Систематический поиск в PubMed, Web of Science, Scopus, ScienceDirect и Google Scholar (до 20 апреля 2026 г., дополненный обратным цитированием и таргетным поиском 30 наиболее релевантных результатов) выявил 51 исследование по применению машинного обучения, глубокого обучения и компьютерного анализа изображений для оценки опухоль-инфильтрирующих лимфоцитов (TILs) в гистопатологии рака молочной железы. Работы сгруппированы по основному применению: 19 исследований детекции/классификации, 18 — прогнозирования исходов и 14 — предсказания ответа на лечение. Извлечённые переменные включали источник данных, тип образца, семейство модели, стратегию аннотации, дизайн валидации, использование клинического компаратора, калибровку, decision-curve analysis, инкрементальную ценность, воспроизводимость и методологические проблемы.
Внешняя валидация выполнена в 31,6% исследований детекции/классификации, 61,1% работ по прогнозированию исходов и 57,1% — по предсказанию ответа на терапию. Использование клинического компаратора возрастало в том же континууме: от 63,2% до 94,4% и 92,9% соответственно. Однако калибровка описана лишь в одном исследовании прогнозирования (5,6%) и ни в одном — детекции/классификации или предсказания ответа. Decision-curve analysis также ограничен единственной работой по прогнозированию.
Дисбаланс классов зарегистрирован практически повсеместно (94,7–100% во всех кластерах). Устойчивость к вариабельности сканера/окраски рассмотрена в большинстве исследований (63,2–83,3%), но анализ справедливости или подгрупповые анализы освещены непоследовательно (27,8–57,1%). Гетерогенность в конечных точках и метриках производительности не позволила провести количественный синтез; результаты представлены дескриптивно.
Машинное обучение для оценки TILs при раке молочной железы технически активно, но клинически недостаточно валидировано. Будущие исследования должны переходить от разработки моделей к внешне валидированным, калибровкам, клинически сопоставимым, воспроизводимым и релевантным для принятия решений доказательствам, используя кластер-специфичные стандарты планирования для детекции, прогнозирования и предсказания ответа на лечение. Систематический обзор зарегистрирован в PROSPERO (CRD42024574566).