Применение методов искусственного интеллекта в медицине: современное состояние и перспективы развития в кардиологии: обзор

Сердечно-сосудистая патология продолжает занимать лидирующие позиции в структуре смертности населения экономически развитых стран. По оценкам Всемирной организации здравоохранения, ежегодные потери от заболеваний сердца и сосудов превышают 17 млн случаев. Ключевыми проблемами остаются недостаточно раннее выявление патологических изменений, субъективность интерпретации диагностических данных и сложность индивидуального прогнозирования течения болезни. В связи с этим особую актуальность приобретает поиск новых технологических решений, способных повысить точность и объективность диагностики [1][2].

Стремительное развитие вычислительных методов и накопление значительных массивов клинической информации создали предпосылки для активного внедрения алгоритмов искусственного интеллекта (ИИ) в медицинскую сферу. Кардиология представляет собой наиболее благоприятную область для применения подобных технологий в силу высокой информативности используемых методов исследования. Электрокардиография (ЭКГ), эхокардиография, компьютерная и магнитно-резонансная томография (МРТ) генерируют огромные объемы цифровых данных, анализ которых традиционными статистическими методами становится все более трудоемким. В последнее десятилетие количество публикаций, посвященных использованию машинного обучения в кардиологии, неуклонно растет, однако методологическое разнообразие и противоречивость получаемых результатов требуют тщательной систематизации и критической оценки [3-5].

Цель исследования: комплексный анализ современных научных данных о применении технологий ИИ в кардиологии.

Материал и методы

Настоящий систематический обзор проведен в соответствии с рекомендациями PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

Поиск релевантных источников осуществлялся в электронных библиотеках и реферативных базах: PubMed, Scopus, Web of Science, Google Scholar, а также в российской научной электронной библиотеке eLIBRARY.RU. Временные рамки охватывали публикации с 2015г по 2026г. Поисковый запрос включал комбинации терминов: "искусственный интеллект в кардиологии", "машинное обучение сердечно-сосудистые заболевания", "глубокое обучение анализ электрокардиограммы", "нейросети в эхокардиографии", "анализ изображений сердца искусственный интеллект", "прогнозирование рисков ИИ", а также их английские эквиваленты: "artificial intelligence cardiology", "machine learning cardiovascular disease", "deep learning ECG analysis", "AI echocardiography", "cardiac imaging artificial intelligence", "risk prediction cardiovascular AI". Первоначально было идентифицировано 187 публикаций. После удаления дубликатов отобрано 155 уникальных записей. Скрининг названий и аннотаций исключил 98 работ. Полнотекстовый анализ 57 статей привел к исключению еще 16 (отсутствие валидации — 9, недостаточное описание — 4, дублирование данных — 3). В итоговый качественный синтез включена 41 публикация. Количественный синтез (метаанализ) не проводился в связи с гетерогенностью данных (рис. 1).

Результаты и обсуждение

Автоматизированный анализ ЭКГ

Наиболее разработанным направлением применения ИИ в кардиологии является анализ электрокардиографических сигналов. Это объясняется как широкой доступностью метода, так и длительными архивами цифровых записей, которые служат основой для обучения нейросетевых моделей.

Фундаментальное значение для развития этого направления имело исследование Attia ZI, et al. (2019), выполненное в клинике Мейо. Авторы предложили сверточную нейросеть для идентификации скрытой систолической дисфункции левого желудочка. Анализ >44 тыс. записей позволил достичь показателей площади под ROC-кривой (AUC) 0,93 при чувствительности 86% и специфичности 85% [6]. Принципиальная значимость данной работы заключается в возможности выявления структурной патологии по косвенным электрофизиологическим признакам, не определяемым визуально, что открывает новые перспективы для скрининга сердечной недостаточности.

Развивая это направление, группа Hannun AY, et al. (2019) из Стэнфорда разработала рекуррентную нейросетевую модель, способную дифференцировать 12 видов нарушений ритма по одноканальной записи с портативного устройства. Эффективность алгоритма (AUC 0,97) превысила усредненные показатели врачей-кардиологов, что создает предпосылки для широкого скрининга аритмий вне стационара с использованием носимых устройств [7]. В последующих работах эффективность подобных подходов была подтверждена на крупных гетерогенных выборках (Ribeiro AH, et al., 2020; Zhu H, et al., 2024), что свидетельствует о зрелости технологий автоматического анализа ЭКГ [8][9].

Следующим логическим шагом стало использование ЭКГ не только для диагностики, но и для прогнозирования рисков. Коллектив Khurshid S, et al. (2025) обучил модель HTN-AI на 752 тыс. записей более 100 тыс. пациентов, достигнув точности выявления артериальной гипертензии с AUC 0,803. Прогностическая значимость модели подтверждена повышенным риском развития сердечно-сосудистых событий: смертности (отношение рисков 1,47), сердечной недостаточности (2,26) и инфаркта миокарда (1,87) [10]. Аналогичные результаты были получены при анализе возможности ЭКГ-предикции фибрилляции предсердий (Raghunath S, et al., 2021; Attia ZI, et al., 2019) [11][12].

Важно отметить, что в эту глобальную исследовательскую повестку активно включаются и российские ученые. Так, Денисова Е. А. и др. (2025) предложили четырехслойную сверточную нейронную сеть для классификации данных ЭКГ сверхвысокого разрешения, полученных на экспериментальной модели ишемии миокарда. Модель продемонстрировала способность автоматически выявлять ранние признаки ишемической болезни сердца [13]. Другое российское исследование, выполненное Мсукар С. и Давыдов Р. В. (2025), посвящено анализу сигналов пульсовой волны с помощью нейросетевых алгоритмов. Разработанная модель, обученная на данных 219 пациентов, достигла точности 93%, что открывает перспективы для использования в носимых устройствах дистанционного мониторинга [14].

Принципиально новый этап в развитии анализа ЭКГ связан с появлением фундаментальных моделей. В 2026г Nolin-Lapalme A, et al. представили DeepECG-SSL — модель самоконтролируемого обучения, обученную на 1 млн записей. Она достигла микроусредненного AUC 0,990 на внутренних тестах и 0,981-0,983 на внешних данных, продемонстрировав минимальные различия по возрасту и полу. Модель особенно эффективна в задачах с ограниченными данными, таких как классификация генотипа синдрома удлиненного интервала QT (AUC 0,931) и предсказание 5-летнего риска фибрилляции предсердий (AUC 0,742) [15]. Параллельно Murthy VL, et al. (2026) показали, что модель, обученная на 800 тыс. немаркированных ЭКГ, способна выявлять ишемию миокарда и микрососудистую дисфункцию (AUC 0,763-0,771) с сохранением точности при внешней валидации, что позволяет заменять сложные визуализирующие методики [16].

Несмотря на впечатляющие успехи, исследователи отмечают и ограничения методов. Нейросетевые алгоритмы чувствительны к качеству исходного сигнала: наличие шумов и артефактов способно приводить к ошибочным заключениям. Дополнительным ограничением выступает феномен "смещения распределения данных" (dataset shift), когда модель, обученная на выборке из одного медицинского центра, демонстрирует снижение точности при переносе в другие условия. Таким образом, вопросы робастности, интерпретируемости решений и калибровки уверенности модели сохраняют свою актуальность (Holzinger A, et al., 2019; Kelly CJ, et al., 2019) [3][4].

Интеллектуальный анализ эхокардиографических изображений

Если анализ ЭКГ оперирует одномерными сигналами, то эхокардиография представляет собой следующий уровень сложности — анализ динамических двухмерных и трехмерных изображений. Применение глубоких нейросетей в этой области направлено на стандартизацию измерений, сокращение времени исследования и уменьшение межоператорской вариабельности.

Значимым прорывом стала работа Ouyang D, et al. (2020), представивших систему EchoNet-Dynamic на основе трехмерной сверточной архитектуры, выполняющую автоматическое вычисление фракции выброса левого желудочка. На массиве из 10 тыс. исследований средняя абсолютная ошибка составила 4,1%, что соответствует экспертному уровню [17]. Преимуществом подхода стала возможность покадрового анализа сократимости на протяжении всего сердечного цикла, что позволяет выявлять регионарные нарушения, не всегда определяемые при визуальной оценке.

Для эффективной работы таких систем критически важным этапом является правильная классификация получаемых проекций. Zhang J, et al. (2018) продемонстрировали эффективность сверточных сетей в автоматической классификации 23 стандартных эхокардиографических проекций с точностью >90% [18]. Последующие исследования подтвердили возможность автоматического количественного анализа не только фракции выброса, но и более тонких показателей — деформации миокарда (Salte IM, et al., 2021) и диастолической функции (Tromp J, et al., 2022) [19][20].

Перспективным направлением, расширяющим возможности эхокардиографии, становится использование генеративных моделей. В обзоре Raphael YM, et al. (2026) проанализировано применение GAN, диффузионных моделей и вариационных автоэнкодеров в эхокардиографии. Показано, что они эффективны для улучшения качества изображений, повышения точности сегментации и создания синтетических наборов данных, что помогает преодолевать дефицит обучающих выборок [21].

Вместе с тем сохраняется зависимость эффективности алгоритмов от качества ультразвукового оборудования и соблюдения протоколов сканирования. Гетерогенность изображений, получаемых в различных медицинских учреждениях, остается серьезным препятствием для прямого переноса обученных моделей без адаптации [22]. Ряд исследователей предлагает методы доменной адаптации для решения этой проблемы (Chen X, et al., 2023) [23].

Обработка данных компьютерной и МРТ

Наиболее информативными, но и наиболее сложными для анализа методами визуализации являются компьютерная и МРТ. Трехмерная природа данных, высокое разрешение и множество последовательностей сканирования создают уникальные вызовы для алгоритмов ИИ, одновременно открывая возможности для получения наиболее детальной анатомической и функциональной информации.

Ключевой задачей, решение которой стало возможным благодаря глубоким нейросетям, является автоматическая сегментация структур сердца. Bai W, et al. (2018) на данных британского биобанка (>5 тыс. МРТ-исследований) продемонстрировали возможность полностью автоматической сегментации камер сердца и миокарда с использованием архитектуры U-Net. Время обработки одного исследования сократилось с 20 мин ручной работы до нескольких секунд при точности, сопоставимой с межэкспертной вариабельностью [24]. Это открывает возможности для крупномасштабного фенотипирования в популяционных исследованиях (Pirruccello JP, et al., 2020) [25].

Российскими разработчиками также достигнуты значительные успехи в данном направлении. Коллаборация специалистов "Сбера", НМИЦ им. В. А. Алмазова и Тюменского кардиологического научного центра привела к созданию модели "Сердце" для автоматического вычисления индекса SYNTAX Score с точностью 94,74%^1,2. По словам директора НМИЦ им. В. А. Алмазова Е. В. Шляхто, данная разработка представляет собой первый шаг к созданию комплексной системы управления сердечно-сосудистыми рисками. Ученые Пензенского государственного университета создали нейросетевой продукт 3D‑Corvasculograph для предоперационного планирования ангиопластики с точностью до 97%³.

Логическим продолжением развития методов анализа изображений стало применение радиомики — подхода, извлекающего количественные признаки из медицинских изображений, неразличимые для человеческого глаза. В российском исследовании Максимова А. С. и др. (2025) применили методы радиомики и машинного обучения к данным МРТ сердца без контрастирования для выявления постинфарктного кардиосклероза [26].

Расширяя границы применения ИИ, исследователи обращаются к анализу изображений других органов для косвенной оценки кардиального статуса. Poplin R, et al. (2018) из Google Research показали, что модель Inception v3, обученная на фотографиях глазного дна, способна прогнозировать возраст, пол, факт курения, наличие артериальной гипертензии (AUC 0,89) и риск сердечно-сосудистых событий [27]. Данный результат подтверждает, что ИИ способен обнаруживать неочевидные корреляции между состоянием различных органов и систем.

Прогнозирование сердечно-сосудистого риска

От анализа изображений и сигналов логично перейти к синтезу всей полученной информации для решения ключевой задачи современной кардиологии — индивидуализированного прогнозирования рисков. Традиционные шкалы риска (Framingham, SCORE) обладают ограниченной предсказательной способностью на индивидуальном уровне, поскольку учитывают лишь небольшое число факторов.

Переход к методам машинного обучения позволил интегрировать сотни переменных для повышения точности прогнозов. Weng SF, et al. (2017) на выборке из 378 тыс. пациентов сравнили четыре алгоритма с классической шкалой Framingham. Модели машинного обучения продемонстрировали умеренное преимущество (AUC 0,76 vs 0,72) и позволили корректно переклассифицировать 7,6% пациентов [28].

Следующим шагом стало использование методов глубокого обучения для анализа специализированных данных. Skandha SS, et al. (2025) разработали гибридную модель AtheroEdge™ 3.0att-HDL с механизмами внимания для стратификации риска на основе ультрасонографии сонных артерий и коронарной ангиографии. Превосходство над традиционными методами, включая случайный лес, составило 36,11% [29].

Наиболее перспективным направлением представляется мультимодальный подход, объединяющий данные различной природы. Kaur A, et al. (2025) предложили модель, объединяющую анализ биомаркеров сетчатки (графовый трансформер HRV-GT) и сердечно-сосудистых сигналов (спектрально-временной трансформер STC-T). На выборке из 55 тыс. пациентов модель достигла AUC 0,97, чувствительности 91% и специфичности 89% [30].

Параллельно развиваются подходы к анализу изображений других органов для прогнозирования риска. Wehrle CJ, et al. (2025) применили трансформерные нейросети к МРТ-изображениям печени из базы UK Biobank (44672 исследования). Модель достигла AUC 0,70 в прогнозировании серьезных неблагоприятных сердечно-сосудистых событий, что сопоставимо с традиционными шкалами типа SCORE2 [31].

Важным методологическим усовершенствованием стал учет временной динамики показателей. Mahdavi M, et al. (2025) сравнили эффективность рекуррентных нейросетей (LSTM и GRU) со смешанными логистическими моделями при прогнозировании 10-летнего риска. Модель GRU продемонстрировала AUC 0,739 у женщин и 0,738 у мужчин, подтверждая преимущество учета временной динамики [32].

Сравнительные исследования показывают, что ансамблевые методы часто превосходят отдельные классификаторы [33][34]. Однако усложнение алгоритмов может приводить к снижению интерпретируемости результатов — проблема "черного ящика" остается серьезным барьером для внедрения в клиническую практику [28][35].

Персонализированная медицина и цифровые технологии

Закономерным итогом развития всех описанных направлений становится переход к персонализированной медицине, где диагностические данные и прогнозы рисков интегрируются для выбора индивидуальной терапевтической стратегии.

Концептуальные основы этого направления были заложены Krittanawong C, et al. (2017), описавшими потенциал машинного обучения для кластеризации пациентов с гипертрофической кардиомиопатией на основе комбинации генетических и фенотипических признаков [1].

Дальнейшее развитие привело к формированию концепции цифровых двойников в кардиологии. Lumens J, et al. (2025) и Corral-Acero J, et al. (2025) проследили эволюцию вычислительных моделей от теоретических конструктов к системам поддержки принятия клинических решений, интегрирующим данные носимых устройств, электронные медицинские карты, лабораторные и генетические маркеры [35][36]. Такая многоуровневая архитектура открывает возможности для выявления скрытых патологических процессов задолго до появления клинических симптомов [37].

Принципиально новый этап в развитии персонализированной кардиологии ознаменовало первое рандомизированное контролируемое исследование применения больших языковых моделей, выполненное O’Sullivan JW, et al. (2026). В работе сравнивалась помощь при ведении сложных пациентов с подозрением на генетическую кардиомиопатию с использованием модели AMIE (Google) и без нее. Ответы с поддержкой LLM (large language model) предпочитались специалистами в 46,7% случаев vs 32,7% у кардиологов без поддержки. У врачей без доступа к LLM было значимо больше клинически значимых ошибок (24,3% vs 13,1%, p=0,033) и пропущенной информации (37,4% vs 17,8%, p=0,0021) [38].

Несмотря на впечатляющие перспективы, большинство исследований в данной области находятся на пилотной стадии. Отсутствие крупных проспективных когорт, нерешенные вопросы валидации, регуляторного одобрения и интеграции сдерживают практическое внедрение [2][35][36]. Дополнительные сложности создает необходимость обеспечения кибербезопасности и защиты персональных данных [39][40].

Обобщение и анализ полученных данных

Проведенный систематический анализ позволяет проследить эволюцию применения ИИ в кардиологии: от решения узких задач классификации сигналов и изображений к созданию комплексных мультимодальных систем и цифровых двойников для персонализированного ведения пациентов.

Наиболее впечатляющие результаты достигнуты в задачах, связанных с распознаванием паттернов на медицинских изображениях и сигналах. От пионерных работ по выявлению скрытой дисфункции миокарда по ЭКГ исследователи пришли к созданию фундаментальных моделей, способных решать широкий спектр задач с минимальным дообучением. Параллельно развивались методы автоматической сегментации томографических изображений и количественного анализа эхокардиографии.

В области прогнозирования рисков прослеживается четкая эволюция от простых регрессионных моделей к сложным мультимодальным архитектурам. Если первые работы демонстрировали умеренное преимущество машинного обучения над традиционными шкалами, то современные подходы, интегрирующие данные различной природы — ЭКГ, ультразвуковое исследование сонных артерий, изображений сетчатки и МРТ печени — достигают значительно более высоких показателей точности. Применение рекуррентных нейросетей к лонгитудинальным данным позволяет учитывать временную динамику факторов риска, что приближает нас к созданию действительно динамических моделей прогнозирования.

Развитие персонализированной медицины неразрывно связано с концепциями цифровых двойников. Эти виртуальные копии пациентов, интегрирующие данные различной природы и позволяющие моделировать сценарии терапии, потенциально способны трансформировать подход к лечению сердечно-сосудистых заболеваний. Первое рандомизированное исследование применения больших языковых моделей открывает эру доказательной оценки эффективности таких систем, демонстрируя реальное снижение клинически значимых ошибок.

Вместе с тем анализ выявил ряд существенных ограничений, препятствующих широкому внедрению рассматриваемых технологий:

1. Проблема обобщаемости результатов. Значительная часть моделей разрабатывается на данных одного центра и не проходит внешнюю валидацию на независимых популяциях. Однако работы последних лет, например DeepECG-SSL, демонстрируют возможность создания моделей с высокой внешней валидностью, что задает новый стандарт качества исследований [41].
2. Отсутствие объяснимости решений. Современные глубокие нейросети остаются "черными ящиками" — даже при высокой точности они не способны объяснить логику принятого решения. Эта проблема является серьезным барьером для принятия моделей врачебным сообществом и пациентами, а также порождает неопределенность в вопросах юридической ответственности [3][5].
3. Недостаточность проспективных исследований. Подавляющее большинство работ носит ретроспективный характер. Работа O’Sullivan JW, et al. (2026) представляет собой редкий пример рандомизированного контролируемого исследования, демонстрирующий потенциальную пользу ИИ-систем, но таких исследований катастрофически мало [38].
4. Этические и регуляторные барьеры. Вопросы защиты персональных данных, риски алгоритмической предвзятости в отношении недостаточно представленных групп пациентов и отсутствие четких регуляторных механизмов одобрения подобных систем существенно тормозят их клиническое внедрение [39][40].

Дальнейшее развитие рассматриваемой области должно быть направлено не столько на создание все более точных моделей, сколько на разработку методов интерпретируемого ИИ, проведение многоцентровых внешних валидаций и рандомизированных контролируемых исследований, сравнивающих традиционную помощь с помощью, дополненной ИИ-системами.

Ограничения исследования. Настоящий систематический обзор имеет ряд ограничений. Анализируемые публикации характеризуются значительной гетерогенностью методологических подходов, используемых алгоритмов, характеристик включенных выборок и критериев оценки эффективности, что затрудняет прямое сопоставление результатов и проведение количественного метаанализа. Абсолютное большинство включенных в обзор исследований выполнено на ретроспективных данных, что несет потенциальные риски систематических ошибок, включая ошибки отбора. Протокол обзора не регистрировался в международных базах, и систематический поиск проводился одним автором, что может быть источником потенциальной ошибки отбора. Учитывая стремительное развитие технологий ИИ, регулярно появляются новые публикации, и, несмотря на систематический подход к поиску, некоторые релевантные работы могли оказаться за пределами настоящего анализа.

Заключение

Технологии ИИ последовательно проходят путь от экспериментальных разработок до клинически значимых инструментов современной кардиологической диагностики и прогнозирования. Нейросетевые алгоритмы демонстрируют высокую эффективность при анализе электрокардиографических сигналов, эхокардиографических изображений и данных томографических исследований. В области прогнозирования рисков наблюдается эволюция от простых регрессионных моделей к сложным мультимодальным архитектурам, объединяющим данные различной природы.

Особого внимания заслуживают достижения отечественных исследователей, органично вписывающиеся в мировую исследовательскую повестку и предлагающие оригинальные решения — от нейросетевого анализа ЭКГ сверхвысокого разрешения до анализа МРТ без контрастирования.

Перспективные направления, включая мультимодальные модели, анализ изображений других органов для косвенной оценки кардиального статуса, использование лонгитудинальных данных и концепцию цифровых двойников, открывают дополнительные возможности для повышения точности прогнозирования и персонализации лечебных подходов. Работы 2026г подтверждают тенденцию к созданию фундаментальных моделей с высокой обобщаемостью, внедрению генеративных методов для преодоления дефицита данных и проведению первых рандомизированных исследований эффективности больших языковых моделей.

Несмотря на впечатляющий прогресс, сохраняется ряд нерешенных проблем, связанных с интерпретируемостью моделей, необходимостью внешней валидации в многоцентровых исследованиях и реальной интеграцией интеллектуальных систем в повседневную клиническую практику. Результаты обзора могут быть использованы для определения приоритетных направлений дальнейших исследований и разработки клинических рекомендаций по внедрению технологий ИИ в кардиологию.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.

Декларация ИИ. При подготовке рукописи автор применял генеративный ИИ (ChatGPT), однако исключительно как вспомогательный инструмент на финальных стадиях работы.