Применение искусственного интеллекта для анализа анатомии верхнечелюстной артерии: систематический обзор

Актуальность. Верхнечелюстная артерия представляет собой крупнейшую конечную ветвь наружной сонной артерии, характеризующуюся высокой степенью анатомической вариабельности и сложной пространственной конфигурацией. Точное понимание её анатомии имеет критическое значение для церебральной реваскуляризации, эндоваскулярных вмешательств и хирургии основания черепа. Традиционный ручной анализ ангиографических изображений требует значительных временны́х затрат и характеризуется существенной межоператорской вариабельностью. Методы искусственного интеллекта демонстрируют многообещающие результаты в автоматизации анализа сложных сосудистых структур, однако систематической оценки их применимости к верхнечелюстной артерии до настоящего времени проведено не было. Цель исследования: систематически оценить существующие методы искусственного интеллекта для анализа анатомии верхнечелюстной артерии и родственных сосудистых структур головы и шеи, определить текущий уровень технологии и обозначить направления будущих исследований.

Материалы и методы. Систематический обзор проведён в соответствии с рекомендациями PRISMA 2020. Комплексный поиск литературы осуществлялся в электронных базах данных PubMed, Scopus, Web of Science и IEEE Xplore от начала индексации до декабря 2024 года. Критерии включения охватывали оригинальные исследования, применяющие машинное или глубокое обучение для анализа артерий головы и шеи. Оценка качества проводилась с использованием инструментов QUADAS-2 и специализированного контрольного перечня для исследований искусственного интеллекта в медицинской визуализации.

Результаты. Из 4258 идентифицированных публикаций 34 исследования соответствовали критериям включения. Наиболее часто применяемой архитектурой оказалась U-Net и её модификации (58,8% исследований). Средний коэффициент Дайса для сегментации сосудов составил 0,87 (95% доверительный интервал: 0,84–0,91). Методы искусственного интеллекта сократили время анализа с 14,2±3,6 минут до 4,9±0,4 минут. Клиническая приемлемость автоматизированных сегментаций составила 92,1%. Специфических исследований верхнечелюстной артерии обнаружено не было; все данные экстраполированы из исследований каротидных и интракраниальных артерий.

Выводы. Методы глубокого обучения демонстрируют высокую точность в автоматизированном анализе сосудистой анатомии головы и шеи. Применение этих методов к верхнечелюстной артерии представляет перспективное направление для предоперационного планирования церебральных обходных анастомозов, эндоваскулярных вмешательств и анатомического образования. Существует критическая необходимость в проведении специфических исследований с акцентом на уникальные технические вызовы, связанные с малым калибром, сложной траекторией и высокой вариабельностью этой структуры.