Технологии искусственного интеллекта в диагностике и мониторинге аутоиммунного гастрита

лет

предоставляем актуальную медицинскую информацию от ведущих специалистов, помогая врачам в ежедневной работе

Присоединяйтесь!

Уведомления

Личный
кабинет

лет

Присоединяйтесь!

лет

Присоединяйтесь!

Технологии искусственного интеллекта в диагностике и мониторинге аутоиммунного гастрита

Гастроэнтерология

26 июня 2026

ФГБОУ ВО ОмГМУ Минздрава России, Омск, Россия

БУЗОО «ГП No 8», Омск

ФГАОУ ВО «Омский государственный технический университет», Омск, Российская Федерация

Современный этап развития технологий искусственного интеллекта (ИИ) в медицине характеризуется переходом от общего демонстрирования технических возможностей алгоритмов к созданию клинически значимых систем, ориентированных на решение конкретных диагностических задач и на поддержку работы врача в реальной клинической практике. В гастроэнтерологии это особенно отчетливо проявляется в области анализа эндоскопических и морфологических данных, где методы ИИ уже продемонстрировали высокую эффективность при выявлении ранних и выраженных предраковых изменений слизистой оболочки желудка (СОЖ). Вместе с тем применительно к аутоиммунному гастриту (АИГ) число специализированных решений по-прежнему остается ограниченным. Актуальность проблемы определяется тем, что в условиях высокой распространенности Helicobacter pylori и частого перекрытия клинико-морфологических признаков различных форм хронического гастрита в реальной практике сохраняются объективные трудности ранней и точной диагностики аутоиммунного поражения СОЖ. При этом большинство современных ИИ-решений, описанных в литературе, ориентированы либо на анализ эндоскопических изображений, либо на оценку морфологических препаратов, но значительно реже — на интеграцию разнородных признаков в рамках одной объяснимой модели клинической диагностики, пригодной для рутинного использования врачом. В данной статье продемонстрирован анализ современных возможностей технологий ИИ в диагностике хронического гастрита с фокусом на АИГ, а также представление собственного опыта алгоритмизации диагностического поиска на основании клинических, лабораторных, эндоскопических и морфологических данных у пациентов с различным статусом инфицирования H. pylori.

Ключевые слова: искусственный интеллект, хронический гастрит, аутоиммунный гастрит, Helicobacter pylori, хронический атрофический гастрит, цифровая патология, система поддержки принятия врачебных решений.

Artificial intelligence technologies in diagnosis and monitoring of autoimmune gastritis

M.A. Livzan¹, S.I. Mozgovoy¹, O.V. Gaus¹, A.V. Gubanova², A.E. Samotuga³, S.S. Zhumazhanova³

¹ Omsk State Medical University, Omsk, Russian Federation

² City Outpatient Hospital No. 8, Omsk, Russian Federation

³ Omsk State Technical University, Omsk, Russian Federation

The current stage of development of artificial intelligence (AI) technologies in medicine is characterized by a transition from a general demonstration of AI technical capabilities to development of clinically significant systems focused on solving specific diagnostic tasks and supporting a practitioner in real clinical practice. As for gastroenterology, this is especially evident in endoscopic and morphological data analysis where AI methods have already demonstrated high efficacy in detection of early and pronounced precancerous changes in the gastric mucosa (GM). However, a number of specialized solutions for autoimmune gastritis (AIG) is still limited. The issue is urgent because early accurate diagnosis of autoimmune GM lesions is still complicated in real-world practice due to high prevalence of Helicobacter pylori and frequent overlap of clinical and morphological signs of various forms of chronic gastritis. At the same time, most modern AI solutions reported in the literature are focused either on analysis of endoscopic images or on evaluation of morphological specimens. There is limited number of the solutions dedicated to integration of various signs within a single explicable clinical diagnostic model suitable for routine use. The paper demonstrates an analysis of modern AI technology capabilities in AIG-focused diagnosis of chronic gastritis, as well as presentation of the authors' own experience in algorithmization of diagnostic search based on clinical, laboratory, endoscopic and morphological data in patients with various H. pylori infection status.

Keywords: artificial intelligence, chronic gastritis, autoimmune gastritis, Helicobacter pylori, chronic atrophic gastritis, digital pathology, medical decision support system.

For citation: Livzan M.A., Mozgovoy S.I., Gaus O.V., Gubanova A.V., Samotuga A.E., Zhumazhanova S.S. Artificial intelligence technologies in diagnosis and monitoring of autoimmune gastritis. Russian Medical Inquiry. 2026;10(5):309–318 (in Russ.). DOI: 10.32364/2587-6821-2026-10-5-7

Для цитирования: Ливзан М.А., Мозговой С.И., Гаус О.В., Губанова А.В., Самотуга А.Е., Жумажанова С.С. Технологии искусственного интеллекта в диагностике и мониторинге аутоиммунного гастрита. РМЖ. Медицинское обозрение. 2026;10(5):309-318. DOI: 10.32364/2587-6821-2026-10-5-7.

Введение

Своевременная диагностика хронического гастрита (ХГ), определение его этиологического варианта и стадирование процесса остаются одной из актуальных задач современной гастроэнтерологии, поскольку именно эти параметры определяют риск прогрессирования атрофических изменений слизистой оболочки желудка (СОЖ), развития кишечной метаплазии и неопластической трансформации, а также уровень и объем последующего наблюдения пациента [1, 2].

Особое место в структуре ХГ занимает аутоиммунный гастрит (АИГ), клиническая значимость которого определяется не только формированием атрофии кислотопродуцирующих желез тела желудка, но и риском развития дефицита витаминов и микроэлементов, нейроэндокринных опухолей I типа и аденокарциномы желудка [3–6]. При этом именно АИГ нередко остается недооцененным или диагностируется поздно, что обусловлено как возможным малосимптомным течением заболевания, так и широкой распространенностью инфекции Helicobacter pylori, способной маскировать или модифицировать характерную клинико-эндоскопическую и морфологическую картину аутоиммунного воспаления СОЖ [7, 8].

С практической точки зрения диагностика АИГ представляет собой не поиск одного патогномоничного признака, а процесс интеграции большого числа гетерогенных клинических данных. Врач должен одновременно учитывать жалобы пациента, проявления анемического, сидеропенического и B₁₂-дефицитного синдромов, анамнестические сведения о сопутствующих аутоиммунных заболеваниях, результаты лабораторных исследований, особенности эндоскопической картины и характер морфологических изменений гастробиоптатов [7, 9]. Такая структура диагностического поиска делает АИГ типичным примером клинической ситуации, где наибольшую ценность имеют не изолированные тесты, а ориентированные на поддержку принятия врачебных решений системы, способные структурировать и интерпретировать совокупность признаков в их взаимосвязи и с учетом конкретного клинического контекста [10].

В последние годы технологии искусственного интеллекта (ИИ) все активнее внедряются в медицинскую практику, в том числе в решение задач диагностики, стратификации риска, интерпретации изображений и поддержки принятия врачебных решений. Традиционно ИИ рассматривается как направление компьютерных наук, связанное с созданием систем, способных выполнять задачи, требующие элементов человеческой когнитивной деятельности, а развитие методов машинного обучения и глубокого обучения обеспечило переход от жестко заданных правил к построению моделей, извлекающих закономерности из больших массивов данных [11–13]. В медицинских приложениях наибольшее распространение получили модели, ориентированные на решение задач классификации и прогнозирования, а также архитектуры глубокого обучения, способные обрабатывать визуальные и многомерные данные, включая эндоскопические изображения, цифровые гистологические препараты и комплексные клинико-лабораторные массивы [14–17].

Использование ИИ в гастроэнтерологии уже продемонстрировало высокую эффективность при анализе визуальных методов исследования — эндоскопических изображений и цифровых гистологических препаратов. Алгоритмы глубокого обучения способны повышать точность выявления атрофии, кишечной метаплазии, дисплазии и раннего рака желудка, повышать уровень межисследовательского согласия и способствовать стандартизации диагностического процесса [18–21]. Вместе с тем современное понимание роли ИИ в медицине существенно изменилось: если ранние публикации акцентировали внимание на потенциальной диагностической точности моделей, то в последнее время авторы подчеркивают, что реальная клиническая полезность определяется способностью системы работать в условиях неполных, неоднородных и контекстно-зависимых данных [21, 22]. Очевидно, что даже модели, демонстрирующие высокие результаты при решении стандартных медицинских задач, не всегда обеспечивают сопоставимую надежность в реальных сценариях взаимодействия с пользователем, что особенно важно для ситуаций, связанных с клинической интерпретацией и поддержкой решений [22]. Именно поэтому наиболее перспективными считаются не универсальные автономные модели, а узкоспециализированные системы, ориентированные на врача и предназначенные для поддержки конкретных этапов диагностического поиска [21]. Для АИГ такая постановка вопроса имеет особое значение, поскольку данное заболевание требует не только распознавания отдельных визуальных паттернов, но и клинико-морфологической интеграции признаков, зависящих от стадии, локализации поражения и статуса инфицирования H. pylori [3, 7, 9, 23].

В этой связи целью настоящей статьи является анализ современных возможностей технологий ИИ в диагностике ХГ с фокусом на АИГ, а также представление собственного опыта алгоритмизации диагностического поиска на основании клинических, лабораторных, эндоскопических и морфологических данных у пациентов с различным статусом инфицирования H. pylori.

Системы на основе ИИ для эндоскопической диагностики ХГ

Эзофагогастродуоденоскопия (ЭГДС) с прицельным забором гастробиоптатов в соответствии с Сиднейским протоколом остается одним из ключевых этапов диагностики ХГ, поскольку позволяет оценить макроскопическую картину СОЖ, предположить характер и распространенность атрофических изменений, а также определить зоны, требующие морфологической верификации [1, 2, 15, 16, 18]. Эндоскопические ИИ-системы в гастроэнтерологии решают несколько задач: автоматическое распознавание приоритетных визуально измененных зон СОЖ, оценку вероятности H. pylori-инфекции, выявление атрофии, кишечной метаплазии, очагов дисплазии и раннего рака, а также снижение межисследовательской вариабельности между специалистами различного уровня подготовки [18, 24]. Именно в этих направлениях получены наиболее убедительные результаты, свидетельствующие о том, что ИИ способен выполнять роль стандартизирующего инструмента, повышающего воспроизводимость эндоскопической оценки в рутинной практике. Показательным примером является работа T.H. Chiang et al. [25], в которой была разработана ИИ-модель для автоматизированной оценки эндоскопических изображений верхних отделов желудочно-кишечного тракта (ЖКТ), полученных в условиях реальной клинической практики. В процессе создания системы были выполнены этапы отбора изображений, исключения нерелевантных и размытых кадров, сегментации анатомических областей желудка и оптимизации визуализации СОЖ. При внедрении модели не было выявлено статистически значимых различий между прогнозируемой системой ИИ и клинически установленной распространенностью инфекции H. pylori, атрофического гастрита и кишечной метаплазии, а точность диагностики составила 91,3, 79,9 и 63,4% соответственно, что подтверждает потенциал подобных систем для практического применения.

Другим важным направлением является использование ИИ как инструмента повышения точности интерпретации эндоскопических изображений врачами различного уровня подготовки. В исследовании Y.H. Lee et al. [26] была разработана ИИ-система, обученная на ретроспективно отобранных изображениях и видеозаписях эндоскопических исследований, после чего ее диагностическая эффективность была сопоставлена с заключениями эндоскопистов с разным уровнем подготовки. Авторы показали, что применение ИИ сопровождалось статистически значимым увеличением общей точности диагностики очаговых поражений СОЖ при анализе как статических изображений, так и видеозаписей, а также повышением чувствительности, специфичности и прогностической ценности положительного результата. Не менее важно, что в этой работе показано снижение вариабельности интерпретации между специалистами, что особенно ценно для ранней диагностики опухолевого роста, требующей высокой настороженности и тонкой визуальной оценки.

Высокая диагностическая ценность ИИ в выявлении хронического атрофического гастрита при ЭГДС подтверждена и в метаанализе Y. Shi et al. [19], включившем 8 исследований, 25 216 пациентов, 84 678 изображений обучающего набора и 10 937 изображений и видео тестового набора. Аналогичные выводы приведены в систематическом обзоре D.C. Turtoi et al. [20], включившем 24 исследования, где модели глубокого обучения продемонстрировали высокий уровень точности, чувствительности и специфичности в диагностике различных типов гастрита, включая атрофический гастрит и состояния с повышенным риском развития опухоли.

Однако в реальной клинической практике отсутствуют специализированные модели, направленные на диагностику аутоиммунного воспаления СОЖ, несмотря на то, что для АИГ характерен ряд достаточно типичных эндоскопических признаков: прогрессирующая атрофия слизистой оболочки тела и дна желудка с визуализацией сосудов подслизистого слоя, сглаживание или исчезновение складок, признаки кишечной метаплазии в виде светло-голубых гребней и белых непрозрачных участков, а также наличие участков сохранной кислотопродуцирующей СОЖ на фоне диффузной атрофии, описываемых как псевдополипы [5–8]. Дополнительное значение для диагностики АИГ может иметь оценка распространенности атрофии, в том числе ее выявление не только по малой кривизне, но и по большой кривизне желудка, что соответствует открытому типу атрофии по классификации Kimura — Takemoto, а также визуализация таких признаков, как «белые сферы» и гломусные образования. Для пациента с АИГ эти особенности имеют не только диагностическую, но и прогностическую значимость, поскольку отражают выраженность структурной перестройки СОЖ и могут быть связаны с дальнейшим риском неопластических изменений.

Системы на основе ИИ для морфологической диагностики ХГ

Поскольку морфологическое исследование гастробиоптатов остается «золотым стандартом» диагностики ХГ [2, 3], цифровая патология и системы ИИ, ориентированные на анализ гистологических изображений, рассматриваются сегодня как одно из наиболее перспективных направлений развития прецизионной диагностики в гастроэнтерологии. Цифровая патология как технологическая платформа предполагает преобразование традиционных гистологических препаратов в цифровые изображения высокого разрешения с возможностью их хранения, удаленной передачи, повторного просмотра и компьютерного анализа [27, 28]. Для ХГ это особенно важно, так как интерпретация гистологической картины во многом зависит от опыта специалиста (врача-патологоанатома) и его способности дифференцировать сходные по ряду признаков варианты атрофических и метапластических изменений.

Одной из наиболее показательных современных разработок является модель глубокого обучения GastritisMIL, предложенная K. Xia et al. [29] и предназначенная для комплексной гистологической оценки ХГ. Авторы обучили и протестировали модель на ретроспективных данных 2744 пациентов с последующей внешней оценкой в трех медицинских центрах и показали, что GastritisMIL достигает площади под ROC-кривой более 0,971 при оценке воспаления, атрофии и кишечной метаплазии, демонстрируя результаты, сопоставимые с заключениями опытных патологоанатомов. Принципиально важным достоинством данной модели является ее интерпретируемость: формируемые тепловые карты внимания в виде «подсвечивания» позволяют визуализировать области, на которые опирается алгоритм при принятии решения, что особенно ценно в образовательном процессе и при снижении риска пропуска локальных патологических изменений начинающими специалистами. Однако в модели GastritisMIL большинство клинических образцов были представлены биоптатами антрального отдела желудка, что существенно ограничивает прямую экстраполяцию результатов на АИГ, для которого ключевые диагностические изменения локализуются в области тела и дна желудка.

Q. Zhao et al. [30] представили модель глубокого обучения на основе U-Net для эндоскопической диагностики хронического атрофического гастрита и стадирования по системе OLGA в реальном времени, показав более высокую чувствительность, специфичность и согласованность с морфологическим диагнозом по сравнению с врачами-эндоскопистами.

В последние годы в цифровой патологии активно развиваются и мультимодальные модели, способные сопоставлять морфологические изображения с текстовыми описаниями, клиническим контекстом и языковыми запросами пользователя. Одним из примеров является модель CONCH, основанная на совместном обучении на цифровых гистологических изображениях и текстовых описаниях, другим — мультимодальная генеративная система PathChat, способная анализировать гистологические изображения в сочетании с текстовой информацией и формировать осмысленные описания морфологических изменений [31].

Практическая значимость ИИ в цифровой патологии проявляется не только в диагностике, но и в постаналитическом контроле качества. Так, система SeeDP предназначена для повторной оценки патологоанатомических заключений и выявления потенциальных расхождений между заключением специалиста и оценкой алгоритма. По данным S.Y. Yoo et al., при годичной апробации системы в клинической практике расхождения между ИИ и патологами были выявлены в 7,7% случаев, однако лишь 5,5% из них были связаны с реальными ошибками специалистов, тогда как остальные несоответствия отражали ограничения самой ИИ-системы [32, 33]. Эти данные имеют важное методологическое значение, поскольку подчеркивают: даже при высокой диагностической эффективности ИИ в цифровой патологии не должен рассматриваться как автономный заменитель врача-патологоанатома, а скорее как инструмент вторичного контроля, стандартизации и повышения качества экспертной работы.

Применительно к АИГ ситуация остается существенно более сложной. Морфологическая картина АИГ зависит от стадии аутоиммунного процесса [3, 4], поэтому для корректной диагностики заболевания недостаточно распознавания универсальных признаков воспаления или атрофии как таковых; необходима более тонкая модель, способная учитывать локализацию биоптата, стадию перестройки СОЖ, характер метапластических изменений и их сочетание с другими морфологическими и клиническими признаками.

Собственный опыт разработки системы поддержки принятия врачебных решений

Современные представления о клинически применимом ИИ подчеркивают, что наибольшую практическую ценность имеют не автономные «черные ящики», а системы, встраиваемые в реальный процесс работы врача и допускающие контроль со стороны специалиста [34, 35]. Именно в аспекте данной парадигмы была выполнена работа по оценке информативности клинических, эндоскопических и морфологических признаков АИГ у пациентов с различным статусом инфицирования H. pylori, результаты которой легли в основу разработки собственной адаптированной системы поддержки принятия врачебных решений [9].

В исследование было включено 124 пациента с ХГ различной этиологии, среди которых были выделены группы: АИГ, сочетанного H. pylori-ассоциированного гастрита и АИГ, а также H. pylori-ассоциированного гастрита. Такой дизайн позволил оценить диагностическую значимость признаков не в селективно отобранной выборке, а в клинически более репрезентативной популяции пациентов, где аутоиммунное воспаление необходимо дифференцировать с инфекционно-ассоциированными и комбинированными вариантами ХГ [9].

На первом этапе была проведена комплексная клиническая характеристика пациентов. Анализ включал гастроинтестинальные жалобы, симптомы анемического синдрома, проявления сидеропении, признаки дефицита витамина B₁₂, анамнестические данные о ранее проводимой терапии препаратами железа и витамина B₁₂, а также сведения о сопутствующих аутоиммунных заболеваниях, включая аутоиммунный тиреоидит, витилиго и сахарный диабет 1 типа [7]. Такой подход соответствует современному пониманию АИГ как системного аутоиммунного процесса, при котором гастроэнтерологические проявления нередко сочетаются с гематологическими, метаболическими и аутоиммунно-ассоциированными клиническими признаками, а потому диагностика не может ограничиваться только результатами ЭГДС или гистологического исследования [3, 4].

Для анализа диагностической значимости клинических, лабораторных, эндоскопических и морфологических признаков был использован подход, основанный на теореме Байеса, что позволило оценить информативность отдельных характеристик и сформировать диагностическую модель на основе реально выявленных различий между группами пациентов [23]. Выбор именно такого подхода также имеет самостоятельное методологическое значение. В отличие от сложных, но непрозрачных нейросетевых решений, байесовская логика обеспечивает врачу понятную структуру принятия решения: каждый признак вносит конкретный вклад в итоговую вероятность АИГ, а значит, система не подменяет клиническое мышление, а формализует его и делает воспроизводимым. Современные положения по объяснимому ИИ в здравоохранении подчеркивают, что именно подобные интерпретируемые модели особенно востребованы в высокорисковых клинических областях, где результат должен быть не только точным, но и понятным специалисту [34–36].

На основании полученных данных была разработана система оценки риска наличия аутоиммунного воспаления СОЖ у пациентов с ХГ. Важнейшим результатом исследования стало создание двух вариантов модели, отличающихся по объему используемой информации и, соответственно, по этапу клинического применения. Это придает разработке выраженную практическую гибкость: один вариант может использоваться уже на первичном приеме как инструмент раннего скрининга, а второй — на этапе углубленного обследования, когда в распоряжении врача имеются лабораторные, эндоскопические и морфологические данные [9].

Первый вариант системы поддержки принятия врачебных решений в оценке риска развития АИГ

Первый вариант системы поддержки принятия врачебных решений был разработан на основе клинических проявлений, данных анамнеза и результатов общего анализа крови. В него вошли 23 информативных признака, включая пол, симптомы диспепсии, проявления анемического синдрома, признаки сидеропении, симптомы дефицита витамина B₁₂, сведения о приеме препаратов железа и витамина B₁₂, наличие сопутствующих аутоиммунных заболеваний, а также показатели общего анализа крови, в том числе уровень гемоглобина и средняя концентрация гемоглобина в эритроците (табл. 1) [9]. Принципиальное достоинство этого варианта модели состоит в том, что он ориентирован на ранний этап диагностического поиска и не требует обязательного наличия специальных высокозатратных методов исследования. Тем самым предложенная система позволяет уже на уровне первичного контакта с пациентом выделить группу лиц с повышенной вероятностью АИГ и обоснованно направить их на последующее серологическое, эндоскопическое и морфологическое дообследование.

Таблица 1. Краткая характеристика первого варианта модели оценки риска АИГ Table 1. A brief description of the AIG risk assessment model (variant 1) Элемент / Component Содержание

Для более наглядного представления алгоритма расчета и структуры ввода данных ниже приведен пример рабочего окна программы (табл. 2).

Таблица 2. Пример информационного наполнения рабочего окна первого варианта модели оценки риска АИГ «Оценка индивидуального риска наличия АИГ у лиц, инфицированных H. рylori», реализованной в виде рабочей книги табличного процессора (совместимого с Micros

Окончание таблицы 2 Table 2 (continued)

Именно этот вариант модели представляет особый интерес как инструмент ранней, доэндоскопической стратификации риска. В опубликованных работах по АИГ значительно чаще обсуждаются либо отдельные диагностические признаки, либо уже верифицированные случаи заболевания, тогда как предложенная система делает шаг в сторону формализованного выявления пациентов с вероятным аутоиммунным воспалением еще до морфологического подтверждения диагноза. Это усиливает ее значение не только как диагностического, но и как маршрутизирующего инструмента в клинической практике.

Первый вариант модели может быть использован врачом уже на этапе первичного амбулаторного приема для определения необходимости углубленного обследования. При высокой вероятности аутоиммунного воспаления СОЖ система позволяет обоснованно рекомендовать проведение серологических исследований на антитела к париетальным клеткам желудка и внутреннему фактору Касла, а также ЭГДС с прицельной оценкой тела и дна желудка и последующим морфологическим исследованием гастробиоптатов. Тем самым модель способствует более рациональному использованию диагностических ресурсов и снижает риск поздней верификации АИГ у пациентов с неспецифической клинической симптоматикой.

Второй вариант модели оценки риска АИГ

Второй вариант модели оценки риска АИГ (табл. 3) включает 32 показателя и, помимо клинических и анамнестических данных, учитывает результаты биохимического анализа крови, включая сывороточное железо, ферритин, общую железосвязывающую способность сыворотки, трансферрин и витамин B₁₂. Дополнительно в систему включены данные экспертной ЭГДС, в том числе эндоскопические признаки атрофии и кишечной метаплазии с локализацией в теле желудка, признаки мультифокального атрофического гастрита, а также результаты гистологического исследования гастробиоптатов, при котором наибольшее значение для диагностики АИГ имели признаки псевдопилорической метаплазии и полной кишечной метаплазии I типа в теле желудка [7, 9].

Таблица 3. Краткая характеристика второго варианта модели оценки риска АИГ Table 3. Brief description of the AIG risk assessment model (variant 2)

Ниже представлен пример рабочего окна программы, реализующей второй вариант модели оценки риска (табл. 4).

Таблица 4. Пример информационного наполнения рабочего окна второго варианта модели оценки риска АИГ «Оценка индивидуального риска наличия АИГ у лиц, инфицированных H. рylori», реализованной в виде рабочей книги табличного процессора (совместимого с Micros

Окончание таблицы 4 Table 4 (continued)

Именно второй вариант модели в наибольшей степени отражает научную и прикладную новизну выполненной работы, поскольку демонстрирует возможность интеграции признаков, относящихся к разным уровням диагностического процесса, в единое количественно оцениваемое решение. В отличие от большинства публикаций, где анализируется либо клиническая симптоматика, либо отдельные эндоскопические или морфологические маркеры, здесь впервые в рамках одной практико-ориентированной модели объединены клинические, лабораторные, эндоскопические и морфологические данные, значимые для диагностики АИГ с учетом статуса инфицирования H. pylori. Именно такая межуровневая интеграция данных представляется наиболее адекватной природе самого заболевания, поскольку АИГ не имеет одного абсолютно специфичного признака и распознается по сочетанию маркеров, значение которых возрастает именно в совокупности.

Еще одним важным аспектом новизны является акцент на интерпретируемости результата. Предложенная система не выдает врачу недоступный для анализа «готовый ответ», а опирается на совокупность конкретных признаков, каждый из которых может быть клинически осмыслен и проверен. С позиции современной клинической информатики это существенно повышает доверие к системе, снижает риск автоматического смещения и делает ее более пригодной для внедрения в медицинскую практику по сравнению с непрозрачными высокоавтономными моделями [36]. Более того, именно возможность корректной интерпретации вывода и его соотнесения с клинической картиной пациента отвечает современным требованиям к системам поддержки принятия решений в медицине, где окончательное решение должно оставаться за врачом, а ИИ-инструмент должен выступать как усилитель экспертного анализа, а не его замена [37].

Практическая значимость разработанной системы заключается в том, что она позволяет идентифицировать пациентов с высокой вероятностью АИГ в условиях, когда аутоиммунное воспаление может быть неочевидным из-за сочетания с H. pylori-ассоциированными изменениями, неспецифичности жалоб или неполноты первоначального обследования. В этом отношении система выступает как инструмент снижения диагностических потерь, особенно у пациентов с анемическим синдромом, дефицитом железа или витамина B₁₂, признаками атрофии слизистой тела желудка и сопутствующими аутоиммунными заболеваниями [9]. Тем самым разработанная модель фактически решает сразу две задачи: диагностическую, помогая заподозрить АИГ, и организационную, помогая клиницисту определить необходимость дальнейшего целенаправленного обследования.

Следует подчеркнуть и еще одну важную сторону полученных результатов. В отличие от многих высокотехнологичных ИИ-решений, требующих значительных вычислительных ресурсов, специализированного программного окружения и больших массивов размеченных изображений, предложенная система реализована в виде рабочей книги табличного процессора, совместимого с Microsoft Excel. Это существенно расширяет потенциальную доступность технологии и делает ее пригодной для внедрения не только в крупных научных центрах, но и в более широком круге медицинских организаций, где имеется потребность в структурированной диагностической поддержке, но отсутствует инфраструктура для сложных цифровых платформ. Именно сочетание клинической осмысленности, интерпретируемости, технологической простоты и фокусировки на конкретной диагностической задаче следует рассматривать как одно из главных прикладных преимуществ разработанной системы.

Заключение

Проведенный анализ литературы и собственные результаты показывают, что АИГ представляет собой типичную мультимодальную диагностическую задачу, при которой клинически значимая информация распределена между несколькими уровнями диагностического поиска — клиническим, лабораторным, эндоскопическим и морфологическим. Именно поэтому наиболее перспективным направлением в данной области являются не автономные высокоспециализированные алгоритмы, анализирующие отдельный тип данных, а интегративные системы поддержки принятия врачебных решений, способные формализовать совокупность признаков и использовать их в логике клинически интерпретируемого вывода.

Выполненная работа позволила выделить диагностически значимые признаки АИГ у пациентов с различным статусом инфицирования H. pylori и на этой основе разработать два варианта системы поддержки принятия врачебных решений, предназначенных для различных этапов обследования. В рамках одной практико-ориентированной модели были интегрированы клинические, лабораторные, эндоскопические и морфологические данные, имеющие значение для диагностики АИГ с учетом статуса H. pylori. Тем самым был предложен не частный диагностический маркер и не изолированный цифровой инструмент, а целостный алгоритм стратификации риска, ориентированный на условия реальной клинической практики. Принципиально важно, что предложенная система основана на интерпретируемой логике формирования диагностического вывода.

Таким образом, полученные результаты подтверждают, что развитие технологий ИИ в гастроэнтерологии должно идти не только по пути усложнения алгоритмов, но и по пути создания клинически ориентированных, интерпретируемых и практико-ориентированных систем, способных усиливать экспертный анализ врача. Разработанная система поддержки принятия врачебных решений представляет собой пример такого подхода и создает основу для дальнейшей цифровой трансформации диагностики АИГ. Перспективы дальнейшей работы связаны с расширением выборки, внешней валидацией модели, уточнением весового вклада признаков на независимых когортах и последующей интеграцией предложенного подхода в мультимодальные системы поддержки принятия врачебных решений.

Сведения об авторах:

Ливзан Мария Анатольевна — член-корреспондент РАН, д.м.н., профессор, заведующая кафедрой факультетской терапии и гастроэнтерологии, ректор ФГБОУ ВО ОмГМУ Минздрава России; 644099, Россия, г. Омск, ул. Ленина, д. 12; ORCID iD 0000-0002-6581-7017

Мозговой Сергей Игоревич — д.м.н., доцент, профессор кафедры патологической анатомии ФГБОУ ВО ОмГМУ Минздрава России; 644099, Россия, г. Омск, ул. Ленина, д. 12; ORCID iD 0000-0001-7200-7082

Гаус Ольга Владимировна — д.м.н., доцент, профессор кафедры факультетской терапии и гастроэнтерологии ФГБОУ ВО ОмГМУ Минздрава России; 644099, Россия, г. Омск, ул. Ленина, д. 12; ORCID iD 0000-0001-9370-4768

Губанова Анастасия Викторовна — к.м.н., врач-гастроэнтеролог БУЗОО ГП № 8; 644052, Россия, г. Омск, ул. Багратиона, д. 10; ORCID iD 0000-0002-5989-6804

Самотуга Александр Евгеньевич — к.т.н., доцент кафедры комплексной защиты информации ФГАОУ ВО «Омский государственный технический университет», 644050, Россия, г. Омск, пр-т Мира, д. 11; ORCID iD 0000-0001-5647-7498

Жумажанова Самал Сагидулловна — к.т.н., доцент кафедры комплексной защиты информации ФГАОУ ВО «Омский государственный технический университет», 644050, Россия, г. Омск, пр-т Мира, д. 11; ORCID iD 0000-0002-6785-5201

Контактная информация: Гаус Ольга Владимировна, е-mail: gaus_olga@bk.ru

Источник финансирования: статья подготовлена в рамках выполнения исследования по гранту Российского научного фонда № 26-15-20051.

Конфликт интересов отсутствует.

Статья поступила 10.04.2026.

Поступила после рецензирования 27.04.2026.

Принята в печать 19.05.2026.

About the authors:

Maria A. Livzan — Corresponding Member of the RAS, Dr. Sc. (Med.), Professor, Head of the Department of Faculty Therapy and Gastroenterology, Rector of the Omsk State Medical University; 12, Lenin str., Omsk, 644099, Russian Federation; ORCID iD 0000-0001-6581-7017

Sergey I. Mozgovoy — Dr. Sc. (Med.), Assistant Professor, Professor of the Department of Pathological Anatomy, Omsk State University; 12, Lenin str., Omsk, 644099, Russian Federation; ORCID iD 0000-0001-7200-7082

Olga V. Gaus — Dr. Sc. (Med.), Assistant Professor, Professor of the Department of Faculty Therapy and Gastroenterology, Omsk State Medical University; 12, Lenin str., Omsk, 644099, Russian Federation; ORCID iD 0000-0001-9370-4768

Anastasia V. Gubanova — C. Sc. (Med.), Gastroenterologist, City Outpatient Hospital No. 8; 10, Bagration str., Omsk, 644052, Russian Federation; ORCID iD 0000-0002-5989-6804

Alexander E. Samotuga — C. Sc. (Tech.), Assistant Professor of the Department of Integrated Information Security, Omsk State Technical University; 11, Mira ave., Omsk, 644050, Russian Federation; ORCID iD 0000-0001-5647-7498

Samal S. Zhumazhanova — C. Sc. (Tech.), Assistant Professor of the Department of Integrated Information Security, Omsk State Technical University; 11, Mira ave., Omsk, 644050, Russian Federation; ORCID iD 0000-0002-6785-5201

Contact information: Olga V. Gaus, e-mail: gaus_olga@bk.ru

Financial Disclosure: the paper was supported by RSF (project No. 26-15-20051).

There is no conflict of interest.

Received 10.04.2026.

Revised 27.04.2026.

Accepted 19.05.2026.

1. Rugge M., Genta R.M., Malfertheiner P. et al. RE.GA.IN.: the Real-world Gastritis Initiative-updating the updates. Gut. 2024;73(3):407–441. DOI: 10.1136/gutjnl-2023-331164
2. Ивашкин В.Т., Маев И.В., Лапина Т.Л. и др. Клинические рекомендации Российской гастроэнтерологической ассоциации и ассоциации «Эндоскопическое общество РЭНДО» по диагностике и лечению гастрита, дуоденита. Российский журнал гастроэнтерологии, гепатологии, колопроктологии. 2021;31(4):70–99. DOI: 10.22416/1382-4376-2021-31-4-70-99. Ivashkin V.T., Maev I.V., Lapina T.L. et al. Clinical Recommendations of Russian Gastroenterological Association and RENDO Endoscopic Society on Diagnosis and Treatment of Gastritis and Duodenitis. Russian Journal of Gastroenterology, Hepatology, Coloproctology. 2021;31(4):70–99 (in Russ.). DOI: 10.22416/1382-4376-2021-31-4-70-99
3. Neumann W.L., Coss E., Rugge M., Genta R.M. Autoimmune atrophic gastritis--pathogenesis, pathology and management. Nat Rev Gastroenterol Hepatol. 2013;10(9):529–541. DOI: 10.1038/nrgastro.2013.101
4. Кайбышева В.О., Тихонов С.В., Кашин С.В. и др. Алгоритм диагностики и лечения аутоиммунного гастрита. Профилактическая медицина. 2024;27(9):101–110. DOI: 10.17116/profmed202427091101. Kaibysheva V.O., Tykhonov S.V, Kashin S.V. et al. Algorithm of autoimmune gastritis diagnosis and treatment. Russian Journal of Preventive Medicine. 2024;27(9):101–110 (in Russ.). DOI: 10.17116/profmed202427091101
5. Щелоченков С.В., Бордин Д.С., Чеботарева М.В. и др. Аутоиммунный гастрит: от диагностики к эффективной терапии. РМЖ. Медицинское обозрение. 2024;8(5):299–306. DOI: 10.32364/2587-6821-2024-8-5-9. Shchelochenkov S.V., Bordin D.S., Chebotareva M.V. et al. Autoimmune gastritis: diagnosis to effective therapy. Russian Medical Inquiry. 2024;8(5):299–306 (in Russ.). DOI: 10.32364/2587-6821-2024-8-5-9
6. Щербаченя Н.А., Василенко К.В. Актуальный взгляд на проблему аутоиммунного гастрита. Российский медицинский журнал. 2025;31(1):18–29. DOI: 10.17816/medjrf641732. Shcherbachenya N.A., Vasilenko K.V. Current perspective on the problem of autoimmune gastritis. Russian Medicine. 2025;31(1):18–29 (in Russ.). DOI: 10.17816/medjrf641732
7. Губанова А.В., Ливзан М.А., Мозговой С.И. Клинические, эндоскопические и морфологические признаки хронического аутоиммунного гастрита с учетом статуса инфицирования Helicobacter pylori. Эффективная фармакотерапия. 2025;21(2):12–19. DOI: 10.33978/2307-3586-2025-21-2-12-19. Gubanova A.V., Livzan M.A., Mozgovoy S.I. Clinical, endoscopic and morphological signs of chronic autoimmune gastritis, taking into account the status of Helicobacter pylori infection. Effective pharmacotherapy. 2025;21(2):12–19 (in Russ.). DOI: 10.33978/2307-3586-2025-21-2-12-19
8. Щелоченков С.В., Гуськова О.Н., Колбасников С.В., Бордин Д.С. Аутоиммунный гастрит: нерешенные вопросы диагностики, значение внутрипросветной эндоскопии. Эффективная фармакотерапия. 2021;17(4):76–81. DOI: 10.33978/2307-3586-2021-17-4-76-81. Shchelochenkov S.V., Guskova O.N., Kolbasnikov S.V., Bordin D.S. Autoimmune gastritis: unresolved diagnostic issues, the significance of endoluminal endoscopy. Effective pharmacotherapy. 2021;17(4):76–81 (in Russ.). DOI: 10.33978/2307-3586-2021-17-4-76-81
9. Губанова А.В., Ливзан М.А., Мозговой С.И., Турчанинов Д.В. Диагностика аутоиммунного гастрита у лиц с различным статусом инфицирования Нelicobacter pylori: система поддержки принятия врачебных решений. Лечащий Врач. 2025;(4):92–98. DOI: 10.51793/OS.2025.28.4.014. Gubanova A.V., Livzan M.A., Mozgovoi S.I., Turchaninov D.V. Diagnosis of autoimmune gastritis in patients with different status of Нelicobacter pylori infection: a medical decision support system. Lechaschi Vrach. 2025;(4):92–98 (in Russ.). DOI: 10.51793/OS.2025.28.4.014
10. Li M.M., Reis B.Y., Rodman A. et al. One patient, many contexts: scaling medical AI with contextual intelligence. arXiv:2506.10157. 2025. DOI: 10.48550/arXiv.2506.10157
11. Choi R.Y., Coyner A.S., Kalpathy-Cramer J. et al. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol. 2020;9(2):14. DOI: 10.1167/tvst.9.2.14
12. Colom R., Karama S., Jung R.E., Haier R.J. Human intelligence and brain networks. Dialogues Clin Neurosci. 2010;12(4):489–501. DOI: 10.31887/DCNS.2010.12.4/rcolom
13. Miotto R., Wang F., Wang S., Jiang X. et al. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2018;19(6):1236–1246. DOI: 10.1093/bib/bbx044
14. Shrestha U.K. Emerging role of artificial intelligence in gastroenterology and hepatology. World J Gastroenterol. 2025;31(39):111495. DOI: 10.3748/wjg.v31.i39.111495
15. Cao J.S., Lu Z.Y., Chen M.Y. et al. Artificial intelligence in gastroenterology and hepatology: Status and challenges. World J Gastroenterol. 2021;27(16):1664–1690. DOI: 10.3748/wjg.v27.i16.1664
16. Yang Y.J., Bang C.S. Application of artificial intelligence in gastroenterology. World J Gastroenterol. 2019;25(14):1666–1683. DOI: 10.3748/wjg.v25.i14.1666
17. Haug C.J., Drazen J.M. Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. N Engl J Med. 2023;388(13):1201–1208. DOI: 10.1056/NEJMra2302038
18. Okagawa Y., Abe S., Yamada M., Oda I., Saito Y. Artificial Intelligence in Endoscopy. Dig Dis Sci. 2022;67:1553–1572. DOI: 10.1007/s10620-021-07086-z
19. Shi Y., Wei N., Wang K., Tao T. et al. Diagnostic value of artificial intelligence-assisted endoscopy for chronic atrophic gastritis: a systematic review and meta-analysis. Front Med (Lausanne). 2023;10:1134980. DOI: 10.3389/fmed.2023.1134980
20. Turtoi D.C., Brata V.D., Incze V. et al. Artificial Intelligence for the Automatic Diagnosis of Gastritis: A Systematic Review. J Clin Med. 2024;13(16):4818. DOI: 10.3390/jcm13164818
21. Brodeur P.G., Goh E., Tat E. et al. State of Clinical AI 2026. ARISE Network, 2026. (Electronic resource.) URL: https://arise-ai.org/report (access date: 11.05.2026).
22. Bean A.M., Payne R.E., Parsons G. et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nat Med. 2026;32(2):609–615. DOI: 10.1038/s41591-025-04074-y
23. Ластед Л.Б. Введение в проблему принятия решений в медицине. М.: Мир; 1971. Lusted L.B. Introduction to medical decision making. М.: Mir; 1971 (in Russ.).
24. Jamil M., Li Q. Artificial intelligence in gastrointestinal endoscopy: current evidence and future directions. Ther Adv Gastrointest Endosc. 2025;18:26317745251398945. DOI: 10.1177/26317745251398945
25. Chiang T.H., Hsu Y.N., Chen M.H. et al. A rural-to-center artificial intelligence model for diagnosing Helicobacter pylori infection and premalignant gastric conditions using endoscopy images captured in routine practice. Endoscopy. 2026;58(4):343–354. DOI: 10.1055/a-2721-6552
26. Lee Y.H., Park G., Kim J.Y. et al. Artificial intelligence assistance improves endoscopist accuracy for gastric cancer dysplasia and intestinal metaplasia. Sci Rep. 2026;16(1):12428. DOI: 10.1038/s41598-026-43149-9
27. Niazi M.K.K., Parwani A.V., Gurcan M.N. Digital pathology and artificial intelligence. Lancet Oncol. 2019;20(5):e253–e261. DOI: 10.1016/S1470-2045(19)30154-8
28. Chen S., Ding P., Guo H. et al. Applications of artificial intelligence in digital pathology for gastric cancer. Front Oncol. 2024;14:1437252. DOI: 10.3389/fonc.2024.1437252
29. Xia K., Hu Y., Cai S. et al. GastritisMIL: An interpretable deep learning model for the comprehensive histological assessment of chronic gastritis. Patterns (N Y). 2025;6(8):101286. DOI: 10.1016/j.patter.2025.101286
30. Zhao Q., Jia Q., Chi T. U-Net deep learning model for endoscopic diagnosis of chronic atrophic gastritis and operative link for gastritis assessment staging: a prospective nested case-control study. Ther Adv Gastroenterol. 2023;16:17562848231208669. DOI: 10.1177/17562848231208669
31. Lu M.Y., Chen B., Williamson D.F.K. et al. A visual-language foundation model for computational pathology. Nat Med. 2024;30(3):863–874. DOI: 10.1038/s41591-024-02856-4
32. Lu M.Y., Chen B., Williamson D.F.K. et al. A multimodal generative AI copilot for human pathology. Nature. 2024;634(8033):466–473. DOI: 10.1038/s41586-024-07618-3
33. Yoo S.Y., Hwang Y., Yun S. et al. Artificial Intelligence-Assisted Daily Quality Control System for the Histologic Diagnosis of Gastrointestinal Endoscopic Biopsies: A 1-Year Experience. Arch Pathol Lab Med. 2025;149(7):659–667. DOI: 10.5858/arpa.2024-0173-OA
34. Zhang K., Wang D., Lin F., Xie J., Zhou W. A comprehensive review of explainable artificial intelligence in healthcare methods, evaluation, and clinical integration. iScience. 2026;29(3):115026. DOI: 10.1016/j.isci.2026.115026
35. Xu Q., Xie W., Liao B. et al. Interpretability of Clinical Decision Support Systems Based on Artificial Intelligence from Technological and Medical Perspective: A Systematic Review. J Healthc Eng. 2023;2023:9919269. DOI: 10.1155/2023/9919269
36. Hatherley J., Sparrow R., Howard M. The Virtues of Interpretable Medical AI. Camb Q Healthc Ethics. 2024;33(3):323–332. DOI: 10.1017/S0963180122000664
37. Obuchowicz R., Piórkowski A., Nurzyńska K. et al. AI Replace Physicians in the Near Future? AI Adoption Barriers in Medicine. Diagnostics (Basel). 2026;16(3):396. DOI: 10.3390/diagnostics16030396