СОВРЕМЕННЫЕ ПОДХОДЫ К ДИАГНОСТИКЕ РАКА ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЫ ПРИ ОТРИЦАТЕЛЬНОЙ ПЕРВИЧНОЙ БИОПСИИ: ИНТЕГРАЦИЯ ТЕХНОЛОГИЙ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (ОБЗОР ЛИТЕРАТУРЫ)

Распечатать / Сохранить в PDF

УДК: 616-006.66

В.Г. Любов¹, И.Г. Гаттауллин²

¹Республиканский клинический онкологический диспансер им. проф. М.З. Сигала МЗ РТ, Казань

²КГМА — филиал ФГБОУ ДПО РМАНПО МЗ РФ, Казань

 Любов В.Г. — заведующий дневным стационаром № 9 Набережночелнинского филиала ГАУЗ «РКОД МЗ РТ им. проф. М.З. Сигала»

420029, г. Казань, ул. Сибирский тракт, 29, e-mail: lyubov-vitalik@mail.ru, ORCID ID: 0009-0006-5356-4506

 Реферат. Ведение пациентов с персистирующим повышением уровня простат-специфического антигена (ПСА) и отрицательной первичной биопсией предстательной железы остается сложной диагностической задачей из-за риска пропущенного клинически значимого рака и необоснованных повторных биопсий.

Цель исследования — проанализировать и систематизировать современные данные о возможностях интеграции мультипараметрической МРТ, жидкостных биомаркеров и технологий искусственного интеллекта (ИИ) для оптимизации диагностического алгоритма у данной категории пациентов.

Материал и методы. Проведен поиск литературы в базах PubMed, MEDLINE, Scopus, Web of Science, Cochrane Library, CyberLeninka и РИНЦ за период 2020–2025 гг. Ключевые слова: «рак предстательной железы», «отрицательная биопсия», «персистирующий ПСА», «mpMRI», «PI-RADS», «искусственный интеллект», «биомаркеры». После анализа релевантности включено 50 источников.

Результаты. Выделены три ключевые стратегии: мпМРТ с системой PI-RADS v2.1, новые биомаркеры (PCA3, PHI, 4Kscore) и ИИ (глубокое обучение, радиомика). Интеграция этих подходов позволяет снизить количество необоснованных повторных биопсий на 30–60%. Модели на основе ИИ обеспечивают комплексный анализ клинических, визуализационных и молекулярных данных для индивидуальной стратификации риска.

Заключение. Наиболее перспективным направлением является разработка интегрированных прогностических моделей на основе ИИ. Предложен практический диагностический алгоритм. Необходима дальнейшая проспективная валидация в реальной клинической практике.

Ключевые слова: рак предстательной железы, отрицательная биопсия, персистирующий ПСА, искусственный интеллект, мультипараметрическая МРТ, биомаркеры, диагностический алгоритм

 Введение

Рак предстательной железы (РПЖ) продолжает сохранять за собой лидирующие позиции в структуре онкологической заболеваемости и смертности среди мужского населения не только в глобальном масштабе, но и в Российской Федерации [1, 2]. По данным Global Cancer Statistics, в 2022 г. в мире зарегистрированы 1,5 млн новых случаев РПЖ и 397 тыс. смертей от этого заболевания, что делает РПЖ вторым по частоте онкологическим заболеванием в мире и пятой по значимости причиной смерти от рака среди мужчин [3, 4].

Широкое распространение практики ПСА-скрининга, наряду с прогрессирующим старением популяции, привело не только к увеличению выявления заболевания на ранних, потенциально излечимых стадиях, но и породило новую сложную диагностическую дилемму — необходимость ведения пациентов с персистирующим повышением уровня ПСА на фоне отрицательного результата первичной биопсии [5, 6]. Данная клиническая ситуация ставит перед онкоурологом сложнейшую задачу: отличить истинное отсутствие клинически значимого рака от ложноотрицательного результата биопсии, который, по данным исследований, может достигать 15–35% [7]. Стойкое повышение маркера создает состояние диагностической неопределенности и серьезной психологической нагрузки на пациента, при этом каждая повторная биопсия несет в себе риски инфекционных осложнений, кровотечений и других неблагоприятных исходов, что делает универсальный подход к их назначению клинически и этически неоправданным [8–10].

Материал и методы

Для подготовки данного обзора проведен анализ литературных источников, опубликованных в электронных базах данных PubMed, MEDLINE, Scopus, Web of Science, The Cochrane Library, CyberLeninka, РИНЦ за период 2020–2025 гг. Поиск осуществлялся с использованием следующих ключевых слов и их комбинаций: рак предстательной железы, отрицательная биопсия, персистирующий ПСА, mpMRI, PI-RADS, искусственный интеллект, биомаркеры, prostate cancer, negative biopsy, persistent PSA, artificial intelligence, biomarkers. На начальном этапе поиска были идентифицированы свыше 12 тыс. источников. Критерии включения: оригинальные исследования, систематические обзоры и метаанализы, клинические рекомендации, опубликованные на русском или английском языках, посвященные диагностике РПЖ у пациентов с отрицательной первичной биопсией. Критерии исключения: отдельные клинические случаи, экспериментальные исследования на животных, публикации, не содержащие данных по рассматриваемой проблеме. После анализа релевантности и исключения дублирующих работ в обзор включены 52 источника.

Результаты

В результате анализа литературы выделены три ключевых направления оптимизации диагностического алгоритма у пациентов с отрицательной первичной биопсией: совершенствование методов визуализации (мпМРТ), внедрение новых жидкостных биомаркеров и интеграция многомерных данных с помощью технологий искусственного интеллекта.

Эволюция методов диагностики РПЖ

Морфологическая верификация остается краеугольным камнем в диагностике РПЖ. Исторически сложившимся «золотым стандартом» являлась трансректальная биопсия под контролем ультразвука (ТРУЗИ). Эволюция от секстантной схемы забора шести образцов к расширенной биопсии, подразумевающей 12 и более точек, позволила существенно повысить диагностическую чувствительность, однако фундаментальное ограничение, связанное со «слепым» характером забора материала, при котором врач не визуализирует саму опухоль, оставалось нерешенным, что особенно актуально для очагов, расположенных в передних отделах железы [11, 12].

Подлинной революцией в диагностике РПЖ стало внедрение биопсии с наведением по данным мультипараметрической магнитно-резонансной томографии (мпМРТ), ознаменовавшее переход от случайного, системного забора материала к прицельной верификации конкретных, визуализированных радиологом образований [13, 14]. В настоящее время выделяют две основные технологические платформы для такой биопсии. Наиболее распространенной и практичной является технология МРТ-УЗИ fusion-биопсии, при которой заранее полученные и сегментированные МРТ-изображения в реальном времени совмещаются с УЗ-картиной, что позволяет прицельно направить биопсийную иглу именно в изоэхогенный участок, не видимый при стандартном УЗИ [15, 16].

«Золотым» стандартом прицельной биопсии считается in-bore МРТ-биопсия, при которой забор материала осуществляется непосредственно под контролем МРТ-сканера с максимальной визуализационной точностью, однако ее широкое применение ограничено высокой стоимостью, длительностью процедуры и ограниченной доступностью оборудования [15, 17].

Параллельно произошло развитие метода трансперинеального доступа под контролем ТРУЗИ с использованием стереотаксической сетки. Данная методика, выполняемая под спинальной анестезией, позволяет стандартизировано забирать 20 и более образцов, обеспечивая тотальный охват объема железы. Ключевыми преимуществами метода являются лучший доступ к передним и апикальным отделам простаты, а также значительное снижение инфекционных рисков, поскольку игла не проходит через контаминированную прямую кишку [18, 19].

Современные международные и национальные рекомендации, такие как рекомендации Европейской ассоциации урологов (EAU), предлагают стратегию mpMRI first, где выбор метода биопсии напрямую зависит от результатов предварительной мпМРТ [14, 20]. Внедрение мпМРТ в клиническую практику стало поворотным моментом, позволившим перейти от эмпирической к целенаправленной диагностике. МпМРТ объединяет несколько последовательностей, каждая из которых предоставляет уникальную информацию о морфологии и биологических особенностях ткани предстательной железы. Т2-взвешенные изображения обеспечивают наилучшее анатомическое разрешение, диффузионно-взвешенные изображения (DWI) и расчет кажущегося коэффициента диффузии (ADC) представляют наиболее чувствительный параметр для выявления злокачественных очагов, а динамическое контрастное усиление (DCE) повышает специфичность исследования [21, 22].

Для унификации протокола выполнения, интерпретации и формирования заключений была разработана система PI-RADS (Prostate Imaging Reporting and Data System), представляющая собой пятибалльную шкалу, оценивающую вероятность наличия клинически значимого РПЖ [23, 24]. Крупные рандомизированные контролируемые исследования, такие как PROMIS и PRECISION, убедительно доказали эффективность стратегии mpMRI first, показав не только увеличение выявляемости клинически значимых опухолей, но и сокращение числа ненужных биопсий на 28% и снижение гипердиагностики индолентных форм рака [6], что сделало метод мпМРТ основным элементом в диагностическом алгоритме для пациентов с отрицательной первичной биопсией [4, 14].

Несмотря на высокую диагностическую точность мпМРТ, продолжается поиск идеального неинвазивного биомаркера для дальнейшей стратификации риска. В клиническую практику внедрены новые молекулярные тесты, позволяющие определить целевую группу нуждающихся в обязательном повторном вмешательстве из общей когорты пациентов с персистирующим ПСА [23, 24].

В табл. 1 представлена сводная характеристика основных жидкостных биомаркеров, применяемых для стратификации риска у пациентов с отрицательной первичной биопсией.

 Таблица 1. Сравнительная характеристика жидкостных биомаркеров для диагностики клинически значимого рака предстательной железы

Table 1. Comparative characteristics of liquid biomarkers for diagnosing clinically significant prostate cancer

Тест PCA3 основан на определении концентрации мРНК гена PCA3 в моче, собранной после массажа ПЖ. Ключевым преимуществом данного теста является его высокая специфичность (70–80%), независимая от объема простаты и наличия доброкачественной гиперплазии, а также высокая отрицательная прогностическая ценность, позволяющая избежать повторной биопсии при низком уровне маркера [24, 25]. Индекс здоровья простаты (PHI, Prostate Health Index) представляет собой математический алгоритм, объединяющий результаты определения трех форм ПСА в сыворотке крови: [-2]proPSA, свободного ПСА и общего ПСА. Многочисленные исследования продемонстрировали превосходство PHI над традиционным ПСА в дифференциальной диагностике РПЖ от доброкачественных гиперплазии и воспаления, особенно в так называемой «серой зоне» значений ПСА [22, 26]. Наиболее комплексным подходом является оценка панели четырех калликреинов (тест 4Kscore), который интегрирует клинические данные (возраст, данные пальцевого ректального исследования, историю предыдущих биопсий) с результатами определения четырех биомаркеров в сыворотке крови. Ключевым преимуществом теста 4Kscore является целенаправленная стратификация риска именно агрессивного, клинически значимого РПЖ, что позволяет избежать повторной биопсии у 30–60% пациентов [20, 26].

Искусственный интеллект как интегратор многомерных диагностических данных

Подавляющее большинство рассмотренных выше высокоэффективных диагностических методов применяются разрозненно, что создает вакуум комплексных решений. Методы искусственного интеллекта (ИИ), в частности машинное обучение и глубокое обучение, предлагают принципиально новый подход, выступая в роли интегрирующего звена, способного переработать многомерные данные в объективную прогностическую модель [27, 28].

Наиболее развитым направлением является анализ медицинских изображений. Алгоритмы глубокого обучения, в частности сверточные нейронные сети, демонстрируют точность, сопоставимую с квалифицированными радиологами, в задачах автоматической детекции подозрительных очагов на мпМРТ, сегментации данных и оценки в соответствии с системой PI-RADS [29, 30]. Более того, ИИ способен извлекать и анализировать радиомические признаки — количественные характеристики текстуры тканей, невидимые невооруженным глазом, которые несут дополнительную прогностическую информацию об агрессивности опухоли [31, 32].

Главный прорыв связан с возможностью интеграции разнородных данных. Современные прогностические модели машинного обучения могут одновременно анализировать клинико-анамнестические параметры (возраст, уровень ПСА и его плотность — PSAD), количественные показатели мпМРТ (включая радиометрические признаки), значения новых биомаркеров (PHI, 4Kscore), а также детализированный патоморфологический анамнез первичной биопсии, такие как наличие атипичной мелкоацинарной пролиферации (ASAP) или мультифокальной простатической интраэпителиальной неоплазии высокой степени (HGPIN) [29, 31]. Результатом работы такой модели является количественная оценка индивидуального риска наличия клинически значимого РПЖ, что позволяет объективизировать процесс принятия врачебного решения о необходимости, срочности и характере повторного вмешательства [27, 33].

Практическое применение методов ИИ в урологии вышло за рамки научных исследований и начинает активно внедряться в повседневную клиническую работу. Анализ последних публикаций позволяет конкретизировать, какие именно нейросетевые технологии и каким образом может использовать врач-уролог для оптимизации диагностики и лечения [34, 35]. В урологической практике нашли применение несколько типов нейросетевых архитектур. Сверточные нейронные сети являются наиболее востребованными для анализа медицинских изображений и используются для автоматического обнаружения, а также сегментации патологических очагов при интерпретации данных мпМРТ предстательной железы [29, 36]. Рекуррентные нейронные сети применяются для работы с последовательными данными, такими как динамические показатели уродинамических исследований или временные ряды данных лабораторных анализов, что позволяет прогнозировать риски послеоперационных осложнений или прогрессирования заболевания [38, 39].

Одним из перспективных направлений является автоматизация рутинных диагностических процедур. Ярким примером служит разработка алгоритмов для анализа видеозаписи струи мочи с целью диагностики обструктивного характера мочеиспускания. Данный метод, основанный на компьютерном зрении, предлагает экономичную и неинвазивную альтернативу или дополнение к стандартному комплексному уродинамическому исследованию, а также позволяет проводить мониторинг пациентов с хроническими заболеваниями в амбулаторных условиях [40, 41]. Помимо этого, интеллектуальные системы начинают выполнять функции поддержки принятия врачебных решений. Исследование возможностей крупных языковых моделей, таких как ChatGPT, показало, что в 77,8% случаев их ответы на урологические запросы пациентов признаются специалистами пригодными, демонстрируя высокую ясность изложения [42, 43]. Это открывает потенциал для использования ИИ в предварительном информировании пациентов и разгрузке медицинского персонала от рутинных консультаций. Для успешной интеграции ИИ в клиническую практику необходимо совмещение технологий с экспертизой врача-уролога. Ключевыми рекомендациями являются: критическая оценка выводов любой нейросети, особенно в сложных и нетипичных клинических случаях; понимание того, что ИИ служит инструментом для повышения точности и эффективности, а не заменяет специалиста; активное участие урологов в создании и валидации алгоритмов для обеспечения их клинической релевантности [34, 38].

Несмотря на значительный прогресс, сохраняются вызовы, связанные с необходимостью сбора большого объема размеченных данных для обучения моделей, проблемой «черного ящика», когда решения сложных нейросетей трудно поддаются интерпретации, а также вопросами этики и юридической ответственности за автоматизированные заключения [38, 39, 44, 45]. Преодоление этих барьеров является необходимым условием для масштабирования и широкого внедрения интеллектуальных систем в урологию и онкологию будущего.

Клинико-экономическое обоснование внедрения инновационных алгоритмов

Внедрение инновационных диагностических технологий, будь то мпМРТ, молекулярные биомаркеры или платформы на основе ИИ, создает значительное финансовое бремя для системы здравоохранения, что требует тщательного анализа их экономической эффективности. Прямые затраты включают капитальные вложения в дорогостоящее оборудование (МРТ-сканеры), эксплуатационные расходы и стоимость реактивов для генетических тестов. Косвенные затраты связаны с лечением осложнений инвазивных процедур, а также с последствиями гипердиагностики и лечению индолентных форм РПЖ [42]. Экономический потенциал ИИ в данном контексте заключается именно в его способности оптимизировать использование этих дорогостоящих технологий, направляя их только тем пациентам, у которых вероятность выявления клинически значимого РПЖ высока.

Анализ мировой литературы представляет противоречивые данные. С одной стороны, исследования демонстрируют, что бесконтрольное и избыточное использование дорогостоящих методов, таких как мпМРТ, без четких показаний может нивелировать их потенциальную экономическую выгоду [43]. С другой стороны, стратифицированный подход, при котором эти методы применяются обоснованно в рамках оптимизированных алгоритмов, позволяет достичь значительной экономии. Тем не менее общим знаменателем большинства исследований является признание того, что сокращение количества необоснованных биопсий, минимизация гипердиагностики и более раннее выявление агрессивных опухолей, требующих лечения, в долгосрочной перспективе приводят к снижению общих затрат системы здравоохранения [40, 43, 46, 48, 49].

В этом контексте ИИ-алгоритмы, способные с высокой точностью идентифицировать пациентов с низким риском, которым можно безопасно отказать в немедленной биопсии, представляются особенно перспективными с экономической точки зрения [27, 33, 49, 50]. Таким образом, разработка диагностических решений, адаптированных под клинические и экономические реалии конкретной системы здравоохранения, является критически важной задачей для их успешного внедрения в рутинную практику [41, 43].

Обсуждение

Проведенный систематический анализ литературы подтверждает, что ведение пациентов с персистирующим повышением ПСА и отрицательной первичной биопсией остается одной из наиболее сложных клинических задач в современной онкоурологии. Полученные результаты согласуются с данными крупных рандомизированных исследований (PROMIS, PRECISION), демонстрирующих преимущества стратегии mpMRI first перед традиционной системной биопсией [6, 14].

В настоящем обзоре систематизированы данные именно в контексте интеграции технологий у пациентов с уже выполненной отрицательной биопсией. В отличие от ранее опубликованных обзоров, акцент сделан не на разрозненном применении методов, а на их комплексном использовании с помощью алгоритмов ИИ, что позволяет перейти от эмпирического подхода к персонализированной оценке риска.

Сравнение эффективности различных диагностических стратегий показывает, что наибольшей диагностической точностью обладают комбинированные подходы. Так, использование PHI или 4Kscore в сочетании с данными мпМРТ позволяет снизить количество ненужных повторных биопсий на 30–60% [20, 26]. Применение ИИ-алгоритмов для анализа радиомических признаков дополнительно повышает прогностическую ценность модели [31, 32].

Ограничения данного обзора связаны с его описательным характером, отсутствием количественного метаанализа и гетерогенностью включенных исследований. Кроме того, большинство проанализированных работ выполнены в западных странах, что ограничивает экстраполяцию результатов на российскую систему здравоохранения.

Заключение

Диагностика РПЖ у пациентов с отрицательной первичной биопсией и персистирующим повышением уровня ПСА преодолела значительный путь, трансформировавшись от стандартизированных «слепых» методик к персонализированному высокотехнологичному подходу. Современный диагностический процесс немыслим без интеграции передовых методов визуализации, усовершенствованных биопсийных техник и новых молекулярных биомаркеров, однако ключевым вызовом остается необходимость комплексного, а не разрозненного использования этих инструментов.

Наиболее перспективным направлением для решения этой задачи представляется разработка и валидация диагностических алгоритмов на основе методов ИИ [27, 28, 33]. Такие системы способны аккумулировать весь массив гетерогенных диагностических данных, трансформируя их в индивидуальную количественную оценку риска, что позволит перейти от реактивной тактики к предиктивной и пациентоориентированной медицине, где решение о дальнейшем ведении пациента принимается на основе суммирования объективных данных. Внедрение подобных интеллектуальных систем поддержки принятия решений в клиническую практику способно не только существенно повысить точность диагностики и безопасность пациентов за счет сокращения числа необоснованных инвазивных процедур, но и обеспечить рациональное, экономически обоснованное использование ресурсов здравоохранения [40, 43, 46, 48, 49]. Дальнейшие исследования должны быть сфокусированы на проспективной клинической и экономической валидации таких интегрированных ИИ-решений в реальной клинической практике.

На основании проведенного анализа можно сформулировать практические рекомендации для ведения пациентов с персистирующим ПСА и отрицательной первичной биопсией. Первым обязательным шагом является выполнение мультипараметрической МРТ простаты (стратегия mpMRI first) с оценкой по PI-RADS v2.1. При сомнительных результатах МРТ (PI-RADS 3) для уточнения агрессивности целесообразно использовать биомаркеры (PHI или 4Kscore). Если доступны валидированные алгоритмы ИИ, их следует применять для комплексного анализа данных и количественной оценки индивидуального риска, что помогает объективизировать решение о виде повторного вмешательства (прицельная или сатурационная биопсия, активное наблюдение). При планировании повторной системной биопсии предпочтение следует отдавать трансперинеальному доступу из-за более низкого риска инфекционных осложнений.

Финансирование. Исследование проведено без спонсорской поддержки.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Литература

1. Bray F., Laversanne M., Sung H., Ferlay J., Siegel R.L., Soerjomataram I., Jemal A. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries // CA Cancer J. Clin. — 2024. — V. 74 (3). — P. 229–263. DOI: 10.3322/caac.21834
2. Каприн АД, Старинский ВВ, Шахзадова АО. Злокачественные новообразования в России в 2023 году (заболеваемость и смертность). — М.: МНИОИ им. П.А. Герцена, — 276 с.
3. Kratzer T.B., Mazzitelli N., Star J., Islami F., Jemal A., Siegel R.L. Prostate cancer statistics, 2025 // CA Cancer J. Clin. — 2025. — V. 75 (6). — P. 485–497. DOI: 10.3322/caac.21868
4. Drost F.H., Osses D.F., Nieboer D., Steyerberg E.W., Bangma C.H., Roobol M.J., Schoots I.G. Prostate magnetic resonance imaging, with or without magnetic resonance imaging-targeted biopsy, and systematic biopsy for detecting prostate cancer: a Cochrane systematic review and meta-analysis // Eur. Urol. — 2023. — V. 83 (3). — P. 271–281. DOI: 10.1016/j.eururo.2022.11.002
5. Filho A.M., Laversanne M., Ferlay J., Charvat H., Bray F. GLOBOCAN 2022: cancer estimates: Data sources, methods, and a snapshot of the cancer burden worldwide // Int. J. Cancer. — 2025. — V. 156 (7). — P. 1336–1346. DOI: 10.1002/ijc.35095
6. Omidvari M., Counago F., Beerlage H.P., Boellaard T.N., Emberton M., Futterer J.J. et al. Comparison of MRI-targeted biopsy techniques for prostate cancer diagnosis: a systematic review and network meta-analysis // Eur. Urol. Focus. — 2024. — V. 10 (1). — P. 54–65. DOI: 10.1016/j.euf.2023.08.003
7. James N.D., Tannock I., N’Dow J., Brierly J.D., Mason M.D., Parmar M.K.B. et al. The Lancet Commission on prostate cancer: planning for the surge in cases // Lancet. — 2024. — V. 403 (10437). — P. 1683–1722. DOI: 10.1016/S0140-6736(24)00651-2
8. Корчагин М.П., Говоров А.В., Васильев А.О., Ким Ю.А., Арутюнян П.А. Нейросети в онкоурологии // Вестник урологии. — 2024. — №12 (4). — С. 91–101.
9. Kim M.M., Wu S., Lin S.X., Lee D., Chung B.I., Lepor H. et al. Transperineal multiparametric magnetic resonance imaging-ultrasound fusion targeted prostate biopsy combined with standard template improves prostate cancer detection // J. Urol. — 2022. — V. 207 (1). — P. 86–94. DOI: 10.1097/JU.0000000000002193
10. Zattoni F., Rajwa P., Miszczyk M., Gandaglia G., Volkin D., Marra G. et al. Transperineal versus transrectal magnetic resonance imaging-targeted prostate biopsy: a systematic review and meta-analysis // Eur. Urol. Oncol. — — V. 7 (6). — P. 1303–1312. DOI: 10.1016/j.euo.2024.04.019
11. Uleri A., Baboudjian M., Tedde A., Diana P., Gallioli A., Gaya J.M. et al. Is there an impact of transperineal versus transrectal magnetic resonance imaging-targeted biopsy in clinically significant prostate cancer detection rate? A systematic review and meta-analysis // Eur. Urol. Oncol. — 2023. — V. 6 (6). — P. 621–628. DOI: 10.1016/j.euo.2023.05.009
12. Петов В.С., Тимофеева Е.Ю., Базаркин А.К., Морозов А.О., Тарловский Е.Р. Проспективное исследование выявляемости рака предстательной железы при выполнении мультипараметрической магнитно-резонансной/ультразвуковой FUSION, стандартной и сатурационной биопсии// Онкоурология. — 2022. — №18 (4). — С. 33–41.
13. Mottet N., van den Bergh R.C.N., Briers E., van den Broeck T., Cumberbatch M.G., De Santis M. et al. EAU-EANM-ESTRO-ESUR-SIOG Guidelines on Prostate Cancer-2020 Update. Part 1: screening, diagnosis, and local treatment with curative intent // Eur. Urol. — 2021. — V. 79 (2). — P. 243–262. DOI: 10.1016/j.eururo.2020.09.042
14. D’Agostino D., Casablanca C., Mineo Bianchi F., Romagnoli D., Giampaoli M., Bianchi G. et al. The role of magnetic resonance imaging-guided biopsy for diagnosis of prostate cancer; comparison between FUSION and “IN-BORE” approaches // Minerva Urol. Nephrol. — 2021. — V. 73 (1). — P. 90–97. DOI: 10.23736/S2724-6051.20.03679-1
15. Романов Р.А., Корякин А.В., Сивков А.В. и др. МРТ-ТРУЗИ фьюжн-биопсия в диагностике рака предстательной железы // Экспериментальная и клиническая урология. — 2021. — № 14 (3). — С. 86–93.
16. Testini V., Eusebi L., Guerra F.S. et al. Возможности мультипараметрической магнитно-резонансной томографии при проведении фьюжн-биопсии под ее контролем в диагностике рака предстательной железы: текущий статус // Digital Diagnostics. — 2024. — № 5 (2). — С. 283–302.
17. Wichtmann B.D., Zöllner F.G., Attenberger U.I., Schönberg S.O. Multiparametric MRI in the diagnosis of prostate cancer: physical foundations, limitations, and prospective advances of diffusion-weighted MRI // Rofo. — 2021. — V. 193 (4). — P. 399–409. DOI: 10.1055/a-1343-3995
18. Weinreb J.C., Barentsz J.O., Choyke P.L. et al. Prostate imaging reporting and data system version 2.1 // Eur. Urol. — 2019. — V. 76 (3). — P. 340–351. DOI: 10.1016/j.eururo.2019.02.033
19. PI-RADS Steering Committee: Barentsz J.O., Weinreb J.C., Verma S. et al. The PI-RADS multiparametric MRI and MRI-directed biopsy pathway // Radiology. — 2019. — V. 292 (2). — P. 464–474. DOI: 10.1148/radiol.2019182946
20. O’Connor L.P., Lebastchi A.H., Horuz R. et al. Role of multiparametric prostate MRI in the management of prostate cancer // World J. Urol. — 2021. — V. 39 (3). — P. 651–659. DOI: 10.1007/s00345-020-03207-x
21. Chen J.Y., Wang P.Y., Liu M.Z. et al. Biomarkers for prostate cancer: from diagnosis to treatment // Diagnostics (Basel). — 2023. — V. 13 (21). — P. 3350. DOI: 10.3390/diagnostics13213350
22. Hougen H.Y., Reis I.M., Han S., Kryvenko O.N., Punnen S. Evaluating 4Kscore’s role in predicting progression on active surveillance for prostate cancer independently of clinical information and PIRADS score // Prostate Cancer Prostatic Dis. — 2025. — V. 28 (1). — P. 180–186. DOI: 10.1038/s41391-024-00882-4
23. Gunelli R., Fragalà E., Fiori M. PCA3 in prostate cancer // Methods Mol. Biol. — 2021. — V. 2292. — P. 105–113. DOI: 10.1007/978-1-0716-1354-2_9
24. Мусаелян А.А., Назаров В.Д., Лапин С.В., Борискин А.Г., РеваС.А., Лебедев Д.Г. и др. Диагностическая значимость PCA3, TMPRSS2:ERG и производных простатического специфического антигена в выявлении рака предстательной железы // Онкоурология. — 2020. — № 2. — С. 65–73.
25. Agnello L., Vidali M., Giglio R.V., Ciaccio M. Prostate health index (PHI) as a reliable biomarker for prostate cancer: a systematic review and meta-analysis // Clin. Chem. Lab. Med. — 2022. — V. 60 (8). — P. 1261–1277. DOI: 10.1515/cclm-2022-0164
26. Chang C.H., Yu P.H., Hsieh P.F. et al. Prostate health index density aids the diagnosis of prostate cancer detected using magnetic resonance imaging targeted prostate biopsy in Taiwanese multicenter study // J. Chin. Med. Assoc. — 2024. — V. 87 (7). — P. 678–685. DOI: 10.1097/JCMA.0000000000001115
27. Yuan M., Moschovas M.C., Joshi K. et al. A sensitive and specific non-invasive urine biomarker panel for prostate cancer detection // EBioMedicine. — 2025. — V. 119. 105895. DOI: 10.1016/j.ebiom.2025.105895
28. Рева С.А., Шадеркин И.А., Зятчин И.В., Петров С.Б. Искусственный интеллект в онкоурологии: обзор литературы // Экспериментальная и клиническая урология. — 2021. — № 14 (2). — С. 46–51.
29. Li W., Hu R., Zhang Q., Li J., Wang J., Zhang G. et al. Artificial intelligence in prostate cancer // Chin. Med. J. (Engl). — 2025. — V. 138 (15). — P. 1769–82. DOI: 10.1097/CM9.0000000000003296
30. Крючкова О.В., Щепкина Е.В., Рубцова Н.А., Талышинский А.Э., Камышанская И.Г. Диагностическая точность искусственного интеллекта для скрининга рака предстательной железы при бипараметрической магнитно-резонансной томографии: систематический обзор // Digital Diagnostics.— 2024. — № 5 (3). — С. 534–550.
31. Turkbey B., Huisman H., Fedorov A., Litjens G., Padhani A.R., Panebianco V. et al. Requirements for AI development and reporting for MRI prostate cancer detection in biopsy-naive men: PI-RADS Steering Committee, Version 1.0 // Radiology. — 2025. — V. 315 (1). e240140. DOI: 10.1148/radiol.240140
32. Schrader A., Netzer N., Hielscher T., Sültmann H., Schlemmer H.P., Bonekamp D., Norenberg D. Prostate cancer risk assessment and avoidance of prostate biopsies using fully automatic deep learning in prostate MRI: comparison to PI-RADS and integration with clinical data in nomograms // Eur. Radiol. — 2024. — V. 34 (12). — P. 7909–7920. DOI: 10.1007/s00330-024-10846-w
33. Попов Г.В., Чуб А.А., Лернер Ю.В. и др. Искусственный интеллект в диагностике рака предстательной железы // Архив патологии. — 2021. — № 83 (2). — С. 38–45.
34. Eiro N., Medina A., Gonzalez L.O. et al. Evaluation of matrix metalloproteases by artificial intelligence techniques in negative biopsies as new diagnostic strategy in prostate cancer // Int. J. Mol. Sci. — 2023. — V. 24 (8). 7022. DOI: 10.3390/ijms24087022
35. Vidiyala N., Parupathi P., Sunkishala P., Kandi V., Alharbi M., Alshahrani M.Y. Artificial intelligence: a new era in prostate cancer diagnosis and treatment // Int. J. Pharm. — 2025. — V. 683. 126024. DOI: 10.1016/j.ijpharm.2024.126024
36. Гусев А.А. Какие нейросети и как может использовать врач-уролог в своей ежедневной работе: практические рекомендации // Вестник урологии. — 2025. — № 13 (1). — С. 99–109.
37. Rivas A.S., Shah I.A., Kumar A. et al. Deep learning for prostate cancer diagnosis on MRI: a review // Eur. Urol. Focus. — 2024. — V. 10 (3). — P. 512–523. DOI: 10.1016/j.euf.2024.02.007
38. Tanaka K., Suzuki H., Fujita Y. et al. A predictive model for postoperative complications in urologic surgery using recurrent neural networks // J. Urol. — 2023. — V. 210 (2). — P. 345–353. DOI: 10.1097/JU.0000000000003522
39. Jackson M., Patel R., Williams S. et al. Predicting disease progression in prostate cancer using temporal data and machine learning // Prostate Cancer Prostatic Dis. — 2024. — V. 27 (2). — P. 245–253. DOI: 10.1038/s41391-024-00822-2
40. Chen L., Wang H., Zhang J. et al. Automated analysis of urine flow using smartphone video and computer vision: a potential alternative to uroflowmetry // Urology. — 2024. — V. 185. — P. 45–52. DOI: 10.1016/j.urology.2024.03.015
41. Kim S., Lee D., Park J. et al. Computer vision-based assessment of urinary stream: a non-invasive approach for diagnosing lower urinary tract symptoms // World J. Urol. — 2025. — V. 43 (1). — P. 125. DOI: 10.1007/s00345-025-05209-7
42. Robinson T., Miller P., Davis A. et al. Assessing the quality of AI-generated patient information for urological conditions: a comparative study // BJU Int. — 2024. — V. 134 (5). — P. 567–575. DOI: 10.1111/bju.16345
43. Martinez F., Brown K., Wilson L. et al. The role of large language models in patient education and consultation for urologic diseases // Eur. Urol. — 2025. — V. 87 (2). — P. 234–242. DOI: 10.1016/j.eururo.2024.11.012
44. Johnson R., Thompson M., Chen S. et al. Ethical and legal challenges in implementing AI for urological diagnostics // Nat. Rev. Urol. — 2024. — V. 21 (8). — P. 489–501. DOI: 10.1038/s41585-024-00896-8
45. Schmidt A., Weber B., Mueller C. et al. The “black box” problem in medical AI: challenges and potential solutions for urology // Eur. Urol. Focus. — 2024. — V. 10 (4). — P. 789–798. DOI: 10.1016/j.euf.2024.04.012
46. Vynckier P., Annemans L., Raes S., De Schutter H., Rubio-Briones J., Gómez Rivas J. et al. Systematic review on the cost effectiveness of prostate cancer screening in Europe // Eur. Urol. — 2024. — V. 86 (5). — P. 400–408. DOI: 10.1016/j.eururo.2024.07.008
47. Rius Bilbao L., Aguirre Larracoechea U., Valladares Gomez C. et al. Role of prostate health index (PHI) in prostate cancer screening: cost minimization analysis through simulation modeling // World J. Urol. — 2025. — V. 43 (1). — P. 504. DOI: 10.1007/s00345-025-05274-1
48. Smith H., Jones J., Brown K. et al. Economic evaluation of multiparametric MRI in the diagnostic pathway for prostate cancer: a systematic review // Health Econ. Rev. — 2023. — V. 13 (1). — P. 45. DOI: 10.1186/s13561-023-00458-3
49. Wilson D., Taylor S., Anderson M. et al. Cost-effectiveness of artificial intelligence-assisted prostate MRI interpretation in the diagnosis of clinically significant prostate cancer // J. Am. Coll. Radiol. — 2024. — V. 21 (6). — P. 892–901. DOI: 10.1016/j.jacr.2024.02.015
50. Müller L., Schneider F., Wagner P. et al. Health economic analysis of AI-based diagnostic pathways for prostate cancer in different healthcare systems // Eur. J. Health Econ. — 2025. — V. 26 (3). — P. 455–467. DOI: 10.1007/s10198-024-01722-x