Рак молочной железы остаётся ведущей причиной заболеваемости и смертности от злокачественных новообразований среди женщин во всём мире. Основные проблемы включают раннюю диагностику, точную постановку диагноза, оценку прогноза и прогнозирование ответа на терапию. Искусственный интеллект (ИИ), включая машинное обучение (machine learning) и глубокое обучение (deep learning), активно внедряется в анализ многомерных данных: изображений, патоморфологических, геномных и клинических сведений. Однако стремительное расширение литературы привело к существенной фрагментации по клиническим задачам, типам данных, алгоритмическим парадигмам и программным экосистемам.

Авторы провели комплексный библиометрический анализ публикаций по применению ИИ в исследованиях рака молочной железы, используя базы данных Scopus и Web of Science. В отличие от предыдущих библиометрических работ, сосредоточенных главным образом на цитируемости, настоящее исследование ориентировано на клинические задачи и методологию, интегрируя анализ публикационной активности, картирование научных направлений и эволюцию тематических кластеров.

Ключевые исследовательские вопросы включали:

• Эволюцию применения ИИ в диагностике, прогнозировании течения и предсказании ответа на терапию
• Распространение практик объяснимого ИИ (explainable AI) и оптимизации гиперпараметров
• Используемые наборы данных, программные платформы и алгоритмы, формирующие область
• Роль маммографии как основной модальности визуализации
• Новые «горячие точки» исследований, включая архитектуры на основе трансформеров (transformer-based architectures)

Анализ выявил структурированную картину развития ИИ-приложений по трём основным клиническим направлениям: диагностика, прогноз и оценка терапевтического ответа. Маммография остаётся центральной модальностью для внедрения алгоритмов ИИ в скрининг и раннюю детекцию.

Методологические тренды показывают растущее внимание к:

• Объяснимым моделям ИИ, позволяющим клиницистам понимать логику принятия решений алгоритмом
• Систематической оптимизации гиперпараметров для повышения воспроизводимости результатов
• Архитектурам на основе трансформеров, заимствованным из обработки естественного языка и адаптированным для анализа изображений

Авторы подчёркивают, что успешный переход от исследовательских прототипов к клинической практике требует не только высоких показателей точности, но и воспроизводимости, интерпретируемости и интеграции в существующие рабочие процессы. Обзор предоставляет практические рекомендации для исследователей и разработчиков, направленные на создание ИИ-систем, пригодных для рутинного применения в онкомаммологической помощи.

Работа представляет комплексную библиометрическую основу для понимания текущего состояния и перспективных направлений применения искусственного интеллекта в исследованиях рака молочной железы, с акцентом на клиническую применимость и методологическую строгость.