Рак молочной железы остаётся ведущей причиной онкологической заболеваемости и смертности среди женщин во всём мире, при этом сохраняются проблемы ранней диагностики, точной интерпретации изображений, оценки прогноза и предсказания ответа на терапию. Искусственный интеллект (ИИ), включая машинное обучение (ML) и глубокое обучение (DL), стремительно внедряется в исследования РМЖ, позволяя анализировать многомерные данные визуализации, патоморфологии, геномики и клинических баз. Однако быстрая экспансия литературы привела к существенной фрагментации — различные клинические задачи (диагностика, прогноз, предсказание ответа на терапию), модальности данных (маммография, МРТ, гистология, геномика), алгоритмические парадигмы (CNN, трансформеры, классические ML-методы) и программные экосистемы (TensorFlow, PyTorch, scikit-learn) развиваются независимо, затрудняя сопоставление результатов и клиническое внедрение.

Авторы провели систематический библиометрический анализ недавно опубликованных работ по применению ИИ при РМЖ, используя Scopus и Web of Science как первичные источники. В отличие от предыдущих обзоров, фокусировавшихся на метриках цитирования, данная работа применила task-aware, methodology-centric подход, интегрирующий performance analysis, science mapping и тематическую эволюцию. Исследование направлено на ответы на следующие вопросы:

• Как эволюционирует применение ИИ в диагностике, прогнозировании и оценке ответа на терапию РМЖ?
• Насколько распространены практики explainable AI (объяснимого ИИ) и оптимизации гиперпараметров?
• Какие датасеты, программные фреймворки и алгоритмы доминируют в области?
• Какова роль маммографии как основной модальности?
• Какие новые исследовательские направления (например, transformer-архитектуры) выходят на первый план?

Библиометрический анализ выявил значительную гетерогенность методологий и отсутствие единых стандартов валидации. Маммография остаётся доминирующей модальностью для ИИ-приложений, что объясняется её доступностью в скрининге и наличием крупных открытых датасетов. Однако интеграция мультимодальных данных (МРТ, УЗИ, гистопатология, геномика) пока недостаточна.

Explainable AI (XAI) — методы интерпретации решений нейросетей (например, Grad-CAM, SHAP, LIME) — используются непоследовательно: многие работы не предоставляют объяснений предсказаний модели, что критично для клинического доверия. Аналогично, оптимизация гиперпараметров часто проводится ad hoc, без систематического grid/random/Bayesian search, снижая воспроизводимость.

Анализ программных экосистем показал доминирование глубокого обучения (TensorFlow, Keras, PyTorch) над классическими ML-библиотеками (scikit-learn, XGBoost). Среди архитектур преобладают сверточные сети (CNN: ResNet, VGG, DenseNet, EfficientNet), но трансформеры (Vision Transformers, Swin Transformers) активно выходят на передний план как новое исследовательское направление благодаря способности моделировать дальние зависимости в изображениях.

Эволюция клинических задач демонстрирует переход от чистой классификации (доброкачественное/злокачественное) к более сложным задачам:

• Прогнозирование молекулярных подтипов (ER/PR/HER2, Luminal A/B, Triple-negative) по радиомике и гистологии
• Оценка патологического полного ответа (pCR) после неоадъювантной химиотерапии
• Предсказание риска рецидива и выживаемости на основе мультиомиксных данных

Тем не менее, большинство работ остаются ретроспективными и одноцентровыми, внешняя валидация и проспективные когорты редки.

Работа предлагает actionable insights для построения воспроизводимых, интерпретируемых и клинически интегрируемых ИИ-систем в маммологии:

1. Стандартизация методологии: унификация протоколов препроцессинга, аугментации, валидации и отчётности (например, TRIPOD-AI, STARD-AI).
2. Обязательное внедрение XAI: объяснимость должна быть встроена в дизайн исследований, а не добавляться постфактум.
3. Мультимодальная интеграция: комбинирование маммографии, МРТ, патоморфологии, геномики и клинических данных через late/early/intermediate fusion.
4. Проспективная валидация: переход от ретроспективных датасетов к реальным клиническим потокам.
5. Открытые датасеты и код: поощрение практик open science для репликации результатов.

Выделенные emerging hotspots — трансформеры, федеративное обучение (для защиты данных пациентов), self-supervised learning (для уменьшения зависимости от разметки) и радиогеномика — обозначают направления будущих инвестиций в исследования и разработку ИИ для РМЖ.

Систематический библиометрический подход позволяет онкологам и исследователям ориентироваться в быстро растущей литературе и принимать обоснованные решения о выборе методов и инструментов, избегая методологических ловушек и способствуя клинической трансляции ИИ-технологий.