Международная группа исследователей провела систематический библиометрический анализ применения машинного обучения (ML) в исследованиях трижды негативного рака молочной железы (ТНРМЖ) — наиболее агрессивного подтипа с минимумом терапевтических мишеней. Проанализировав 394 публикации из Web of Science и Scopus за период 2011–2026 гг., авторы обнаружили структурный разрыв между вычислительными разработками и клинической валидацией.
Ключевые находки количественного анализа:
- 394 исследования по разработке ML-моделей
- 24 ретроспективные валидационные работы (6,1%) — соотношение валидация:разработка = 16:1
- 9 зарегистрированных клинических испытаний (2,3%) — соотношение проспективные испытания:разработка = 44:1
- 0 проспективных интервенционных испытаний
Внешняя валидация через PubMed подтвердила высокую согласованность основного анализа, но усилила выводы о дефиците клинической трансляции.
Китай лидирует по объёму публикаций (180 работ), США — по академическому влиянию (в среднем 39,09 цитирований на статью). Сетевой анализ показал глобальную коллаборативную структуру с двумя хабами — Китай и США.
Анализ со-встречаемости ключевых слов выделил шесть тематических кластеров, соответствующих трём доменам:
- Понимание заболевания (биология опухоли, микроокружение)
- Методологические инновации (deep learning, радиомика, мультиомиксные подходы)
- Клиническая трансляция (прогностические модели, диагностика)
Анализ цитирования выявил три наиболее динамично развивающиеся направления:
- Deep learning (глубокое обучение)
- Radiomics (радиомика)
- Tumor-infiltrating lymphocytes (опухоль-инфильтрирующие лимфоциты)
Кластерный анализ со-цитируемой литературы идентифицировал три доминирующие исследовательские темы: прогностические модели, радиомическая диагностика и мультиомиксная интеграция.
Авторы подчёркивают: исследовательская парадигма остаётся преимущественно методологически-ориентированной, а не клинически-заякоренной. Несмотря на взрывной рост публикаций о применении ML при ТНРМЖ, клиническая валидация остаётся исключительно редкой.
Критический вывод: существует масштабный разрыв между вычислительным выходом публикаций и клиническими доказательствами. Для преодоления этой структурной трансляционной пропасти необходимы многоцентровые проспективные клинические испытания с пациент-ориентированными конечными точками.
Текущие горячие точки (радиомика, deep learning, мультиомиксные биомаркеры) демонстрируют высокую методологическую активность, но их клиническая полезность остаётся недоказанной в условиях проспективных испытаний. Соотношение 44:1 между разработками и клиническими испытаниями указывает на критическую необходимость смещения акцента с публикационной продуктивности на клиническую валидацию и внедрение.