ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ДИАГНОСТИКЕ И ПРОГНОЗИРОВАНИИ ТЕЧЕНИЯ ЗАБОЛЕВАНИЙ ЛОР-ОРГАНОВ: СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ

Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 13 http://nauko-sfera.ru/ МЕДИЦИНСКИЕ НАУКИ УДК 616.21-071:004.8 DOI 10.5281/zenodo.17347138 Научная статья ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ДИАГНОСТИКЕ И ПРОГНОЗИРОВАНИИ ТЕЧЕНИЯ ЗАБОЛЕВАНИЙ ЛОР-ОРГАНОВ: СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS AND PREDICTION OF THE COURSE OF DISEASES OF ENT ORGANS: CURRENT STATE AND PROSPECTS ЕВРОПЕЙЦЕВА ЕКАТЕРИНА НИКОЛАЕВНА, Главный врач, ООО «ЛОРЦЕНТР» г. Геленджик. EVROPEITSEVA EKATERINA NIKOLAEVNA, Chief physician, LLC "LORCENTER" Gelendzhik. В статье рассматривается проблема повышения точности диагностики патологий среднего уха, околоносовых пазух и гортани с использованием алгоритмов глубокого обучения. В исследовании применялись методы систематического анализа научных публикаций за период 2020-2025 годов. В результате установлено, что сверточные нейронные сети обеспечивают точность диагностики среднего отита, а рекуррентные нейронные сети позволяют прогнозировать прогрессирование тугоухости. Выявлены ключевые ограничения внедрения, включая проблему «черного ящика», недостаток данных и нормативные барьеры. Основными выводами являются подтверждение эффективности ИИ-алгоритмов и необходимость развития методов объяснимого искусственного интеллекта для клинической практики. The article discusses the problem of improving the accuracy of diagnosis of pathologies of the middle ear, paranasal sinuses and larynx using deep learning algorithms. The study used methods of systematic analysis of scientific publications for the period 2020-2025. As a result, it was found that convolutional neural networks ensure the accuracy of the diagnosis of otitis media, and recurrent neural networks allow predicting the progression of hearing loss. Key implementation constraints have been identified, including the "black box" problem, lack of data, and regulatory barriers. The main conclusions are the confirmation of the effectiveness of AI algorithms and the need to develop explicable artificial intelligence methods for clinical practice. Ключевые слова: искусственный интеллект, глубокое обучение, оториноларингология, компьютерное зрение, диагностика, прогнозирование. Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 14 http://nauko-sfera.ru/ Key words: artificial intelligence, deep learning, otorhinolaryngology, computer vision, diagnostics, forecasting. ториноларингология, как и многие другие области медицины, находится на пороге цифровой трансформации, движимой быстрым развитием технологий искусственного интеллекта (ИИ). Высокая распространенность заболеваний ЛОР-органов, их вариативная клиническая картина и субъективность интерпретации диагностических данных создают значительные вызовы для клиницистов. В этом контексте методы машинного обучения и глубокого обучения предлагают мощные инструменты для автоматизации анализа сложных медицинских данных, включая изображения, сигналы и текстовую информацию. Настоящий обзор посвящен систематизации и анализу современных достижений в области применения ИИ для диагностики и прогнозирования течения заболеваний уха, горла и носа. Целью работы является всесторонняя оценка текущего состояния, выявление ключевых тенденций, анализ ограничений и определение перспективных направлений развития ИИтехнологий в оториноларингологии. Предметом исследования являются современные подходы к применению технологий искусственного интеллекта в диагностике и прогнозировании заболеваний ЛОР-органов. В обзоре рассматриваются такие аспекты, как повышение точности диагностики за счет автоматизированного анализа отоскопических и эндоскопических изображений, прогнозирование прогрессирования заболеваний на основе мультимодальных данных, а также этические и регуляторные аспекты внедрения ИИ в клиническую практику. Материалы и методы исследования. Для достижения поставленной цели был проведен систематический поиск и анализ научной литературы, опубликованной в период с 2020 по 2025 год. Поиск релевантных публикаций осуществлялся в международных базах данных PubMed, Scopus, Web of Science, а также в российских научных библиотеках eLibrary и КиберЛенинка. Использовались ключевые слова и их комбинации: «искусственный интеллект», «глубокое обучение», «оториноларингология», «отит», «риносинусит», «компьютерное зрение», «диагностика», «прогнозирование». Критериям включения соответствовали обзорные статьи, оригинальные исследования, мета-анализы и клинические рекомендации, посвященные применению алгоритмов ИИ в диагностике и прогнозе заболеваний ЛОР-органов. В результате отбора был сформирован корпус из 30 ключевых источников, которые были проанализированы с точки зрения методологии, результатов и выводов. Методология обзора включала сравнительный анализ эффективности различных алгоритмов ИИ (в частности, сверточных и рекуррентных нейронных сетей), оценку диагностической точности (чувствительность, специфичность), а также критический анализ методологических ограничений и проблем валидации представленных в литературе решений. Результаты и обсуждение. Искусственный интеллект произвел революцию в диагностике и прогнозировании заболеваний уха, горла и носа, повысив точность принятия клинических решений на основе данных. Согласно библиометрическому анализу, наблюдается устойчивый рост числа публикаций в этой области [22]. Это свидетельствует о возрастающем интересе и активности исследователей. Deep learning (DL) и Internet of Medical Things (IoMT) также играют ключевую роль в трансформации медицинского ландшафта, улучшая уход за пациентами и способствуя инновациям [27]. В период с 2020 по 2025 год достижения в области машинного обучения, глубокого обучения и компьютерного зрения позволили автоматизировать анализ отоскопических изображений, эндоскопических видеозаписей, аудиометрических данных и рентгенологичеО Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 15 http://nauko-sfera.ru/ ских снимков, что позволило решить давние проблемы, связанные с субъективностью и вариативностью диагностики [22; 24]. В этом обзоре обобщены ключевые разработки в трёх областях: повышение точности диагностики, прогнозирование течения заболевания [21] и оптимизация клинических процессов [22], а также критически оценены ограничения и перспективы развития. Как показали результаты научных исследований, ИИ отлично справляется с автоматизацией выявления заболеваний уха, устраняя субъективность традиционных методов, таких как отоскопия и отоэндоскопия. Это подтверждается данными о применении ИИ при диагностике среднего отита и анализа состояния барабанной перепонки. Так, алгоритмы ИИ классифицируют аномалии барабанной перепонки (перфорации, выпоты) с помощью эндоскопических изображений, снижая вариативность диагностики среди врачей [21]. Свёрточные нейронные сети обрабатывают отоскопические изображения, чтобы отличить острый средний отит от хронического, что упрощает сортировку пациентов в условиях ограниченных ресурсов [22; 30]. Отоскопическая визуализация существенно прогрессировала за счёт использования моделей глубокого обучения (свёрточные нейронные сети, рекуррентные нейронные сети), с помощью которых в настоящее время возможно выявление перфораций барабанной перепонки, холестеатом и среднего отита с точностью более 90 % за счёт анализа цвета, текстуры и структурных особенностей [24]. В систематическом обзоре 2023 года отмечается, что свёрточные нейронные сети достигли чувствительности 94,3 % при выявлении выпота в среднем ухе с помощью изображений барабанной перепонки [24]. ИИ также активно внедряется в педиатрическую оториноларингологию. У детей, у которых анатомические особенности затрудняют диагностику, модели ИИ адаптируются к специфическим детским данным. Эти системы с повышенной чувствительностью выявляют холестеатому или выпот, сводя к минимуму необходимость инвазивных процедур [22]. С помощью ИИ в настоящее время усовершенстваны эндоскопический и радиологический анализы. Трансферное обучение, применённое к изображениям назальной эндоскопии, позволяет выявлять полипы и синусит с показателем AUC (Area Under the Curve, площадь под кривой) > 0,92, что сокращает время диагностики [20; 22]. Алгоритмы искусственного интеллекта также сегментируют опухоли на компьютерных и магниторезонансных томограммах головы и шеи, повышая точность хирургического планирования [15–16]. Платформы на базе ИИ моделируют операции на ухе, в частности, мастоидэктомию, с использованием кинематических данных от инструментов. Эти инструменты позволяют объективно оценивать навыки обучаемых, анализируя эффективность движений и частоту ошибок [15]. Несмотря на все преимущества использования ИИ, существует и ряд ограничений его использования. Это связано с тем, что современные модели не справляются с редкими заболеваниями из-за недостатка данных [22] и требуют набора данных из нескольких учреждений для обеспечения надёжности. Необходимо отметить, что в научной литературе имеются лишь единичные публикации, посвященные использованию ИИ при заболеваниях носа, однако библиометрический анализ подтверждает растущую роль ИИ. Так, при хроническом риносинусите ИИ интерпретирует видеоэндоскопии и результаты компьютерной томографии для локализации полипов или воспаления, дополняя планирование эндоскопической хирургии пазух [18]. Методы трансферного обучения позволяют повторно использовать предварительно обученные свёрточные нейронные сети для сегментации полипов, ускоряя предоперационную оценку. Машинное обучение прогнозирует тяжесть ринита, вызванного пыльцой, на основе данных о симптомах за прошлые периоды, что позволяет проводить персонализированную профилактику [18]. Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 16 http://nauko-sfera.ru/ Использование ИИ в режиме реального времени во время операций на носу изучено недостаточно. В будущем можно будет интегрировать интраоперационную визуализацию с обучением с подкреплением для адаптивной хирургической навигации. Анализ научных публикаций, посвященных прорывным технологиям в лечении заболеваний горла и гортани показал, что при использовании ИИ в лечении заболеваний горла приоритет отдается выявлению злокачественных новообразований и функциональной оценке. Так, при скрининге на рак гортани CNNS анализирует ларингоскопические изображения для классификации поражений голосовых связок (например, лейкоплакия или карцинома), добиваясь диагностического согласия с экспертами в предварительных исследованиях [18]. Система обработки естественного языка также обрабатывает электронные медицинские карты для выявления пациентов с высоким риском на основе ключевых симптомов. С помощью ИИ стала возможным также количественная оценка нарушений голоса. Показано, что рекуррентные нейронные сети обрабатывают акустические сигналы для выявления паттернов дисфонии, соотнося их с неврологическими состояниями, такими как болезнь Паркинсона [15]. Ограничения использования ИИ, как показал анализ научной литературы, связан со снижением обобщаемости моделей вследствие этнических и демографических предубеждений в обучающих данных [18; 22]. Общими проблемами внедрения ИИ является гетерогенность данных, вследствие непоследовательных протоколов визуализации в разных учреждениях, что препятствует внедрению ИИ. Важное значение имеют решения для федеративного обучения, которые обучают модели на децентрализованных данных [21; 30]. К ограничением внедрения ИИ также можно отнести и нормативные и этические препятствия. Так, к педиатрическим приложениям предъявляются строгие требования по валидации, что требует использования объяснимого ИИ для уточнения путей принятия решений [22]. В медицинских приложениях, где ошибки могут иметь серьезные последствия, объяснимость решений ИИ является критически важной. В контексте научного образования, студенты-медики не всегда знакомы с искусственным интеллектом, что подчеркивает необходимость интеграции ИИ в учебные программы [23]. В аспекте использования ИИ в оториноларингологии набирает актуальность междисциплинарная синергия, которая сочетает геномику с искусственным интеллектом в области визуализации (в частности, при раке ротоглотки, связанном с вирусом папилломы человека), что может выявить корреляцию между фенотипом и генотипом [18]. Будущие достижения, вероятно, будут связаны с использованием искусственного интеллекта во время операций в режиме реального времени, например с наложением дополненной реальности во время эндоскопии, а также с генеративным искусственным интеллектом для увеличения объёма синтетических данных, чтобы преодолеть ограничения в обучении. Учитывая вышеизложенное становится очевидным, что искусственный интеллект меняет отоларингологию за счёт автоматизации диагностики (уха), разработки инструментов для диагностики патологий носа и совершенствования методов скрининга рака горла. Несмотря на проблемы с данными и их проверкой, исследования подтверждают преобразующий потенциал ИИ, особенно в сочетании с мультимодальными данными. Важнейшими следующими шагами являются совместные платформы для обмена данными и разработка ИИ для педиатрии [15; 22; 30]. Искусственный интеллект является ценным инструментом при прогностическом моделировании прогрессирования лор-заболеваний. Это подтверждается опубликованными данными, посвященным изучению прогнозирования потери слуха с помощью ИИ. Показано, что рекуррентные нейронные сети прогнозируют прогрессирование нейросенсорной тугоухости, Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 17 http://nauko-sfera.ru/ анализируя лонгитюдные аудиограммы и генетические данные, с точностью 88 % в педиатрических когортах [21; 29]. ИИ позволяет решать сложных вопрос, касающейся определению прогноза при онкологических заболеваниях лор-органов. Так, модели случайного леса прогнозируют 5-летнюю выживаемость при раке гортани с использованием геномики опухоли и радиомики позитронно-эмиссионная томографии — компьютерной томографии (C-индекс: 0,78) [15; 20]. Анализ научной литературы в аспекте анализа клинического применения в различных областях отоларингологии ИИ показал, что ИИ успешно автоматизирует классификацию среднего отита, снижая количество ошибочных диагнозов на 40 % в учреждениях первичной медико-санитарной помощи. Инструменты анализа речи в реальном времени (например, сети LSTM) выявляют пресбиакузис, обнаруживая высокочастотные ошибки распознавания фонем [29]. При аллергическом рините датчики пыльцы на основе ИИ в сочетании с машинным обучением прогнозируют обострение симптомов с помощью данных об окружающей среде [28]. При нарушениях голоса свёрточные нейронные сети на основе спектрограмм с точностью 93 % дифференцируют доброкачественные образования голосовых складок от злокачественных [16; 22]. В детской отоларингологии клиническое применение ИИ показало, что модели федеративного обучения позволяют совместно обучаться на децентрализованных данных, сохраняя конфиденциальность при диагностике таких редких заболеваний, как подсвязочный стеноз [21]. В то же время на фоне преимуществ клинического применения ИИ в оторинолоарингологии, авторы научных исследований акцентируют свое внимание на проблемных вопросах, касающихся ограничений интеграции и этических соображений. Они связаны с информационными и алгоритмическими барьерами. Так, большинство моделей искусственного интеллекта в области ЛОР используют менее 5000 изображений, что сопряжено с риском переобучения; для увеличения объема синтетических данных появляются такие решения, как генеративные состязательные сети [22; 24]. Проблема предвзятости и обобщаемости связан с тем, что алгоритмы, обученные на однородных популяциях (например, европейских когортах), показывают снижение точности на 15-20 % в различных этнических группах [20; 30]. Проблема «чёрного ящика» в моделях глубокого обучения подрывает доверие врачей из-за невозможности понять логику принятия решений. Для решения этой проблемы применяются методы объяснимого ИИ, в частности SHAP. Например, при анализе КТ-снимка пазух носа SHAP выделяет области, повлиявшие на диагноз «синусит» (затемнения, утолщения слизистой), преобразуя непонятный вывод в интуитивную карту признаков для клинициста [12; 14]. Соответствие нормативным требованиям: к 2024 году только 8 ЛОР-устройств на основе ИИ (например, отоскопические анализаторы) получили одобрение FDA/CE (U.S. Food and Drug Administration / European Conformity) из-за сложностей с валидацией [19; 30]. Несмотря на вышеперечисленные ограничения и риски внедрения ИИ в клиническую практику оториноларингологии, существуют перспективные направления и перспективные возможности использования ИИ. В настоящее время создаются архитектуры ИИ нового поколения: мультимодальное объединение [20; 29], периферийные вычисления [15; 22]. Мультимодальное объединение — это объединение изображений, аудиоданных и электронных медицинских карт с помощью трансформеров, которые могут с точностью 95 % предсказывать обострения болезни Меньера [20; 29]. BERT может использоваться для анализа тексто- Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 18 http://nauko-sfera.ru/ вой части электронной медицинской карты (ЭМК): она может извлекать смысл из записей врачей, описаний симптомов, истории болезни и т.д. Периферийные вычисления, в частности, отоскопы с поддержкой Интернета вещей и встроенным ИИ позволяют проводить диагностику в режиме реального времени в условиях ограниченных ресурсов [15; 22]. Еще одним приоритетным направлением трансляционных исследований в области использовании ИИ в оториноларингологии является «Объяснимый ИИ» (XAI). Он подразумевает разработку интуитивно понятных интерфейсов, которые сопоставляют решения ИИ с анатомическими ориентирами [12; 14]. Авторы отмечают, что для подтверждения влияния ИИ на результаты в отоларингологии необходимы крупномасштабные исследования [24]. Россия активно развивает сферу искусственного интеллекта, и в конце 2019 года ИИ был включен в национальную стратегию развития до 2030 года [7]. Страна обладает значительным потенциалом для развития ИИ и информационных технологий [10]. Отмечается, что развитие высоких технологий является ключевым фактором успеха страны на международной арене, затрагивая экономические, социальные, политические и культурные сферы [8]. Исследования показывают, что применение ИИ оказывает сильное влияние на уровень конкурентоспособности национальной экономики [3]. В контексте медицинских приложений ИИ, российские исследования также затрагивают вопросы правовой ответственности за действия ИИ в медицинской сфере, проводя сравнительный анализ подходов США и России [1]. Это указывает на осознание необходимости регулирования и этического осмысления применения ИИ в здравоохранении. Что касается конкретно оториноларингологии, то, хотя существуют общие обзоры применения ИИ в медицине, специфический библиометрический анализ или систематический обзор российских научных статей по ИИ в оториноларингологии показал их дефицит. Проведенные обзоры по ИИ в оториноларингологии носят общий характер и не сфокусированы исключительно на российской научной литературе [13; 17; 25–27]. Одним из более проработанных в этом аспекте направлений являются публикации по использованию ИИ в рентенологической диагностике синуситов. Ключевой проблемой оториноларингологии остаются воспалительные заболевания околоносовых пазух, демонстрирующие в России устойчивый рост. Ежегодно регистрируется свыше 10 миллионов случаев острого риносинусита, при этом около 19,4 % пациентов требуют экстренной госпитализации. Доля хронического синусита в структуре первичной заболеваемости, совместно с иной патологией верхних дыхательных путей, достигает 67,0–74,0 % [2]. Рентгенография сохраняет статус метода выбора при визуализации среднетяжелых и тяжелых форм острого синусита, особенно в условиях недоступности компьютерной томографии [6]. Актуальной проблемой рентгенологии является экспоненциальный рост объема исследований и требований к скорости диагностики на фоне кадрового дефицита [5]. Стратегическим решением выступает автоматизация труда рентгенолога, направленная на устранение рутинных операций и повышение точности интерпретации [9; 11]. Интенсивная цифровизация последнего десятилетия создала инфраструктурные предпосылки для внедрения технологий искусственного интеллекта [2]. Масштабным проектом в этой области является Московский Эксперимент (mosmed.ai) — крупнейшее проспективное многоцентровое исследование применимости и безопасности ИИ, включившее данные порядка 14 миллионов пациентов [4]. В его рамках разработаны научно обоснованные методики внедрения и контроля качества ИИ-сервисов, а также впервые в Российской Федерации внедрены медицинские услуги на основе ИИ, финансируемые в системе обязательного медицинского страхования [2]. Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 19 http://nauko-sfera.ru/ В результате реализован ряд ИИ-сервисов для диагностики верхнечелюстного и фронтального синусита по данным рентгенографии. На эталонных выборках продемонстрирована высокая диагностическая ценность алгоритмов: площадь под ROC-кривой составила 0,86– 0,96, точность – 0,86-0,91 [2]. Ключевой особенностью является преобладание специфичности над чувствительностью, что указывает на риск ложноотрицательных результатов и необходимость оптимизации алгоритмов для достижения сбалансированности. Внедрение этих решений в практику позволяет перспективно оценивать их диагностическую точность в реальной клинической практике. Учитывая вышеизложенное, становится очевидным, что, несмотря на активное развитие ИИ в России, его конкретное применение и исследования в ОРЛ в рамках российской научной литературы требуют более глубокого и специализированного анализа. Заключение. Проведенный анализ позволяет констатировать, что искусственный интеллект демонстрирует значительный преобразующий потенциал в оториноларингологии. Алгоритмы машинного обучения, в особенности глубокого обучения, уже сегодня показывают высокую эффективность в автоматизации диагностики таких патологий, как средний отит, синусит и новообразования гортани, достигая точности, сопоставимой с экспертной оценкой. Важным достижением является развитие прогностических моделей, способных на основе анализа лонгитюдных данных предсказывать прогрессирование тугоухости или онкологических заболеваний. Тем не менее, широкому внедрению ИИ-решений в рутинную клиническую практику препятствует ряд серьезных вызовов. К ним относятся проблема ограниченных и несбалансированных наборов данных для обучения, приводящая к снижению обобщающей способности моделей, «черный ящик» алгоритмов, требующий развития методологии объяснимого ИИ (XAI), а также нормативно-правовые и этические барьеры. Перспективы дальнейшего развития направления заключаются в создании крупных мультимодальных наборов данных, развитии федеративного обучения для преодоления проблем конфиденциальности, активной интеграции ИИ в интраоперационную навигацию и хирургические симуляторы, а также в углубленной проработке вопросов регуляторики и адаптации медицинского образования. Таким образом, несмотря на то, что искусственный интеллект уже доказал свою диагностическую и прогностическую ценность, его полная интеграция в оториноларингологию требует скоординированных усилий исследователей, клиницистов и регуляторных органов для преодоления существующих барьеров и реализации всего спектра потенциальных возможностей. СПИСОК ЛИТЕРАТУРЫ 1. Атабеков А.Р. Анализ подходов к определению юридической ответственности за действия искусственного интеллекта в медицинской сфере: опыт США и России // Юридические исследования. 2023. № 6. С. 1–9. DOI 10.25136/2409-7136.2023.6.40928. 2. Бажин А.В., Владзимирский А.В., Арзамасов К.М., Астапенко Е.В. Диагностическая точность технологий искусственного интеллекта при выявлении синусита на результатах рентгенографии (ретроспективное исследование) // Вестник Российского научного центра рентгенорадиологии. 2025. № 1. С. 28–40. 3. Бакуменко М., Сигал А., Титаренко Д. Перспективы развития и применения технологий искусственного интеллекта в России // E3S Web of Conferences. 2023. Т. 431. С. 05036. DOI 10.1051/e3sconf/202343105036. 4. Васильев Ю.А., Владзимирский А.В., Арзамасов К.М. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента. М.: Издательские решения, 2023. 376 с. Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 20 http://nauko-sfera.ru/ 5. Голубев Н.А., Огрызко Е.В., Тюрина Е.М., Шелепова Е.А., Шелехов П.В. Особенности развития службы лучевой диагностики в Российской Федерации за 2014–2019 года // Современные проблемы здравоохранения и медицинской статистики. 2021. № 2. С. 356–376. DOI 10.24412/23122935-2021-2-356-376. 6. Карнеева О.В., Юнусов А.С., Гуров А.В. и др. Клинические рекомендации МЗ РФ «Острый синусит». 2024. С. 14–15. 7. Кочетков Д., Бируку А., Ермолаева А. Россия на мировой арене искусственного интеллекта // Конспект лекций по информатике. Springer International Publishing, 2021. С. 369–378. DOI 10.1007/978-3-030-72610-2_28. 8. Любимов А.П., Майстренко Г.А. Перспективы развития искусственного интеллекта в России и за рубежом // Философия науки и техники. 2023. Т. 28. № 1. С. 121–132. DOI 10.21146/24139084-2023-28-1-121-132. 9. Мелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики // Лучевая диагностика и терапия. 2020. Т. 11. № 1. С. 9–17. 10. Мокану Г.С. Перспективы развития искусственного интеллекта в России // Информационно-технологический вестник. 2021. Т. 3. № 29. С. 77–82. DOI 10.21499/2409-1650-293-77-82 11. Ройтберг П.Г., Блинов Д.С., Черемисин В.М. Технологии искусственного интеллекта в автоматизации выполнения стандартных задач врача-рентгенолога // Проблемы стандартизации в здравоохранении. 2020. № 9–10. С. 29–33. 12. Alharthi A., Alqurashi A., Alharbi T., Alammar M., Aldosari N., Bouchekara H., Shaaban Y., Shahriar M.S., Ayidh A.A. The Role of Explainable AI in Revolutionizing Human Health Monitoring: A Review (Version 3). 2024. DOI 10.48550/ARXIV.2409.07347. 13. Demir E., Uğurlu B.N., Uğurlu G.A., Aydoğdu G. Artificial intelligence in otorhinolaryngology: current trends and application areas // European Archives of Oto-Rhino-Laryngology. 2025. Vol. 282. No 5. P. 2697–2707. DOI 10.1007/s00405-025-09272-5. 14. Frasca M., La Torre D., Pravettoni G., Cutica I. Explainable and interpretable artificial intelligence in medicine: a systematic bibliometric review // Discover Artificial Intelligence. 2024. Vol. 4. No 1. DOI 10.1007/s44163-024-00114-7. 15. George M.M., Tolley N.S. AIM in Otolaryngology and Head and Neck Surgery // Artificial Intelligence in Medicine. Springer International Publishing, 2022. P. 983–1001. DOI 10.1007/978-3-030-645731_198. 16. George M.M., Tolley N.S. AIM in Otolaryngology and Head & Neck Surgery // Artificial Intelligence in Medicine. Springer International Publishing, 2021. P. 1–19. DOI 10.1007/978-3-030-58080-3_1981. 17. Ghosh Moulic A., Gaurkar S.S., Deshmukh P.T. Artificial Intelligence in Otology, Rhinology, and Laryngology: A Narrative Review of Its Current and Evolving Picture // Cureus. 2024. DOI 10.7759/cureus.66036. 18. Habib A.R., Kajbafzadeh M., Hasan Z., Wong E., Gunasekera H., Perry C., Sacks R., Kumar A., Singh N. Artificial intelligence to classify ear disease from otoscopy: A systematic review and meta-analysis // Clinical Otolaryngology. 2022. Vol. 47. No 3. P. 401–413. DOI 10.1111/coa.13925. 19. Liu Y., Yu W., Dillon T. Regulatory responses and approval status of artificial intelligence medical devices with a focus on China // npj Digital Medicine. 2024. Vol. 7. No 1. DOI 10.1038/s41746-02401254-x. 20. Ma T., Wu Q., Jiang L., Zeng X., Wang Y., Yuan Y., Wang B., Zhang T. Artificial Intelligence and Machine (Deep) Learning in Otorhinolaryngology: A Bibliometric Analysis Based on VOSviewer and CiteSpace // Ear, Nose & Throat Journal. 2023. DOI 10.1177/01455613231185074. 21. Navarathna N., Kanhere A., Gomez C., Isaiah A. Artificial intelligence in pediatric otolaryngology: A state-of-the-art review of opportunities and pitfalls // International Journal of Pediatric Otorhinolaryngology. 2025. Vol. 194. P. 112369. DOI 10.1016/j.ijporl.2025.112369. Наукосфера. №10 (1), 2025 Медицинские науки ISSN 2542-0402 21 http://nauko-sfera.ru/ 22. Pandey A., Kaur J., Kaushal D. Transforming ENT Healthcare: Advancements and Implications of Artificial Intelligence // Indian Journal of Otolaryngology and Head & Neck Surgery. 2024. Vol. 76. No 5. P. 4986–4996. DOI 10.1007/s12070-024-04885-4. 23. Sadr H., Nazari M., Khodaverdian Z., Farzan R., Yousefzadeh-Chabok S., Ashoobi M.T., Hemmati H., Hendi A., Ashraf A., Pedram M.M., Hasannejad-Bibalan M., Yamaghani M.R. Unveiling the potential of artificial intelligence in revolutionizing disease diagnosis and prediction: a comprehensive review of machine learning and deep learning approaches // European Journal of Medical Research. 2025. Vol. 30. No 1. DOI 10.1186/s40001-025-02680-7. 24. Song D., Kim T., Lee Y., Kim J. Image-Based Artificial Intelligence Technology for Diagnosing Middle Ear Diseases: A Systematic Review // Journal of Clinical Medicine. 2023. Vol. 12. No 18. P. 5831. DOI 10.3390/jcm12185831. 25. Swain S.K. Artificial Intelligence in Otorhinolaryngology // Annals of Indian Academy of Otorhinolaryngology Head and Neck Surgery. 2023. Vol. 7. No 2. P. 19–24. DOI 10.4103/aiao.aiao_9_23. 26. Tama B.A., Kim D.H., Kim G., Kim S.W., Lee S. Recent Advances in the Application of Artificial Intelligence in Otorhinolaryngology-Head and Neck Surgery // Clinical and Experimental Otorhinolaryngology. 2020. Vol. 13. No 4. P. 326–339. DOI 10.21053/ceo.2020.00654. 27. Tsilivigkos C., Athanasopoulos M., Micco R. di, Giotakis A., Mastronikolis N.S., Mulita F., Verras G.-I., Maroulis I., Giotakis E. Deep Learning Techniques and Imaging in Otorhinolaryngology—A Stateof-the-Art Review // Journal of Clinical Medicine. 2023. Vol. 12. No 22. P. 6973. DOI 10.3390/jcm12226973. 28. Votto M., Rossi C.M., Caimmi S.M.E., De Filippo M., Di Sabatino A., Lenti M.V., Raffaele A., Marseglia G.L., Licari A. The State of the Art of Artificial Intelligence Applications in Eosinophilic Esophagitis: A Systematic Review // Big Data and Cognitive Computing. 2024. Vol. 8. No 7. P. 76. DOI 10.3390/bdcc8070076. 29. Wilson B.S., Tucci D.L., Moses D.A., Chang E.F., Young N.M., Zeng F.-G., Lesica N.A., Bur A.M., Kavookjian H., Mussatto C., Penn J., Goodwin S., Kraft S., Wang G., Cohen J.M., Ginsburg G.S., Dawson G., Francis H.W. Harnessing the Power of Artificial Intelligence in Otolaryngology and the Communication Sciences // Journal of the Association for Research in Otolaryngology. 2022. Vol. 23. No 3. P. 319–349. DOI 10.1007/s10162-022-00846-2. 30. Xiao J., Wolter N.E., Davies J.C., Propst E.J., Crowson M.G., Siu J.M. Artificial Intelligence in Surgical Training and Applications to Otolaryngology: A Scoping Review // The Laryngoscope. 2025. Vol. 135. No 10. P. 3520–3534. DOI 10.1002/lary.32246. Поступила в редакцию: 12.10.2025 © Европейцева Е. Н., 2025. Принята в печать: 17.11.2025