводилась [58]. Описания этапов предварительной обработки и стратегий аугментации были недостаточными или отсутствовали. Более того, инструменты для повышения прозрачности моделей и клинической достоверности, такие как Grad-CAM или SHAP, редко применялись и обсуждались [68].

Характеристики исследований с применением 3D и КЭМ

Конечно-элементное и 3D-моделирование является важнейшим инструментом в биомеханике и биомедицинской инженерии, предоставляющим ценные данные там, где исследования in vivo или ex vivo невозможны [38]. С развитием методов 3D-реконструкции и компьютерного моделирования структур тазового дна исследования ПТО постепенно смещаются в сторону биомеханического подхода. Но в настоящее время применение КЭА при ПТО все еще находится на стадии исследования и имеет присущие ему ограничения [69].

Инкорпорированные в этот анализ 17 исследований с применением 3D и КЭМ были опубликованы в период с 2021 по 2025 г. [40, 41, 43, 44, 70–82]. Они были посвящены созданию анатомически точных 3D-реконструкционных моделей органов таза [78, 80, 81], моделированию методов хирургической коррекции ПТО, включая применение mesh-имплантатов [43, 44, 70, 74, 79], факторов влияния и прочности мышц тазового дна [40, 71], биомеханике фасций и связок [41, 72, 73, 75–77]. Преобладали двуцентровые исследований с участием специалистов биомедицинской инженерии [41, 43, 70–78, 80, 81]. Большинство исследований проведено в Китае [40, 41, 73, 75–78, 80–82], а также в Португалии [43, 74, 79] и Франции [44, 70]. Опубликованы результаты двух международных исследовательских групп из Китая, Венгрии и Сингапура и Франции и США [71, 72].

В 2021 г. M. Lallemant et al. впервые были проведены конечно-элементные симуляции для сравнения сакрокольпопексии с супрацервикальной гистерэктомией и без нее при ПТО с целью проверки гипотезы о том, что гистерэктомия может уменьшить напряжение и деформацию механических полей на тазовых органах и на апикальных поддерживающих связках. Полученные биомеханические результаты частично объясняют этиологию рецидива и болевого синдрома в конкретных случаях ПТО [70].

В исследовании M.E.T. Silva et al. (2021 г.) проведена имитация трансвагинальной реконструктивной операции по восстановлению апикальных и кардинальных связок за счет моделирования их повреждения (90 и 50%) и/или полного разрыва [43]. Авторы впервые использовали КЭМ для моделирования воздействия различных имплантатов и эффекта техники фиксации сетки (простой и непрерывный швы) на укрепление или замену верхушечных связок при трансвагинальной реконструктивной хирургии ПТО и сравнении величины смещения тазовых тканей во время пробы Вальсальвы. Это позволило имитировать биомеханику связок в ответ на различные методы фиксации, что может улучшить результаты хирургического лечения ПТО. Исследование показало, что применение имплантатов привело к уменьшению смещения влагалищной стенки, сопоставимому со значениями, наблюдаемыми в здоровой модели, а простое наложение швов привело к большему коэффициенту смещения, чем непрерывное наложение швов. Таким образом, выбор различных точек крепления и свойств материала играет решающую роль в успешном лечении апикального пролапса с помощью mesh-имплантатов, что предоставляет ценные рекомендации по выбору эффективного подхода к лечению ПТО [43].

Трехмерная КЭ-модель для изучения факторов влияния и обобщения функциональных характеристик мышц тазового дна была разработана в 2021 г. R. Xuan et al. [71]. Имитируя механические повреждения, вызванные изменением бипариетального диаметра плода во время родов, это исследование показало, что точка соединения лобково-копчиковой мышцы и скелета испытывает пиковое напряжение и деформацию в мышцах тазового дна в середине периода родов, тем самым предоставляя ценное биомеханическое дополнение для понимания механизма, лежащего в основе ПТО [71].

В исследовании M.N. Diallo et al. (2022 г.) разработана КЭ-модель биомеханики меж органных фасций [72]. Она построена на основе МРТ-изображений практически здорового добровольца, механических свойств, полученных из данных литературы с учетом возраста, и новых экспериментальных результатов, позволивших определить порядок величины механических свойств фасций. Эта улучшенная численная модель, интегрирующая фасции, позволяет описывать подвижность таза с разницей в 1 мм между численными моделями и измерениями, тогда как без учета фасций эта разница локально достигает 20 мм [72].

На основе метода измерения параметров МРТ и компьютерного проектирования были созданы геометрическая модель и КЭ-модель тазового дна, а также проанализированы биомеханические характеристики системы его поддержки при различном внутрибрюшном давлении [73]. По мнению S. Li et al. (2022 г.), двумерное эквивалентное механическое моделирование и КЭА системы тазового дна позволяют точно отразить его биомеханические характеристики, а направление результирующих напряжений в органах таза указывает на крестец и копчик. Крестец и копчик, m. levator ani и промежностное тело играют важную роль в поддержании напряжений в системе тазового дна [73].

В исследовании 2022 г. M.E.T.D Silva et al. с помощью моделирования оценили поведение имплантатов во время пробы Вальсальвы, используемой для замены поврежденных крестцово-маточных связок, имитирующей сакрокольпопексию. Вычислительная модель имплантата была включена в модель женской тазовой полости. Моделирование позволило воспроизвести биомеханический отклик связок в ответ на различную жесткость имплантатов, что может быть использовано при разработке новых сетчатых имплантатов [74].

В исследовании, проведенном J. Chen, J. Zhang и F. Wang в 2023 г., была разработана одна из самых полных на сегодняшний день КЭ-моделей, охватывающая матку и связанные с ней связки, что еще раз подтверждает ключевую роль крестцово-маточных и кардинальных связок в поддержании биомеханической стабильности матки [75]. После создания 3D-модели ретровертированной матки и ее добавочных связок было проанализировано влияние внутрибрюшного давления и положения тела на напряжение и смещение маточных связок с использованием КЭМ, а также оценка вклада маточных связок с расчетом их напряжения и смещения. Результаты исследования согласуются с клиническими данными, что может послужить основой для изучения механизма ПТО [75].

Целью исследования J. Chen, J. Zhang, С. Yu (2023 г.) с использованием КЭМ было изучение влияния внутрибрюшного давления и повреждения связок на матку и окружающие ее связки [76]. Были созданы трехмерные 3D-модели ретровертированной матки, наблюдающейся у 20–30% женщин, и окружающих ее связок, а также заданы нагрузки и ограничения в программном обеспечении ABAQUS. Затем были рассчитаны напряжения и деформации маточных связок, а также смещение матки. Исследование показало, что смещение матки, а также напряжение и деформация связок увеличиваются при повышении внутрибрюшного давления и одновременном повреждении связок. Но повреждение связок оказывало большее влияние на матку и маточные связки. Результаты этого исследования могут служить руководством для оптимизации хирургического лечения ПТО в клинической практике и изучения патогенеза [76].

Получение модели методом КЭМ, точно имитирующей ПТО у женщин, для изучения биомеханических свойств и функций поддерживающих структур тазового дна являлось основной целью исследования Z. Xu et al. [41]. Авторы использовали анатомические изображения высокого разрешения в тонком срезе (китайский визуальный человек, CVH-5) для реконструкции подробной 3D-биомеханической модели КЭМ поддерживающих структур женского тазового дна. Это одна из наиболее анатомически полных моделей таза на сегодняшний день содержит 24 различные структуры, основанные на анатомических изображениях тонких срезов высокой точности. Инновация этой модели заключается в более детальном разделении структуры таза на основе CVH-5, что обеспечивает прочную основу для будущего анализа КЭМ с целью достижения большей точности. Кроме того, эта модель имеет потенциал для дальнейшего изучения в будущих исследовательских проектах. По мнению авторов, полученная на основе CVH модель имеет более детальное отображение анатомических структур и превосходит модель, основанную на МРТ. Результаты моделирования, опубликованные в 2023 г., подтверждают, что дисбаланс внутрибрюшного давления и поддерживающих структур тазового дна приводит к ПТО и обеспечивают теоретическую основу для понимания анатомии и функции тазового дна, а также для оперативной гинекологии [41].

В междисциплинарном исследовании X. Xue et al. в 2023 г. впервые разработали двухмерную КЭ-модель тазового дна для исследования биомеханических условий как здоровой системы, так и с ПТО [40]. При комбинированных нарушениях они сравнили закономерности изменений биомеханики тазового дна, которые могут быть вызваны различными морфологическими характеристиками положения матки при различном внутрибрюшном давлении. Результаты исследования показывают, что максимальное опущение шейки матки происходит при ее наклоне под аномальным углом в 90°, что потенциально может привести к пролапсу матки и задней стенки влагалища [40].

Для улучшения знаний о патофизиологии и методах лечения ПТО M. Lallemant et al. в 2024 г. была разработана универсальная и индивидуальная биомеханическая КЭ-модель тазового дна во время фиксации задней крестцово-остистой связки, которая персонализировала лечение и прогнозировала результаты хирургического вмешательства на основе предоперационной МРТ [44]. Сегментация проводилась с использованием программного обеспечения AVIZO. Полученные модели затем сглаживались и корректировались с помощью программного обеспечения CATIA. Измерялось смещение тазовых органов по лобково-копчиковой линии при максимальной нагрузке. Вручную была смоделирована фиксация задней крестцово-остистой связки (программное обеспечение CAD CATIA V5). По мнению авторов, разработанная с учетом персонализированных особенностей пациента и позволившая выявить чрезмерную подвижность органов тазового дна модель представляется интересным инструментом для оценки оптимального выбора области фиксации mesh-имплантов. Она будет перспективной для персонализации методов коррекции ПТО и повышения эффективности хирургического лечения [44].

Выявлению биомаркеров, определяемых с помощью 3D МРТ, для кардинальной и крестцово-маточной связок с целью оценки риска ПТО и стрессового недержания мочи, а также оценке их корреляции с тяжестью ПТО посвящено исследование H. Bai et al. 2025 г. [77]. Данные МРТ были подвергнуты 3D-реконструкции (программное обеспечение Mimics) и моделированию (Geomagic/Solidworks) для точного измерения параметров связок. Количественная оценка параметров кардинальной связки (объем, площадь, масса) с помощью 3D МРТ предлагает неинвазивные биомаркеры для прогнозирования риска развития ПТО и недержания мочи. Эти маркеры улучшают понимание недостаточности мышц тазового дна и позволяют выявлять риск ПТО на ранней стадии [77].

В ранее проведенных исследованиях паттерны женских тазовых органов преимущественно представляли собой сплошные модели, которые неточно отражают истинную анатомическую структуру человеческого тела. Поэтому целью исследования H. Bai et al. было создание анатомически точных 3D-реконструкционных моделей органов таза на основе данных МРТ (n = 120) in vivo [78]. Была построена единая репрезентативная модель полости путем сегментации, реконструкции поверхности с помощью неравномерных рациональных B-сплайнов и булевых операций. Она представляет собой экземпляр, основанный на показателях совокупности, а не воксельную композицию из всех 120 сканирований. Исследование было сосредоточено на полостях внутренних органов (матка, влагалище, мочевой пузырь и прямая кишка) и не включает мускулатуру тазовых стенок или костные структуры. Этот метод был объединен с реконструкцией поверхности с помощью неравномерных рациональных B-сплайнов в Ge-omagic Wrap и булевыми операциями в SolidWorks для построения основных полостей. Были созданы анатомически характерные модели полостей, образующие структуру, отражающую взаимосвязь множества органов. По мнению авторов работ, опубликованных в 2025 г., полученные модели могут служить основой для обучения, предварительных симуляций и будущих КЭА [78].

Целью исследования A.T. Silva et al. (2025 г.) была разработка и оценка вычислительных моделей биоразлагаемых имплантатов из поликапролактона, предназначенных для воспроизведения механического поведения крестцово-маточных связок и снижения осложнений, связанных с традиционными синтетическими сетками [79]. Сакрокольпопексия моделировалась с использованием двух различных геометрических конфигураций имплантатов: трех квадратных и одной синусоидальной. Имплантаты были интегрированы в вычислительную модель тазовой полости для оценки эффективности во время пробы Вальсальвы в условиях 50%-ного и 90%-ного повреждения, а также полного разрыва связки. Все имплантаты продемонстрировали положительный эффект, уменьшая смещение влагалища. Однако текущие результаты получены на основе вычислительных моделей и служат в основном биомеханическим подтверждением концепции [79].

В своем исследовании L. Shen et al. (2025 г.) объединили динамическую МРТ с 3D-реконструкцией ПТО и формированием плоскости на основе костных структур для оценки степени пролапса POP-Q [80]. Результаты предлагаемого метода оценки были высокосогласованными в передней (индекс Каппа Коэна = 0,427, p < 0,05) и центральной частях тазовых полостей (индекс Каппа Коэна = 0,713, p < 0,05) и сильно коррелировали в центральной и задней частях тазовых полостей. Оценка задней части тазовой полости показала сильную положительную корреляцию с системой POP-Q (r = 0,710, p < 0,01).

В исследовании L. Shen, L. Shen и H. Bai (2025 г.) была проведена оценка взаимосвязи деформацией мышц тазового дна у пациенток (n = 47) без пролапса по сравнению с пациентками (n = 53) с ПТО с использованием МРТ в сочетании с 3D-реконструкцией и инженерным программным обеспечением [81]. МРТ-изображения мышц тазового дна были реконструированы в 3D (программное обеспечение Mimics). Модели IGS (Initial Graphics Exchange Specification; формат файла, используемый для хранения 2D- и 3D-чертежей и связанной с ними информации), созданные с помощью программного обеспечения Geomagic Wrap, были снабжены свойствами материалов и проанализированы в модуле SolidWorks Simulation, позволяющем проводить разные виды анализа — статический, термический и динамический, а также выполнять оптимизацию. Модели мышц были преобразованы в визуализированные твердотельные модели, что позволило получить результаты по массе, объему и площади поверхности мышц тазового дна, участвующих в сексуальной активности. Были выявлены морфологические изменения в m. bulbospongiosus, m. pubococcygeus и m. levator ani. Данное исследование закладывает теоретическую основу для понимания функциональных факторов, способствующих сексуальной дисфункции у пациенток с ПТО [81].

Трехмерная модель таза и бедра на основе КТ- и МРТ-изображений была создана R. Wang et al. в 2025 г. на основе модели одного субъекта и компьютерного моделирования без прямой клинической проверки [82]. Полученные результаты подчеркивают важную роль мышц тазового дна, поднимающих задний проход, мышц тазового дна, прямой мышцы живота, мышц, выпрямляющих позвоночник, и мышц бедра. Результаты моделирования указывают на потенциальную эффективность реабилитационных тренировок и важность персонализированных программ реабилитации мышц тазового дна, учитывающих гендерные различия, состояние мышц и типы дисфункции, предлагая новые перспективы и возможности использования метода конечных элементов в пожилом возрасте [82].

Обсуждение

В данном обзоре, включающем всесторонний анализ 15 исследований с применением методов ИИ [14, 49–62] и 17 разработок с применением 3D и КЭМ [40–44, 70–82], особое внимание было уделено применению разнообразных методов современной визуализации в диагностике и лечении ПТО. Внедрение методов ИИ преобразует ландшафт диагностической визуализации в колопроктологии, гинекологии и урологии, предлагая мощные инструменты для повышения точности, эффективности и воспроизводимости. В обзоре области исследования обобщены данные об использовании ИИ, 3D и КЭМ для анатомической оценки, диагностики и моделирования методов хирургической коррекции ПТО на основе визуализации. В статьях, включенных в обзор, предполагается, что модели ИИ, особенно те, которые используют ГО, хорошо справляются с определением анатомических ориентиров, сегментацией тазовых структур и классификацией отделов ПТО. Тем не менее даже при наличии этих технологических достижений необходимо преодолеть методологические и трансляционные препятствия для обеспечения возможности клинического применения.

Для классификации и сегментации изображений в большинстве исследований использовались СНС, что является обоснованным выбором, учитывая их способность распознавать пространственные устойчивые комбинации результатов исследований [14, 49, 50–54, 56–58]. В некоторых исследованиях эти модели были улучшены с помощью трансферного обучения [14, 60, 61], что позволило достичь предобученной архитектуры. Нейронная сеть ResNet обеспечивает быструю адаптацию к медицинским базам данных [14, 60, 61]. По данным W. Jiao, X. Hao, C. Qin (2021 г.), гибридные технологии, например комбинации СНС-XGBoost, также доказали свою полезность [25]. Это подтверждают продолжающиеся работы по интеграции извлечения признаков и эффективной классификации [56, 57, 59]. Появились новые модели, включая TЗ, доказавшие свою способность анализировать многопоследовательные МРТ и предполагающие будущий переход к более контекстно-зависимым фреймворкам ИИ (программным платформам с готовой структурой и набором инструментов для решения типовых задач) для визуализации тазовых органов [62]. Традиционные методы МО также играют важную роль в оценке ПТО. Такие алгоритмы, как SVM, случайные леса и градиентный бустинг (например, XGBoost), продолжают использоваться для классификации компартментов ПТО или поддержки рабочих процессов сегментации в сочетании с инженерными признаками [50, 56, 58, 59].

По данным систематического обзора применения СНС в анализе медицинской визуализации, представленного I.D. Mienye et al. (2025 г.), они продемонстрировали замечательный потенциал, обеспечив прогресс в обнаружении заболеваний, сегментации и мультимодальной визуализации в различных областях медицины. Их способность извлекать иерархические признаки из медицинских изображений привела к повышению точности диагностики, автоматизации рабочих процессов и улучшению принятия клинических решений [22]. Методы МО часто требуют меньших наборов данных, чем модели ГО, и могут быть более интерпретируемыми, что делает их полезными в условиях, когда количество данных или маркировка ограниченны [22]. Кроме того, МО может интегрировать структурированные клинические или демографические данные с признаками визуализации, потенциально улучшая прогностические модели для тяжести симптомов или результатов лечения, в т. ч. и хирургического. От раннего выявления заболеваний до персонализированной диагностики и терапии ИИ продемонстрировал свой потенциал для революционализации медицинской практики. Это подтверждают результаты систематического обзора L. Pinto-Coelho (2023 г.), свидетельствующие о том, что, используя возможности ИИ, медицинские специалисты могут применять огромный объем информации, содержащейся в медицинских изображениях, для постановки точных диагнозов, разработки индивидуальных планов лечения и улучшения результатов лечения пациентов [83]. По мере совершенствования методов ИИ объединение МО и ГО в гибридных моделях может обеспечить улучшенную производительность и клиническую применимость, особенно когда приоритетами являются прозрачность и объяснимость [25]. Современные алгоритмы МО и ГО способны анализировать огромные объемы УЗ-данных, выявлять тонкие закономерности, которые могут быть сложны для обнаружения человеческим глазом, и обеспечивать автоматизированные измерения с высокой точностью [84]. Интеграция ИИ в УЗ-технологию особенно ценна для визуализации тазового дна, где сложные анатомические структуры и динамические функциональные оценки требуют детальной интерпретации. Например, среди современных передовых технологий система Mindray Smart Pelvic (Китай) – интегрированная с ИИ ультразвуковая платформа, которая представляет собой значительный шаг вперед в визуализации органов таза [55]. Технология включает в себя передовые алгоритмы МО для автоматического выявления и количественной оценки ключевых факторов риска ПТО. Ядро системы Smart Pelvic основано на многоступенчатой ​​гибридной архитектуре ГО, которая интегрирует СНС для сегментации изображений с геометрическими моделями на базе правил для анатомического выравнивания. Применяется алгоритм сегментации на основе ГО, построенный на модифицированной архитектуре U-Net, оптимизированной для 3D-/4D-ультразвуковой визуализации. Все результаты сегментации остаются редактируемыми после обработки, предлагая как эффективность автоматизации, так и гибкость ручной доработки. Благодаря оптимизации процесса диагностики и снижению вариабельности, зависящей от оператора, система Mindray с ИИ не только повышает производительность, но и улучшает объективность, точность и воспроизводимость диагностики при оценке дисфункции тазового дна. По мнению D. De Vicari et al. (2025 г.), благодаря более точной и объективной оценке биомеханики тазового дна интегрированная с ИИ данная УЗ-технология способствует разработке персонализированных стратегий лечения, включая планирование хирургического вмешательства и реабилитационных программ [55].

Представленные в обзоре системы ИИ имеют широкий спектр клинических применений, включая классификацию ПТО по компартментам, автоматизированную сегментацию тазовых структур и локализацию ориентиров [14, 49–51, 53, 56, 61, 62]. Эти функции необходимы для диагностики и хирургического планирования. Однако, хотя визуализация и ИИ представляют собой объективные инструменты анатомической оценки, для диагностики и лечения ПТО клиническая оценка остается основной. Клинические методы обследования, включая оценку ПТО по POP-Q, предоставляют функциональный и позиционный контекст, который визуализация изолированно не может уловить. Симптомы ПТО часто недостаточно коррелируют с анатомическими данными, что подтверждает важность комплексной клинической оценки [6]. Поэтому визуализацию с помощью ИИ следует рассматривать только как дополнительный инструмент, который улучшает, но не заменяет клиническое заключение. По мнению M. Botoncea et al. (2025 г.), интеграция результатов ИИ с анамнезом, показателями физических данных и качества жизни пациента будет иметь важное значение для обеспечения персонализированных стратегий лечения и медицинской реабилитации [85].

По материалам ISCAS (International Society for Computer Aided Surger) и EuroPacs (European Society of Picture Archiving and Communication Systems), наиболее актуальными диагностическими направлениями, позволяющими улучшить исходы хирургических вмешательств, являются предоперационное 3D-моделирование, планирование оперативных вмешательств и интраоперационная навигационная обработка изображений и визуализация [29, 30]. При виртуальном моделировании особую ценность представляет пошаговый алгоритм действий, позволяющий вернуться к любой стадии операции, изменить и проконтролировать действия. Это значительно расширяет и объективизирует возможности обследования при различных патологиях тазового дна и тазово-промежностных операциях со сложной анатомией [31].

Метод КЭМ является мощным инструментом с широким спектром применения в области урологии, гинекологии и колопроктологии, позволяющим воссоздать и манипулировать сложными структурами таза для лучшего понимания биомеханики, лежащей в основе патологий тазового дна. Метод чувствителен к входным данным, включая граничные условия, анатомические точки привязки, приложенное к модели давление, а также определяющие допущения и формулировки. Поиск корректного баланса между точностью модели и ее реализуемостью продолжает оставаться проблемой. Для моделей тазового дна не существует установленного стандарта [38, 69]. Они чаще разрабатываются для решения конкретной задачи и проверяются с использованием персонализированных данных пациентов. Специфичность этих уникальных моделей часто ограничивает их применимость в иных условиях и для широкого применения. Но являясь ограничением, она представляет собой одно из главных преимуществ КЭМ – способность к моделированию с учетом индивидуальных особенностей пациента. С прогрессивным развитием биомеханических исследований тазового дна применение анализа КЭМ открыло новые перспективы в исследованиях ПТО. За последние 10 лет в КЭА при ПТО были достигнуты значительные успехи [40, 41, 43, 70, 72, 75, 76, 79]. Большая часть современных исследований в этой области посвящена КЭ-моделям на основе МРТ отдельных тканей и органов тазового дна, а также измерению соответствующих параметров [40, 77, 78, 80–82]. Метод КЭМ использовался для анализа хирургических вмешательств, направленных на лечение и уменьшение ПТО [43, 44, 70, 74, 79]. В нескольких исследованиях проводилось сравнение оперативных методик [70], моделировалась хирургическая сетчатая пластика и оценивалось результирующее уменьшение смещения влагалища [43, 44, 74, 79]. Проводился анализ оптимальной структуры и пористости mesh-импланта, типа (одиночный или непрерывный) и количества швов [43]. Было обнаружено, что, хотя как простой, так и непрерывный шов улучшал смещение, непрерывный шов уменьшал верхне-нижнее движение матки и стенки влагалища, а увеличение количества швов не приводило к уменьшению подвижности [43]. Аналогичным образом КЭМ использовался для оценки эффективности крестцово-остистой фиксации и оптимального места крепления для уменьшения смещения органов таза [44]. Но исследования общего принципа механического баланса, механизма травм и взаимодействия органов в системе поддержки таза все еще находятся на стадии предварительного изучения. В последнее время наблюдается смещение акцента в КЭА на разработку комплексных моделей, включающих органы таза, мышцы и связки, специфические структурные геометрические вариации, которые точно отражают морфологические изменения, связанные с ПТО [38, 69]. Новая платформа моделирования облегчает разработку индивидуальной КЭ-модели на основе характеристик пациента, что позволяет исследовать патогенетические механизмы, лежащие в основе ПТО, и такой подход предоставляет ценные сведения для персонализированных стратегий лечения. Существующие КЭ-модели персонализированы, что создает значительные трудности в интерпретации и валидации результатов исследований на всю популяцию.

Нерешенные технические и методологические вопросы

Необходимо учитывать, что только немногие исследования, анализируемые в этом обзоре, были посвящены многоклассовым или многокомпонентным моделям визуализации, которые могли бы более эффективно отражать особенности конкретных случаев, связанных с ПТО. Задачи сегментации и локализации в основном были сосредоточены на анатомической точности, а не на прямой диагностике, что указывает на несоответствие между техническими возможностями и клиническими результатами [51, 61, 62]. Несмотря на высокое качество моделей, отсутствие внешней валидации остается проблемой. Все рассмотренные исследования основывались на внутренних наборах данных без анализа независимых когорт или данных из разных учреждений [14, 50, 57, 62]. Это снижает обобщаемость и воспроизводимость результатов и вызывает опасения по поводу переобучения, особенно в исследованиях с выборками меньшего размера [50–52, 54, 55]. Помимо этого, такие важные характеристики, как интерпретируемость модели, методы предварительной обработки и аугментация данных, были представлены непоследовательно [61, 62]. Модели МО часто сравнивают с черными ящиками из-за их неспособности понятно объяснить свои решения. Это создает серьезные проблемы, особенно в ситуациях, требующих строгой подотчетности и прозрачности, возникающие, когда внутренняя работа модели настолько сложна или неясна, что даже ее создатели точно не понимают, как был получен тот или иной результат. К тому же отсутствие объяснимых решений на основе ИИ, таких как методы LIME (Local Interpretable Model-agnostic Explanations) и SHAP (SHapley Additive ExPlanations), проясняющих вклад каждого признака в итоговое решение модели, или картирование активации классов с градиентным весом, подрывает уверенность врачей и препятствует потенциальному включению ИИ в традиционные процессы [86]. В частности, A.V. Ponce-Bobadilla et al. (2024 г.) представили обзор различных графиков визуализации и их интерпретации, доступного программного обеспечения для реализации SHAP, а также выделили лучшие практики и особые соображения при работе с бинарными конечными точками и моделями временных рядов для объяснения процесса принятия решений в сетях МО или СНС [68].

Прямое сравнение моделей ИИ дополнительно осложняется разнообразием процедур визуализации, которые варьируются от 2D или 3D УЗИ [50, 52–57, 60, 61], статической и стрессовой МРТ [14, 49, 51, 62] до магнитно-резонансной дефекографии [58]. Исследования с использованием УЗ-методов выиграли от сбора данных в реальном времени [50, 53, 57, 61], тогда как с МРТ предоставляли больше анатомической информации [14, 49, 51, 62]. Визуализация ПТО затруднена из-за динамической, многокомпонентной анатомии таза с различной степенью выраженности пролапса его компартментов, которые не могут быть полностью зафиксированы при статической визуализации или стандартных клинических исследованиях. Наряду с этим, различия в положении пациента (стоя, лежа на спине при УЗИ и МРТ, различные степени литотомического положения при хирургических вмешательствах), изменчивость усилий натяжения во время визуализации и тонкость определенных анатомических сдвигов способствуют диагностической неопределенности [5]. Методы ИИ имеют потенциал для устранения этих ограничений, обеспечивая последовательную и объективную локализацию ориентиров [51], автоматизируя многокомпонентную сегментацию [62] и уменьшая межисследовательскую вариабельность. Алгоритмы ГО, особенно при обучении на различных модальностях визуализации, могут улучшить распознавание анатомических деталей и способствовать более точной и воспроизводимой оценке расстройств тазового дна [14, 50, 51, 53, 62]. Выбор метода визуализации влияет на методологию ИИ: модели-трансформаторы и многомаркерные классификаторы чаще используются в МРТ и СНС для УЗ-оценки [14, 51, 56, 61]. Но при этом отсутствуют исследования перспективного внедрения, клинической применимости или результатов для пациентов после оценки с помощью ИИ.

Современные разработки КЭМ тазового дна преимущественно основаны на МРТ, при этом точные данные визуализации служат фундаментальной основой для оптимизации моделей ПТО [38, 39, 69]. Техника наложения МРТ-изображений облегчает мониторинг в реальном времени за геометрической формой и физиологической структурой органов таза, повышая точность КЭ-моделей [38, 40, 41]. Но созданные на основе МРТ КЭ-модели имеют ограничение в виде низкого разрешения. Это препятствует отчетливому дифференцированию связочного аппарата, различных типов мышц и соединительной ткани. Например, рассмотрение m. levator ani как единого целого игнорирует гетерогенность и ориентацию мышечных волокон внутри каждой ее части. А присвоение одинаковых материальных свойств всем составляющим неизбежно приводит к расхождениям между экспериментальными результатами и клиническими данными. Диффузионно-взвешенная МРТ (ДВ-МРТ) с программным обеспечением, генерирующим последовательные изображения и использующим диффузию молекул воды для создания контраста, может использоваться для неинвазивной оценки ориентации мышечных волокон. Это делает ДВ-МРТ ценным инструментом в исследованиях мышц тазового дна с многообещающими результатами [38, 69]. Тщательное управление возникновением артефактов имеет первостепенное значение в клинической практике. Качество практических моделей КЭМ по-прежнему представляет ряд проблем, включая расхождения в понимании анатомии среди их создателей и перекрывающиеся точки прикрепления мышечных волокон. Эти трудности часто возникают во время фактического моделирования КЭМ, подчеркивая существующий недостаток научных литературных данных по моделям методом КЭМ, которые могут полностью охарактеризовать эту структуру. Эти проблемы подчеркивают необходимость будущих исследований системы тазового дна и анализа ПТО методом КЭМ для их решения. Точное конечно-элементное построение сетки играет ключевую роль в вычислении точных КЭ-моделей, оказывая значительное влияние на количественные результаты их анализа. Основная проблема заключается в преобразовании многочисленных нерегулярных поверхностей в упрощенные геометрические формы, подходящие для КЭА. Из-за сложной структуры тканей органов таза сгенерированная сетка часто нарушает пределы допуска формы, угла или превышает максимально допустимое количество элементов. Поэтому попытки автоматического построения сетки геометрических форм в программном обеспечении для КЭА часто неудачны. Оптимальным решением является упрощение геометрии или ее разделение на несколько компонентов для отдельного построения сетки. Анатомическое перекрытие органов на изображениях МРТ также создает трудности для КЭМ органов таза и ПТО. Ключевая проблема при установлении условий контакта заключается в точном определении поверхностей или элементов сетки, участвующих в нем, а также в определении типов и взаимосвязей контактов в программном обеспечении для КЭА. Помимо геометрической и контактной нелинейности, включение нелинейности материала было необходимо из-за гиперупругого поведения мягких тканей органов тазового дна, что увеличивает сложность построения КЭ-модели для этих тканей и органов [38, 69]. Материальные характеристики каждой структуры органов таза демонстрируют значительные различия. Для улучшения КЭМ с целью лучшего понимания характеристик тканей, связанных с ПТО, необходимо дальнейшее развитие новых технологий на основе МРТ, чтобы расширить возможности распознавания сложных анатомических структур в различных режимах МРТ-изображений. Современные методики по-прежнему сталкиваются с проблемой точного представления свойств материалов, используемых в КЭА. Они в основном почерпнуты из трупных данных и измерений, полученных из существующих моделей или литературных источников. Отсутствие исчерпывающих сведений о взаимодействии между мышцами и органами таза, фасциями и связками, включая их связность и динамику скольжения, создает проблемы при установлении границ модели и условий нагружения. Следовательно, необходимы дальнейшие обширные фундаментальные механические экспериментальные и клинические исследования для стандартизации материальных параметров различных структур тазового дна.

Ограничения исследования

Критическая оценка не является обязательной в обзорах области применения. Но заслуживают внимания такие методологические ограничения, как небольшие размеры наборов данных при использовании алгоритмов ИИ, что увеличивает риск переобучения, особенно в приложениях ГО. Оценка возможности распространения результатов отсутствовала во всех исследованиях, что вызывает опасения по поводу генерализации модели ИИ за пределами исходных клинических условий [14, 49, 50, 51, 53, 57, 61, 62]. Без независимого тестирования надежность представленных результатов, несмотря на высокие внутренние метрики производительности, остается неопределенной. Это подчеркивает необходимость осторожной интерпретации и выделяет более широкую проблему в диагностических исследованиях на основе ИИ при ПТО. Также ограничения связаны с небольшим количеством соответствующих исследований, многообразием клинических целей, методов визуализации и алгоритмов ИИ, различиями в дизайне, данных и результатах.

Создание КЭМ для органов таза и ПТО представляет собой значительные трудности из-за вариаций свойств материалов, массы и плотности. Ограничения ранних КЭ-моделей тазовой системы связаны с опорой на ручные измерения и визуальные наблюдения для оценки геометрии органов, что часто приводит к значительным ошибкам в результатах. При исследовании тазовой системы и ПТО могут наблюдаться значительные различия в количественных результатах между различными вычислительными моделями из-за высокой специфичности пациентов. Многие симуляции не были подтверждены данными визуализационных исследований или экспериментальными данными, что в ряде исследований было связано с этическими и техническими ограничениями. Хотя в нескольких исследованиях использовались методы сходимости сетки, анализа чувствительности или качественного сравнения с клиническими тенденциями, лишь немногие проводили количественную проверку с использованием смещения на основе МРТ или статистических оценок. Эта вариативность подчеркивает сохраняющуюся проблему достижения как анатомической точности, так и экспериментальной проверки.

Этические и нормативные аспекты

Соблюдение строгих мер безопасности личных медицинских информационных данных критически важно для сохранения доверия пациентов и соблюдения правовых норм. Разработка и использование инструментов ИИ должны соответствовать правилам защиты данных. Приложения ИИ должны учитывать алгоритмическую объективность, медико-правовые последствия диагностических ошибок, гарантируя, что модели будут интерпретируемыми и подкрепленными четкими рамками подотчетности [85].

Проблемы и возможности внедрения. Практическое применение ИИ в диагностике и лечении ПТО открывает как многообещающие возможности, так и серьезные проблемы. Одним из потенциальных направлений применения является интеграция инструментов ИИ в рабочие процессы визуализации в реальном времени. При УЗИ модели с высокой скоростью вывода могут обеспечивать мгновенную диагностическую обратную связь во время клинических обследований. В условиях, когда доступ к специализированным методам визуализации, таким как МРТ, ограничен, УЗИ с использованием ИИ может служить экономически эффективным, портативным диагностическим решением для ПТО. Автоматизированная интерпретация поможет преодолеть нехватку специализированных врачей и рентгенологов, обеспечивая более раннюю и точную диагностику. Но при внедрении методов ИИ необходимо учитывать проблемы, связанные с ограниченной цифровой инфраструктурой и отсутствием локальных данных для обучения моделей, а также необходимостью нормативной и клинической валидации в условиях ограниченных ресурсов. Решение этих проблем с помощью ИИ и соблюдения стандартов отчетности CLAIM (Checklist for Artificial Intelligence in Medical Imaging; чек-лист для ИИ в медицинской визуализации), SPIRIT-AI (Standard Protocol Items: Recommendations for Interventional Trials-AI extension; стандартные протокольные элементы: рекомендации для интервенционных исследований-расширение ИИ) и CONSORT-Al (Consolidated Standards of Reporting Trials-Artificial Intelligence; консолидированные стандарты отчетности по клиническим испытаниям-ИИ) будет иметь решающее значение для безопасной, этичной и эффективной клинической интеграции ИИ в визуализацию тазовых органов [87]. При оценке ПТО на основе МРТ ИИ может помогать врачам лучевой диагностики, автоматически локализуя тазовые ориентиры и сегментируя соответствующие структуры, тем самым уменьшая ручную работу и повышая согласованность. Такие системы могут быть встроены в PACS или интегрированы в программное обеспечение для отчетности по рентгенологии для поддержки структурированных диагностических интерпретаций. Однако клиническое внедрение этих технологий также сталкивается с нормативными и операционными барьерами. В частности, ни одна модель ИИ для оценки ПТО не получила одобрения регулирующих органов FDA (управление по санитарному надзору за качеством пищевых продуктов и медикаментов, США) и EMA (Европейского агентства по лекарственным средствам), в основном из-за отсутствия проспективных валидационных исследований и недостаточного уровня прозрачности и объективности алгоритмов. Кроме того, правила конфиденциальности данных, такие как GDPR (General Data Protection Regulation; Общий регламент по защите данных) в Европе, налагают строгие ограничения на разработку и развертывание моделей. Это требует использования протоколов анонимизации и безопасных каналов обработки данных. Внедрение ИИ в клиническую практику при ПТО, несомненно, потребует междисциплинарного сотрудничества, включая рентгенологов, урологов, гинекологов, колопроктологов и специалистов по информатике, для обеспечения бесперебойной интеграции рабочих процессов и интерпретации результатов.

Используя геометрические сетки, построенные на основе медицинских изображений, КЭМ предлагает возможность создания решений, учитывающих индивидуальные особенности пациента. В будущем эти модели могут быть использованы для разработки индивидуальных пессариев для лечения ПТО, определения целевых протоколов растяжения для лиц с гипертонусом мышц тазового дна, оптимизации методов наложения серклажа на основе индивидуальной биомеханики пациента, выбора оптимальных вариантов хирургического лечения, а также создания подробных симуляций, способствующих разработке новых стратегий диагностики и лечения. Наконец, метод КЭМ может помочь в понимании влияния рубцевания тканей таза, особенно у пациентов с профибротическими состояниями (воспалительные заболевания органов таза, синдром Ашермана, прохождение онкологического лечения). Модели помогут ускорить разработку индивидуальных, в т. ч. биоразлагаемых, стентов, дилататоров или других персонализированных устройств, оптимизирующих прохождение яйцеклетки и улучшающих результаты лечения бесплодия, уменьшив необходимость в повторном физическом прототипировании и минимизировав зависимость от животных моделей.

Потенциальная предвзятость и пробелы в отчетности. Необходимо учитывать потенциальную публикационную предвзятость, которая может привести к переоценке эффективности ИИ в диагностике и визуализации ПТО. Исследования, сообщающие о высокой эффективности модели ИИ или о положительных результатах, с большей вероятностью будут опубликованы, чем исследования с отрицательными или неубедительными результатами.

Перспективы. По мере развития междисциплинарных центров реконструктивно-пластической хирургии тазового дна интеграция ИИ представляет собой многообещающий шаг вперед в совершенствовании диагностики и медицинской реабилитации. Для того чтобы более эффективно внедрить ИИ в диагностику и оценку ПТО, будущие изыскания должны быть сосредоточены на нормативной и внешней клинической валидации методов ИИ в многоцентровых когортных исследованиях, позволяющих сформировать репрезентативную выборку и уменьшить вероятность систематической ошибки отбора. Для разработки обобщаемых моделей ИИ требуется принятие прозрачных структур отчетности и создание массивных стандартизированных и многоцентровых наборов данных визуализации с открытым доступом, включающих данные о различных популяциях и методах визуализации, хорошо аннотированные метки для улучшения обучения, валидации и сравнительного анализа моделей ИИ. Необходимо изучение эффективности алгоритмов ИИ при различных анатомических проявлениях и потенциальной роли в прогнозировании долгосрочных результатов лечения. Эти инструменты помогут в представлении ключевых технических, клинических и валидационных компонентов исследований ИИ, тем самым способствуя воспроизводимости и клинической значимости [87]. Применение ИИ может повысить точность, эффективность и доступность визуализации органов таза, что в конечном итоге приведет к улучшению качества медицинской помощи и клинических результатов. Следующим шагом должно быть проведение проспективных междисциплинарных исследований для оценки влияния диагностической точности на хирургическое планирование и интраоперационную навигацию, что поможет превратить эти технологии из экспериментальных моделей в эффективные терапевтические инструменты.

С развитием методов 3D и компьютерного моделирования структур тазового дна исследования ПТО постепенно смещаются в сторону биомеханического подхода. В настоящее время применение КЭА при ПТО все еще находится на стадии исследования и имеет присущие ему ограничения. Благодаря непрерывному развитию и оптимизации различных технологий, этот метод может быть использован с большей точностью для отображения истинного функционального состояния тазового дна, что позволит улучшить дополнение механизма ПТО с точки зрения компьютерной биомеханики [69]. Нуждаются в разработке динамические модели КЭМ, обладающие возможностями самокоррекции, компенсации и адаптации. Необходимо создать более точные геометрические модели органов таза, повысить точность разбиения сетки КЭМ для четкого разделения неправильных геометрических форм, обеспечивая проникновение и перекрытие сетки для соответствия реальным сценариям развития ПТО, провести дополнительный обратный анализ КЭМ для установления стандартизированных параметров материалов для различных структур тазового дна. При проведении КЭМ необходимо учитывать распределение и количество волокон в тканях таза, чтобы построить модель, которая лучше отражает реальность. В связи с тем, что структура тазового дна представляет собой сложнейшую систему, включающую множество групп мышц и связок с их взаимодействием, натяжением и устойчивостью к натяжению нервов, это требует не только всестороннего понимания анатомии тазового дна и навыков интерпретации МРТ-снимков, но и способности проявлять творческий подход. Поэтому будущие исследования должны быть сосредоточены на постоянном расширении базовых данных, оптимизации алгоритмов и поиске более реалистичных данных для моделирования клинических сценариев посредством тесного междисциплинарного сотрудничества. Это позволит лучше охарактеризовать биомеханику, лежащую в основе заболеваний тазового дна, и проанализировать медицинские вмешательства, направленные на коррекцию ПТО, в т. ч. с применением сетчатых имплантов. А также оценить оптимальную структуру и пористость сетки, тип (одинарный или непрерывный) и количество швов, эффективность крестцово-остистой фиксации и оптимальное расположение точки опоры для уменьшения смещения тазовых органов [43].

Благодаря быстрому развитию технологий медицинской визуализации и компьютерной инженерии анализ методом КЭМ получил достаточно широкое применение, более короткие циклы и расширенные возможности моделирования. Эта технология превратилась в количественный метод анализа, способный наблюдать сложные биомеханические системы, которые невозможно непосредственно визуализировать в человеческом теле. В настоящее время анализ методом КЭМ оказывает значительную помощь клиническим исследованиям, изучая механические механизмы, моделируя операции, сравнивая эффективность лечения, прогнозируя хирургические риски и проектируя имплантаты. Будущие исследования, вероятно, будут сосредоточены на разработке персонализированных и регенеративных стратегий лечения. Кроме того, достижения в области МО, различные подходы к регенеративной медицине и мультимодальное крупномасштабное моделирование методом КЭМ открывают многообещающие перспективы для развития [88].