Применение искусственного интеллекта в цитологии шейки матки: систематический обзор моделей глубокого обучения, наборов данных и представленных метрик

Введение: Использование искусственного интеллекта (ИИ) в цитологии шейки матки значительно расширилось в связи с необходимостью автоматизированных инструментов, поддерживающих раннее выявление предраковых поражений. Методы: В этом систематическом обзоре рассмотрены модели глубокого обучения, применяемые к изображениям цитологических препаратов шейки матки, с акцентом на используемые архитектуры, наборы данных и представленные метрики эффективности. Статьи, опубликованные в период с 2022 по 2025 год, были отобраны из базы данных Scopus с использованием методологии PRISMA. После применения критериев включения и отбора по полнотекстовым публикациям в обзор были включены 77 исследований для RQ1 (модели), 75 — для RQ2 (наборы данных) и 71 — для RQ3 (метрики). Результаты: Наиболее распространёнными были гибридные модели (56%), за которыми следовали сверточные нейронные сети (CNN) и постоянно увеличивающееся число подходов на основе Vision Transformer (ViT). Наиболее часто использовались наборы данных SIPaKMeD и Herlev, хотя применение частных наборов данных возрастает. Наиболее часто сообщаемой метрикой была точность (среднее значение 87,76%), за которой следовали precision, recall и F1-score. Несколько гибридных моделей и моделей на основе ViT продемонстрировали точность более 92%. К выявленным ограничениям относились недостаточное применение перекрёстной проверки, сниженная клиническая репрезентативность наборов данных и непоследовательные диагностические критерии. Обсуждение: В обзоре обобщены современные тенденции применения ИИ в цитологии шейки матки, выделены распространённые методологические ограничения и предложены направления дальнейших исследований для повышения клинической применимости и стандартизации.