Використання штучного інтелекту в медичній морфології та медичній освіті

Автор(и)

  • О.Г. Алієва Запорізький державний медико-фармацевтичний університет, Запоріжжя, Україна https://orcid.org/0000-0003-1287-674X
  • Г.О. Звягіна Запорізький державний медико-фармацевтичний університет, Запоріжжя, Україна https://orcid.org/0000-0002-9778-6833
  • О.І. Потоцька Запорізький державний медико-фармацевтичний університет, Запоріжжя, Україна https://orcid.org/0000-0002-7635-5129
  • Л.В. Макєєва Запорізький державний медико-фармацевтичний університет, Запоріжжя, Україна https://orcid.org/0000-0002-3188-2638
  • Т.С. Громоковська Запорізький державний медико-фармацевтичний університет, Запоріжжя, Україна https://orcid.org/0000-0003-0729-8818

DOI:

https://doi.org/10.26641/1997-9665.2025.3.191-195

Ключові слова:

штучний інтелект, гістологія, медична освіта, цифрові технології, VR/AR-технології, згорткові нейронні мережі.

Анотація

Актуальність. Сучасна наука переживає етап стрімкого розвитку завдяки інтеграції інноваційних цифрових технологій, серед яких провідне місце посідає штучний інтелект (ШІ). У морфології ШІ відкриває нові можливості для аналізу великих масивів даних, автоматизації аналізу зображень та моделювання складних процесів У сфері медичної освіти впровадження ШІ змінює традиційні підходи до викладання морфологічних дисциплін і визначає нові напрями розвитку медичної освіти. Мета. Аналіз можливостей і способів використання ШІ у медичної морфології та у навчальному процесі з гістології, цитології та ембріології. Методи. Серед використаних нами присутні комплексні – практичного спрямування – аналізу, синтезу, індукції та дедукції та спеціальні ‒ компонентного аналізу. Результати. Використання ШІ у морфологічній науці дозволяє автоматизувати процеси аналізу клітин і тканин, виявляти малопомітні закономірності та створювати масштабні цифрові бази гістологічних зображень. Застосування CNN, U-Net та Vision Transformers дозволяє автоматизувати аналіз препаратів, підвищити точність морфометрії та забезпечити стандартизовану оцінку морфологічних змін. У навчальному процесі інтеграція цифрових платформ, віртуальних мікроскопів і симуляторів (Labster, Anatomage, Organon, QuPath, PathPre­senter), VR/AR-технологій та Explainable AI забезпечує інтерактивність, персоналізацію та глибоке занурення студентів у будову тканин і органів, сприяє розвитку мислення та аналітичних навичок. Підсумок. Використання ШІ у морфології та викладанні гістології є стратегічним напрямом розвитку медицини та освіти. Інтеграція цифрових платформ, віртуальних лабораторій, VR/AR-платформ робить навчання інтерактивним, персоналізованим і практикоорієнтованим. Поєднання традиційних методів із ШІ підвищує мотивацію, формує критичне мислення та готує майбутніх лікарів до роботи в умовах цифрової медицини.

Посилання

Grzybowski A, Pawlikowska-Łagód K, Lambert WC. A History of Artificial Intelligence. Clin Dermatol. 2024;42(3):221-9. doi: 10.1016/j.clindermatol.2023.12.016.

El Arab RA, Alkhunaizi M, Alhashem YN, Al Khatib A, Bubsheet M, Hassanein S. Artificial intelligence in vaccine research and development: an umbrella review. Front Immunol. 2025;16:1567116. doi: 10.3389/fimmu.2025.1567116.

Dwivedi YK, Sharma A, Rana NP, Giannakis M, Goel P, Dutot V. Evolution of artificial intelligence research in Technological Forecasting and Social Change: Research topics, trends, and future directions. Technol Forecast Soc Change. 2023;192. doi: 10.1016/j.techfore.2023.122579.

Ali MU, Kim KS, Khalid M, Farrash M, Zafar A, Lee SW. Enhancing Alzheimer's disease diagnosis and staging: a multistage CNN framework using MRI. Front Psychiatry. 2024;15:1395563. doi: 10.3389/fpsyt.2024.1395563.

El-Assy AM, Amer HM, Ibrahim HM, et al. A novel CNN architecture for accurate early detection and classification of Alzheimer’s disease using MRI data. Sci Rep. 2024;14:3463. doi: 10.1038/s41598-024-53733-6

Giarnieri E, Scardapane S. Towards Artificial Intelligence Applications in Next Generation Cytopathology. Biomedicines. 2023;11(8):2225. doi: 10.3390/biomedicines11082225.

Liu G, Dong F, Fu C, Smith ZJ. Automated morphometry toolbox for analysis of microscopic model organisms using simple bright-field imaging. Biol Open. 2019;8(3):bio037788. doi: 10.1242/ bio.037788. PMID: 30814065.

Ruffinatti FA, Genova T, Mussano F, Munaron L. MORPHEUS: An automated tool for unbiased and reproducible cell morphometry. J Cell Physiol. 2020;235(12):10110-5. doi: 10.1002/jcp.29768.

Bourn MD, Daly LF, Huggett JF, Braybrook J, Rivera JF. Evaluation of image analysis tools for the measurement of cellular morphology. Front Cell Dev Biol. 2025;13:1572212. doi: 10.3389/ fcell.2025.1572212.

Shafi S, Parwani AV. Artificial intelligence in diagnostic pathology. Diagn Pathol. 2023;18(1):109. doi: 10.1186/s13000-023-01375-z.

Baghdadi A, Lama S, Singh R, et al. Tool-tissue force segmentation and pattern recognition for evaluating neurosurgical performance. Sci Rep. 2023;13:9591. doi: 10.1038/s41598-023-36702-3.

Canales-Fiscal MR, Tamez-Peña JG. Hybrid morphological-convolutional neural networks for computer-aided diagnosis. Front Artif Intell. 2023;6:1253183. doi: 10.3389/frai.2023.1253183.

Gedefaw L, Liu CF, Ip RKL, Tse HF, Yeung MHY, Yip SP, Huang CL. Artificial Intelligence-Assisted Diagnostic Cytology and Genomic Testing for Hematologic Disorders. Cells. 2023;12(13):1755. doi: 10.3390/cells12131755.

Huang Y, Chen L, Zhang Z, Liu Y, et al. Integration of histopathological image features and omics data in predicting molecular features and survival in glioblastoma. Front Med. 2025;12: 1510793. doi: 10.3389/fmed.2025.1510793.

Bajčetić M, Mirčić A, Rakočević J, Đoković D, Milutinović K, Zaletel I. Comparing the performance of artificial intelligence learning models to medical students in solving histology and embryology multiple choice questions. Ann Anat. 2024;254:152261. doi: 10.1016/j.aanat.2024.152261.

Pati P, Karkampouna S, Bonollo F, Compérat E, Radić M, et al. Accelerating histopathology workflows with generative AI-based virtually multiplexed tumour profiling. Nat Mach Intell. 2024; 6(9):1077-93. doi: 10.1038/s42256-024-00889-5.

Li YX, Chen F, Shi JJ, Huang YL, Wang M. Convolutional Neural Networks for Classifying Cervical Cancer Types Using Histological Images. J Digit Imaging. 2023;36(2):441-9. doi: 10.1007/ s10278-022-00722-8.

Greeley C, Holder L, Nilsson EE, Skinner MK. Scalable deep learning artificial intelligence slide analysis and validation. Sci Rep. 2024;14(1): 26748. doi: 10.1038/s41598-024-76807-x.

Li J, Sarma KV, Chung HoK, Gertych A, Knudsen BS, Arnold CW. A Multi-scale U-Net for Semantic Segmentation of Histological Images from Radical Prostatectomies. AMIA Annu Symp Proc. 2018;2017:1140-8. PMID: 29854182.

Kosaraju S, Park J, Lee H, Yang JW, Kang M. Deep learning-based framework for slide-based histopathological image analysis. Sci Rep. 2022; 12(1):19075. doi: 10.1038/s41598-022-23166-0.

##submission.downloads##

Опубліковано

2025-10-30

Номер

Розділ

Статті