В.Г. Никитаев1, Т.Г. Геворкян2, А.Н. Проничев3, Т.Н. Заботина4, О.В. Нагорнов5, А.А. Борунова6, А.С. Самофалова7, М.С. Торосян8

1,3,4,8 ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)

2,4,6,8 ФГБУ «Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина» Минздрава России (Москва, Россия)

7 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 VGNikitayev@mephi.ru, 2 t.gevorkian@ronc.ru, 3 anpronichev@mephi.ru, 4 tnz@ronc.ru, 5 OVNagornov@mephi.ru, 6 a.borunova@ronc.ru, 7 malinka.alya8@yandex.ru, 8 torosyan.marlen@yandex.ru

Постановка проблемы. Технологии искусственного интеллекта, естественно, могут быть эффективно использованы при построении компьютерных комплексов лазерной проточной цитометрии и повышении достоверности решений – в иммуноло-гии, онкогематолии, вирусологии и других областях. Однако здесь следует отметить, что до настоящего времени нерешенной проблемой остается использование врачами лабораторной диагностики визуального анализа больших данных с их ручной обработкой с целью выявления популяций лейкоцитов – ключевых объектов исследования вышеперечисленных областей. Решение этой проблемы напрямую связано с интерпретацией кластеров в цитометрических данных, в конечном итоге – с задачей распознавания.

Цель. Разработать новый метод кластеризации для распознавания популяций лейкоцитов (гранулоцитов, лимфоцитов и моноцитов) по результатам анализа данных лазерной проточной цитометрии в системах поддержки принятия врачебных решений в иммунологии и онкогематологии.

Результаты. Проведено научное обоснование предложенного оригинального метода кластеризации цитометрических данных с целью распознавания перечисленных популяций лейкоцитов. Установлено, что эксперимент на 110 000 клеток указанного вида продемонстрировал точность распознавания популяций: гранулоцитов 96%, лимфоцитов 95% и моноцитов 87% и среднюю точность 93%; отмечено, что исходные данные взяты из открытого источника в интернете.

Практическая значимость. Предложенный метод может быть применен в проточной цитометрии для распознавания клеточных популяций и субпопуляций лейкоцитов в отечественной клинической иммунологии и онкогематологии. Полученные результаты носят фундаментальный характер.

Никитаев В.Г., Геворкян Т.Г., Проничев А.Н., Заботина Т.Н., Нагорнов О.В., Борунова А.А., Самофалова А.С., Торосян М.С. Искусственный интеллект в российских системах лазерной проточной цитометрии: распознавание популяций лейкоцитов. Новый метод кластеризации // Биомедицинская радиоэлектроника. 2026. Т. 29. № 6. С. 8−13. DOI: https://doi.org/10.18127/j15604136-202606-02

1. Заботина Т.Н., Короткова О.В., Борунова А.А. и др. Многопараметровое исследование иммунофенотипа лимфоцитов, инфильтрирующих опухоль, у онкологических больных // Российский онкологический журнал. 2016. Т. 21. № 1–2. С. 51–54.
2. Никитаев В.Г. Высокотехнологичные информационно-измерительные комплексы онкологической диагностики: проблемы и ключевые положения методологии построения // Измерительная техника. 2015. № 2. С. 68–70.
3. Патент № 2818081 C2 (РФ). Способ выявления клеток Березовского – Рида – Штернберга в лимфатических узлах пациентов с классической лимфомой Ходжкина методом 11‑параметровой проточной цитометрии высокого разрешения / Л.Ю. Гривцова, А.А. Мельникова, Т.Ю. Мушкарина и др.; патентообладатель ФГБУ «НМИЦ радиологии» Министерства здравоохранения РФ.
4. Орехов А.В., Шишкин В.И., Кудрявцева Г.В. и др. Автоматическое получение «упрощенной лейкоцитарной формулы» методами проточной цитофлуориметрии и кластерного анализа // Вестник СПбГУ. Прикладная математика. Информатика. 2023. Т. 19. № 4. С. 469–483.
5. Hussain T., Halappanavar M., Chatterjee S. et al. Parallel median consensus clustering in complex networks // Scientific Reports. 2025. V. 15. № 1. Art. № 3788.
6. Flow Cytometry datasets consisting of peripheral blood and bone marrow samples for the evaluation of explainable artificial intelligence methods. Mendeley Data. [Электронный ресурс]. URL: https://data.mendeley.com/datasets/jk4dt6wprv/1 (дата обращения 22.11.2025).
7. Anderson T.W. An Introduction to Multivariate Statistical Analysis. 3rd ed. Hoboken. NJ: John Wiley & Sons. 2003. P. 742.
8. Hussain M.T., Halappanavar M., Chatterjee S., Radicchi F., Fortunato S., Azad A. Parallel median consensus clustering in complex networks // Scientific Reports. 2025. V. 15. № 1. Art. № 3788.
9. Никитаев В.Г., Геворкян Т.Г., Проничев А.Н., Заботина Т.Н., Нагорнов О.В., Весна Е.Б., Борунова А.А., Торосян М.С. Искусственный интеллект в системах проточной цитометрии: метод увеличения скорости обработки больших данных. Проблемы и решения // Биомедицинская радиоэлектроника. 2026. T. 29. № 3. С. 50−54.