Use of artificial intelligence in obstetrics and gynecology – from origins to current trends

• Igor S. Zakharov
• Mikhail G. Karailanov
• Alexandr A. Bezmenko
• Alina A. Nazarenko
• Olga A. Sharshova
• Anatoly R. Sharshov

Abstract

The development of artificial intelligence (AI) technologies is a priority area of ​​scientific and technological research worldwide, including in healthcare. Recently, a steady increase in the number of scientific publications addressing the application of AI in medicine has been noted. This article analyzes scientific material devoted to the use of AI in providing medical care in the field of obstetrics and gynecology. For the initial identification of articles, 1,599 publications were analyzed in the search engines PubMed, Cochrane, and elibrary.ru for the period from 1985 to 2025. Modern machine learning technologies are actively used in the diagnosis of pregnancy pathologies, in radiation and laboratory diagnostics of gynecological diseases, in the evaluation of ultrasound images in obstetrics, in the interpretation of colposcopic images and cardiotocograms, with the aim of improving the results of assisted reproductive technologies, automating and increasing the accuracy of surgical interventions, training medical personnel, and modifying patients’ lifestyles. The implementation of AI facilitates a personalized approach, improves treatment effectiveness, and reduces the burden on medical staff. It is essential to educate and train specialists in the use of AI in healthcare, and provide support and advice in this area.

Keywords: artificial intelligence; machine learning; digital technologies; neural network; obstetrics and gynecology; assisted reproductive technologies

Введение

Использование искусственного интеллекта (ИИ) в медицинской практике в ближайшем будущем может стать одним из ключевых направлений здравоохранения. Увеличение объема медицинской информации, усложнение диагностических задач и необходимость персонализированного подхода к лечению делают ИИ незаменимым инструментом в достижении цели повышения эффективности и качества медицинской помощи.

Понятие искусственный интеллект (англ. artificial intelligence - AI) включает комплекс технологических решений, позволяющих имитировать когнитивные функции человека и получать при выполнении конкретных задач результаты, сопоставимые с результатами интеллектуальной деятельности человека или превосходящие их. Согласно указу Президента Российской Федерации "О развитии искусственного интеллекта в Российской Федерации" (2019), одним из приоритетных направлений в развитии и использовании технологий ИИ является повышение качества услуг в сфере здравоохранения, а именно: при профилактических обследованиях, в диагностике, основанной на анализе изображений, в прогнозировании возникновения и развития заболеваний, подборе оптимальных дозировок лекарственных препаратов, автоматизации и точности хирургических вмешательств.

Возникновению ИИ предшествовало создание в 1943 г. нейрофизиологом W.S. McCulloch и математиком W. Pitts первой модели искусственного нейрона. В своей статье A logical calculus of the ideas immanent innervous activity ("Логическое исчисление идей, имманентных в нервной деятельности") авторы высказали предположение о том, что искусственная нейронная сеть (НС), подобно естественной НС, способна выполнять различные логические и математические операции [1]. В 1950 г. A.M. Turing в публикации Computing machinery and intelligence ("Вычислительная техника и интеллект") сформулировал концепцию машинного обучения и искусственного интеллекта [2]. Впоследствии тест для оценки способности машины имитировать человеческое поведение был назван тестом Тьюринга. Сам термин "искусственный интеллект" впервые был употреблен J. McCarthy 15 июня 1956 г. на семинаре в Дартмутском университете (США).

Одной из первых систем искусственного интеллекта (СИИ) в медицине стала клиническая модель MYCIN, разработанная в начале 1970-х годов американским биомедицинским программистом E.H. Shortliffe [3]. Данная СИИ была создана с целью выявления бактериальных инфекций, а также для расчета оптимальной дозировки антибиотиков с учетом массы тела пациента. Название программы MYCIN - это аллюзия к наименованиям многих антибактериальных препаратов. При работе с указанной системой врач должен был ответить на ряд вопросов. На основе полученных данных MYCIN формировала перечень потенциальных возбудителей инфекции для обследуемого пациента, ранжированный по степени вероятности инфицирования. Кроме того, предлагались персонализированные рекомендации по назначению антибактериальной терапии. Следует отметить тот факт, что точность выводов, сделанных MYCIN, превосходила результаты экспертной оценки, что стало значимым прорывом в развитии ИИ. Однако MYCIN в полной мере так и не была использована в клинической практике в связи с низким общим уровнем состояния компьютерных технологий на момент создания системы. Параллельно с MYCIN была создана система экспертной оценки INTERNIST-I, направленная на выявление терапевтической патологии, но разработка данной программы также имела больше научное, чем прикладное значение [4].

Функционирование ИИ основано на методах машинного обучения (МО), включающих использование ряда шаблонов при анализе определенных данных. Машинное обучение (machine learning - ML) делится на контролируемое (supervised machine learning - SML) и неконтролируемое (unsupervised machine learning - UML). SML основано на изучении аннотированных (размеченных) данных, при UML алгоритм распознает структуру в неразмеченных данных, определяя скрытые закономерности. Одним из видов МО является глубокое обучение (deep learning), представляющее сочетание алгоритмов для формирования искусственной нейронной сети (artificial neural network, ANN). ANN способна к обучению, классифицируя информацию и принимая решения без внешнего вмешательства, что приближает ее функционирование к принципам работы человеческого мозга. Этот процесс самообучения основывается на применении иерархических архитектур, которые последовательно выявляют и анализируют ключевые признаки из обширных массивов входных данных.

В процессе развития ИИ была разработана сверточная нейронная сеть (convolutional neural network, CNN). В настоящее время CNN является одной из наиболее распространенных форм глубокого обучения, целью которой является анализ изображений путем выявления закономерностей по принципу "от простых линий до сложных объектов". В сверточной нейронной сети выделяют несколько слоев: сверточные слои, отвечающие за выделение ключевых особенностей изображения; пулинговые слои, снижающие количество данных, оставляя ключевые элементы; полносвязные слои, обобщающие информацию и формирующие итоговый результат [5].

Развитие технологий ИИ является приоритетным направлением научно-технических разработок во всем мире. Так, согласно отчету CB Insights (компании, занимающейся бизнес-аналитикой, предоставляющей информацию о частных организациях и деятельности инвесторов), финансирование ИИ в I квартале 2025 г. увеличилось до 66,6 млрд долл. (рис. 1). При этом следует отметить, что в структуре инвестирования доминируют компании из сферы здравоохранения (рис. 2) [6].

Одним из ключевых направлений, где активно применяются технологии ИИ, является оказание медицинской помощи по профилю "Акушерство и гинекология" [7, 8]. Увеличение объема научной информации по данному разделу определило цель настоящей работы - изучение и структурирование научного материала, посвященного использованию ИИ в акушерстве и гинекологии.

Материал и методы

При выполнении первичной идентификации статей было проанализировано 1599 научных публикаций в поисковых системах PubMed, Cochrane, eLibrary.ru по ключевым словам и их комбинациям на русском и английском языках за период с 1985 по 2025 г.: "искусственный интеллект", "машинное обучение", "цифровые технологии", "нейронная сеть", "акушерство и гинекология", "вспомогательные репродуктивные технологии". Указанные ключевые слова определили критерии включения.

Критериями исключения стали: отсутствие в статье информации, описывающей применение ИИ при оказании медицинской помощи по профилю "Акушерство и гинекология"; исключались публикации, повторяющиеся в различных поисковых системах. Кластерный анализ основных направлений, где применяется ИИ, выполнялся с использованием программы VOS Viewer.

Результаты и обсуждение

Возрастание интереса к использованию ИИ в акушерстве и гинекологии, проявляющегося в неуклонном росте количества научных публикаций по данному направлению, наглядно отражено на рис. 3 (приведенные данные актуальны на конец октября 2025 г.). Обращает на себя внимание тот факт, что значимое увеличение числа научных работ совпало с началом пандемии COVID-19 - периодом развития цифровых технологий, включая телемедицину и системы искусственного интеллекта.

С помощью кластерного анализа была проведена систематизация ключевых направлений применения ИИ-технологий в акушерстве и гинекологии (рис. 4).

В настоящее время технологии ИИ используются в диагностике патологии беременности, лучевой и лабораторной диагностике гинекологических заболеваний, при оценке эхографических изображений в акушерстве, интерпретации кольпоскопических изображений, кардиотокограмм, с целью улучшения результатов программ вспомогательных репродуктивных технологий (ВРТ), автоматизации и повышении точности хирургических вмешательств, обучении медицинского персонала, в модификации образа жизни пациенток. Ниже приведены некоторые научные публикации, характеризующие спектр применения ИИ при оказании медицинской помощи по профилю "Акушерство и гинекология".

Искусственный интеллект в акушерстве

Важное место при использовании ИИ в акушерстве отведено мониторингу и ведению беременности, а также прогнозированию осложнений гестации. Существуют научные разработки, направленные на применение ИИ в прогнозировании риска развития преэклампсии (ПЭ) [9, 10]. Так, A. Bülez и соавт. (2024) создал систему ИИ для ранней диагностики ПЭ, основанную на оценке показателей возраста, уровней гемоглобина, аспартатаминотрансферазы, аланин­аминотрансферазы и группы крови у беременных. Чувствительность модели составила 73,7% (95% ДИ 70,2-77,1%), специфичность - 92,7% (95% ДИ 91,7-93,6%), точность - 90,6% (95% ДИ 90,1-91,1%) [11].

ИИ активно интегрируется в лучевую диагностику, включая антенатальную эхографию [12, 13]. В настоящее время ведутся многоцентровые научные работы по развитию нейронных сетей, позволяющих выявлять различные врожденные пороки. В Великобритании исследовательская группа CAIFE на основании созданного протокола международного многоцентрового междисциплинарного исследования "Клинический искусственный интеллект в пренатальной эхокардиографии" апробирует систему пренатальной диагностики врожденных пороков сердца, основанную на глубоком МО, с помощью анализа изображений и видео, полученных при ультразвуковом исследовании [14]. F. Li (2024) с группой соавторов создали комбинированную систему, включающую сочетание ИИ и ультразвуковой визуализации с целью повышения уровня диагностики дефектов межжелудочковой перегородки (ДМЖП) сердца плода. Было отмечено, что представленный метод имеет высокую степень согласия с экспертным распознаванием и может увеличить точность и скорость диагностики ДМЖП [15].

M.A. Bachnas и соавт. (2024) использовали ИИ для улучшения 3D/4D ультразвукового анализа профилей лица плода с целью выявления врожденных аномалий [13]. Одной из составляющих ультразвуковой диагностики в перинатологии является фетометрия, подразумевающая определенный опыта врача. Проблема дефицита специальных навыков решается путем внедрения в аппараты УЗИ систем ИИ, которые способны самостоятельно с высокой точностью оценивать необходимые параметры (например, окружность головы плода) [16]. N. Patel и соавт. (2025) на основании данных УЗИ создали систему ИИ, способную предсказывать срок родов. При этом отмечается, что нейросеть с ограниченной точностью может оценивать вероятность в том числе и преждевременных родов [17].

S. Murugesu и соавт. (2025) на основании МО разработали модель, позволяющую осуществлять выбор тактики ведения при невынашивании беременности [18]. Y. Kaya и соавт. (2024) на основе МО определили наиболее эффективный алгоритм для прогнозирования гестационного сахарного диабета (ГСД), основанный на социально-демографических и акушерских характеристиках беременной [19]. Кроме того, ИИ в настоящее время используется в управлении лечением ГСД с учетом персонализированного подхода [20]. X. Hao и соавт. создали модель, направленную на прогнозирование неблагоприятных исходов беременности у женщин с системной красной волчанкой [21].

Существуют публикации, описывающие применение ИИ в прогнозировании осложнений родового акта и течения послеродового периода. Так, M. Lipschuetz и соавт. (2024) на основании цифрового анализа электронных медицинских карт предложили систему оценки риска перипартальных осложнений [22]. S. Boie и соавт. (2024) сформировали модель ИИ для индивидуального прогнозирования вероятности завершения родов путем операции кесарева сечения у женщин, получающих стимуляцию окситоцином при раскрытии шейки матки на 6 см [23]. M. Banaei и соавт. (2024) использовали МО для оценки риска выполнения эпизиотомии у рожениц [24].

M. Yang и соавт. (2025) представили модель МО для изучения возможности родов через естественные родовые пути после ранее перенесенной операции кесарева сечения. Площадь под ROC-кривой представленной модели составила 0,767 (95% ДИ 0,685-0,865), чувствительность - 0,714 (95% ДИ 0,576-0,840), специфичность - 0,639 (95% ДИ 0,574-0,70), точность - 0,652 (95% ДИ 0,602-0,713). При этом наибольшим прогностическим весом обладали оценка зрелости шейки матки по шкале Bishop и длительность интервала между беременностями [25].

C. Susanu и соавт. (2024) создали модель, предназначенную для определения риска послеродового кровотечения, превосходящую по точности другие алгоритмы, с чувствительностью 96,3% [26]. G.K. Yildiz и соавт. (2025) изучили влияние чат-бота с ИИ на исходы грудного вскармливания и материнскую тревожность. Отмечено, что консультирование на основе ИИ положительно влияет на эффективность грудного вскармливания [27].

Наряду с описанными выше направлениями ИИ активно применяется для прогнозирования рисков антенатальных осложнений. Так, K. Sridharan и соавт. (2023) изучили алгоритмы МО, использующих биомаркеры окислительного стресса и однонуклеотидного полиморфизма антиоксидантных ферментов, в оценке вероятности развития респираторного дистресс-синдрома и выраженных нарушений функций печени у плода [28]. В свою очередь, W. Jang и соавт. (2023) представили модель ИИ для прогнозирования респираторного дистресс-синдрома у недоношенных детей, на основании которой было написано веб-приложение. Чувствительность модели составила 83,03%, специфичность - 87,50%, точность - 84,07%, площадь под ROC-кривой - 0,9187 [29]. J.Y. Na и соавт. (2023) на основе МО разработали систему, предсказывающую риск смерти у младенцев с низкой массой тела при рождении [30]. O. Houri и соавт. (2023) создали нейронную сеть, способную оценивать вероятность неблагоприятных исходов для новорожденных при беременности, осложненной ГСД. При этом точность прогнозирования составила от 82 до 91%. Наибольшим прогностическим весом обладали возраст матери, ИМТ до беременности и результаты однократного 3-часового перорального теста на толерантность к глюкозе [31].

Искусственный интеллект в гинекологии

Помимо акушерства и перинатологии, ИИ используется в гинекологической практике. Так, L. Fu и соавт. (2025) предложили систему ИИ SmartGyne, позволяющую на основании анализа электронных медицинских карт с высокой точностью и эффективностью проводить сортировку пациенток и диагностику гинекологических заболеваний [32]. P. Wang и соавт. (2025), используя МО, разработали модель оценки выживаемости пациенток при раке яичников. Представленная модель при внешней валидации продемонстрировала высокую прогностическую способность. При этом многофакторный анализ выявил 5 независимых прогностических факторов: экспрессия p53, проведение лимфаденэктомии, стадия TNM, гиперкоагуляция и экспрессия Ki67. Площадь под ROC-кривой у представленной модели составила 0,771 [95% ДИ 0,709-0,832]. [33]. По данным систематического обзора и метаанализа, проведенного Q. Wang и соавт. (2024) при изучении 1749 опубликованных статей, был сделан вывод о том, что модели, разработанные на основе МО, способны эффективно прогнозировать ответ пациенток с раком яичников на химиотерапию, включающую препараты платины [34]. Ряд публикаций свидетельствует о высокой эффективности прогностических систем, созданных на основе ИИ, в диагностике рака эндометрия [35, 36].

L. Hu и соавт. (2019), используя глубокое МО, на основании архивных данных оцифрованных изображений шейки матки, полученных с помощью камеры с фиксированным фокусом, представили алгоритм диагностики рака шейки матки. При этом точность автоматизированной визуальной оценки изображений была выше, чем при первичной интерпретации исходных снимков [площади под ROC-кривыми составили 0,91 (95% ДИ 0,89-0,93) и 0,69 (95% ДИ 0,63-0,74) соответственно (p<0,001)] [37]. M. Mascarenhas и соавт. (2024) сформировали нейронную сеть, способную путем анализа кольпоскопических изображений диагностировать предраковые состояния шейки матки. Чувствительность модели составила 99,7%, специфичность - 98,6%. Площадь под ROC-кривой составила - 0,98 [38]. Аналогичную разработку провели S.K. Khare и соавт. (2025), предложив модель ИИ для классификации предраковых состояний шейки матки, также основанную на анализе кольпоскопических изображений. В модели применялся модуль сверточных блоков и сверточных слоев, которые извлекали интерпретируемые и репрезентативные признаки из кольпоскопических изображений для диагностики предраковых состояний шейки матки [39].

E. Elishaev и соавт. (2025) оценили эффективность и точность цитологического скрининга шейки матки с помощью системы цифровой диагностики Hologic Genius, основанной на анализе мазков по Папаниколау с использованием технологий ИИ. Данная система продемонстрировала высокую чувствительность (98,2-100%), что позволяет применять ее для оптимизации процесса и сокращения объема ручной работы при проведении ПАП-теста [40].

Искусственный интеллект в репродуктологии

Одним из перспективных направлений применения ИИ в медицине является разработка стратегий по преодолению бесплодия, включая персональный подбор схем лечения, мониторинг ответа на проводимую терапию, селекцию гамет, эмбрионов, неинвазивную диагностику генетического статуса эмбриона, а также прогноз эффективности циклов ВРТ [41]. S. Badr и соавт. (2025) создали модель на основе МО, способную принимать решения по выбору оптимального количества эмбрионов для переноса. Была проведена сравнительная оценка использования четырех алгоритмов МО: Random Forest, Logistic Regression, Support Vector Machine и Artificial Neural Network. Среди представленных моделей максимальной точностью обладала система ИИ, основанная на Support Vector Machine - 95,83%, за ней следовали алгоритмы Artificial Neural Network и Logistic Regression со средней точностью 91%, модель Random Forest показала более низкую среднюю точность - 88,89%, но при этом продемонстрировала наименьшую вариативность [42].

D. Gilboa и соавт. (2025) представили модель ИИ, предназначенную для расчета вероятности наступления беременности после экстракорпорального оплодотворения [43]. Многоцентровое исследование проводилось в 4 этапа: аннотирование набора данных; разработка и оптимизация модели ИИ; оценка производительности ИИ; обеспечение интерпретируемости и объяснимости путем корреляции баллов ИИ с соответствующими морфологическими особенностями качества эмбрионов. Для достижения поставленной цели авторы сформировали 3 набора данных: обучающий и валидационный (n=16 935 эмбрионов), набор данных слепого тестирования (n=1708 эмбрионов), независимый набор данных (n=7445 эмбрионов), полученных из ранее неизвестных когорт клиник. По результатам выполненной работы была продемонстрирована высокая точность алгоритма ИИ в прогнозировании качества получаемых эмбрионов. Также C. Wang и соавт. (2024), используя МО, оценили вероятность развития осложнений, связанных с беременностью, у женщин, использовавших методы ВРТ [44].

Khodabandelu и соавт. (2022) на основе МО предложили классификационную модель, позволяющую прогнозировать успешность внутриматочной инсеминации (ВИ). При этом в изучении потенциальной успешности ВИ наибольшее прогностическое значение имели следующие факторы: продолжительность бесплодия, возраст мужчины и женщины, концентрация и оценка подвижности сперматозоидов [45]. В другом исследовании было изучено влияние различных характеристик сперматозоидов, таких как морфология, подвижность и количество, на вероятность наступления клинической беременности при использовании ВРТ. A. Mehrjerd и соавт. (2024) продемонстрировали, что использование МО может повысить эффективность программ ВРТ [46].

Заключение

В 2026 г. исполняется 70 лет с момента официального употребления термина "искусственный интеллект". Развитие и внедрение ИИ представляет одну из значительных трансформаций в области здравоохранения. В последнее время отмечается неуклонный рост количества публикаций, посвященных применению ИИ в медицине, включая профиль "Акушерство и гинекология". Внедрение технологий ИИ в практическую деятельность врача акушера-гинеколога будет способствовать повышению качества диагностики и прогнозирования заболеваний, формированию персонализированного подхода при оказании медицинской помощи по профилю "Акушерство и гинекология", а также оптимизации работы медицинских организаций. Необходимо проводить обучение и подготовку специалистов в области использования ИИ в здравоохранении, оказывая поддержку и консультирование по данному направлению.

References

1. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys. 1943; 5 (4): 115–33. DOI: https://doi.org/10.1007/BF02478259

2. Turing A. Computing machinery and intelligence. Mind (New Series). 1950; 59: 433–60.

3. Shortliffe E.H., Buchanan B.G. A model of inexact reasoning in medicine. Math Biosci. 1975; 23 (3–4): 351–79. DOI: https://doi.org/10.1016/0025-5564(75)90047-4

4. Wolfram D.A. An appraisal of INTERNIST-I. Artif Intell Med. 1995; 7 (2): 93–116. DOI: https://doi.org/10.1016/0933-3657(94)00028-Q

5. Ghosh A., Sufian A., Sultana F., Chakrabarti A., De D. Fundamental concepts of convolutional neural network. In: Recent Trends and Advances in Artificial Intelligence and Internet of Things. Berlin; Heidelberg: Springer, 2019: 519–67.

6. State of AI Q1’25 Report. URL: https://www.cbinsights.com/research/report/ai-trends-q1-2025 (date of access November 08, 2025).

7. Ishchenko A.I., Dzhibladze T.A., Davydov A.I., Khokhlova I.D., Zuev V.M., Ageev M.B., et al. Artificial intelligence in obstetrics and gynecology. Voprosy ginekologii, akusherstva i perinatologii [Problems of Gynecology, Obstetrics and Perinatology]. 2025; 24 (1): 75–88. DOI: https://doi.org/10.20953/1726-1678-2025-1-75-88 (in Russian)

8. Mozes V.G., Kotov R.M., Rudaeva E.V., Elgina S.I., Mozes K.B., Vavin G.V. Artificial intelligence technologies in gynecology. Akusherstvo i ginekologiya [Obstetrics and Gynecology]. 2025; (8): 16–25. DOI: https://doi.org/10.18565/aig.2025.92 (in Russian)

9. Ansbacher-Feldman Z., Syngelaki A., Meiri H., Cirkin R., Nicolaides K.H., Louzoun Y. Machine-learning-based prediction of pre-eclampsia using first-trimester maternal characteristics and biomarkers. Ultrasound Obstet Gynecol. 2022; 60 (6): 739–45. DOI: https://doi.org/10.1002/uog.26105

10. Gil M.M., Cuenca-Gómez D., Rolle V., Pertegal M., Díaz C., Revello R., et al. Validation of machine-learning model for first-trimester prediction of pre-eclampsia using cohort from PREVAL study. Ultrasound Obstet Gynecol. 2024; 63 (1): 68–74. DOI: https://doi.org/10.1002/uog.27478

11. Bülez A., Hansu K., Çağan E.S., Şahin A.R., Dokumacı H.Ö. Artificial intelligence in early diagnosis of preeclampsia. Niger J Clin Pract. 2024; 27 (3): 383–8. DOI: https://doi.org/10.4103/njcp.njcp_222_23

12. Day T.G., Matthew J., Budd S.F., Venturini L., Wright R., Farruggia A., et al. Interaction between clinicians and artificial intelligence to detect fetal atrioventricular septal defects on ultrasound: how can we optimize collaborative performance? Ultrasound Obstet Gynecol. 2024; 64 (1): 28–35. DOI: https://doi.org/10.1002/uog.27577

13. Bachnas M.A., Andonotopo W., Dewantiningrum J., Adi Pramono M.B., Stanojevic M., Kurjak A. The utilization of artificial intelligence in enhancing 3D/4D ultrasound analysis of fetal facial profiles. J Perinat Med. 2024; 52 (9): 899–913. DOI: https://doi.org/10.1515/jpm-2024-0347

14. Patey O., Hernandez-Cruz N., D’Alberti E., Salovic B., Noble J.A., Papageorghiou A.T.; CAIFE Research Group. Prenatal detection of congenital heart defects using the deep learning-based image and video analysis: protocol for Clinical Artificial Intelligence in Fetal Echocardiography (CAIFE), an international multicentre multidisciplinary study. BMJ Open. 2025; 15 (6): e101263. DOI: https://doi.org/10.1136/bmjopen-2025-101263

15. Li F., Li P., Liu Z., Liu S., Zeng P., Song H., et al. Application of artificial intelligence in VSD prenatal diagnosis from fetal heart ultrasound images. BMC Pregnancy Childbirth. 2024; 24 (1): 758. DOI: https://doi.org/10.1186/s12884-024-06916-y

16. Van den Heuvel T.L.A., Petros H., Santini S., de Korte C.L., van Ginneken B. Automated fetal head detection and circumference estimation from free-hand ultrasound sweeps using deep learning in resource-limited countries. Ultrasound Med Biol. 2019; 45 (3): 773–85. DOI: https://doi.org/10.1016/j.ultrasmedbio.2018.09.015

17. Patel N., O’Brien J., Bunn R., Schanbacher B., Bauer J., Lam G.K. Perinatal artificial intelligence in ultrasound (PAIR) study: predicting delivery timing. J Matern Fetal Neonatal Med. 2025; 38 (1): 2532099. DOI: https://doi.org/10.1080/14767058.2025.2532099

18. Murugesu S., Linton-Reid K., Braun E., Barcroft J., Cooper N. Predicting outcomes of expectant and medical management in early pregnancy miscarriage using machine learning to develop and validate multivariable clinical prediction models. BMC Pregnancy Childbirth. 2025; 25 (1): 225. DOI: https://doi.org/10.1186/s12884-025-07283-y

19. Kaya Y., Bütün Z., Çelik Ö., Salik E.A., Tahta T., Yavuz A.A. The early prediction of gestational diabetes mellitus by machine learning models. BMC Pregnancy Childbirth. 2024; 24 (1): 574. DOI: https://doi.org/10.1186/s12884-024-06783-7

20. Al Saad R., Elhenidy A., Tabassum A., Odeh N., et al. Artificial intelligence in gestational diabetes care: a systematic review. J Diabetes Sci Technol. 2025; Aug 25: 19322968251355967. DOI: https://doi.org/10.1177/19322968251355967

21. Hao X., Zheng D., Khan M., Wang L., Hämäläinen T., Cong F., et al. Machine learning models for predicting adverse pregnancy outcomes in pregnant women with systemic lupus erythematosus. Diagnostics (Basel). 2023; 13 (4): 612. DOI: https://doi.org/10.3390/diagnostics13040612

22. Lipschuetz M., Guedalia J., Cohen S.M., Unger R., Yagel S., Sompolinsky Y. Machine learning in electronic health records: identifying high-risk obstetric patients pre and during labor. Stud Health Technol Inform. 2024; 315: 3–7. DOI: https://doi.org/10.3233/SHTI240096

23. Boie S., Glavind J., Bor P., Steer P., Riis A.H., Thiesson B., et al. Continued versus discontinued oxytocin stimulation in the active phase of labour (CONDISOX): individual management based on artificial intelligence – a secondary analysis. BMC Pregnancy Childbirth. 2024; 24 (1): 291. DOI: https://doi.org/10.1186/s12884-024-06461-8

24. Banaei M., Roozbeh N., Darsareh F., Mehrnoush V., Farashah M.S., Montazeri F. Utilizing machine learning to predict the risk factors of episiotomy in parturient women. AJOG Glob Rep. 2025; 5: 100420. DOI: https://doi.org/10.1016/j.xagr.2024.100420

25. Yang M., Long D., Li Y., Liu X., Bai Z., Li Z. An explainable machine learning model in predicting vaginal birth after cesarean section. J Matern Fetal Neonatal Med. 2025; 38 (1): 2546544. DOI: https://doi.org/10.1080/14767058.2025.2546544

26. Susanu C., Hărăbor A., Vasilache I.A., Harabor V., Călin A.M. Predicting intra-and postpartum hemorrhage through artificial intelligence. Medicina (Kaunas). 2024; 60 (10): 1604. DOI: https://doi.org/10.3390/medicina60101604

27. Yildiz G.K., Delibalta R.T., Coktay Z. Artificial intelligence-assisted chatbot: impact on breastfeeding outcomes and maternal anxiety. BMC Pregnancy Childbirth. 2025; 25 (1): 631. DOI: https://doi.org/10.1186/s12884-025-07753-3

28. Sridharan K., Sekaran K., Doss C.G.P., Jufairi M.A. Machine learning algorithms and computational validation of single-nucleotide polymorphisms of antioxidant enzymes and oxidative stress markers in neonates. Biomark Med. 2023; 17: 369–78. DOI: https://doi.org/10.2217/bmm-2023-0051

29. Jang W., Choi Y.S., Kim J.Y. Artificial intelligence-driven respiratory distress syndrome prediction for very low birth weight infants: Korean multicenter prospective cohort study. J Med Internet Res. 2023; 25: e47612. DOI: https://doi.org/10.2196/47612

30. Na J.Y., Jung D., Cha J.H. Learning-based longitudinal prediction models for mortality risk in very-low-birth-weight infants: a nationwide cohort study. Neonatology. 2023; 120: 652–60. DOI: https://doi.org/10.1159/000530738

31. Houri O., Gil Y., Krispin E. Predicting adverse perinatal outcomes among gestational diabetes complicated pregnancies using neural network algorithm. J Matern Fetal Neonatal Med. 2023; 36: 2286928. DOI: https://doi.org/10.1080/14767058.2023.2286928

32. Fu L., Wang C., Liu Z., Pan C., Du Z., Sun Z., et al. High-quality triage and diagnosis of gynecological diseases via artificial intelligence. Artif Intell Med. 2025; 170: 103267. DOI: https://doi.org/10.1016/j.artmed.2025.103267

33. Wang P., Zhang X., Shi J., Meng H., Wang J., Wang X., et al. Integration of coagulation parameters enhances deep learning-based survival prediction in high-grade serous ovarian cancer: a comprehensive prognostic model. Clin Chim Acta. 2026; 578: 120512. DOI: https://doi.org/10.1016/j.cca.2025.120512

34. Wang Q., Chang Z., Liu X., Wang Y., Feng C., Ping Y., et al. Predictive value of machine learning for platinum chemotherapy responses in ovarian cancer: systematic review and meta-analysis. J Med Internet Res. 2024; 26: e48527. DOI: https://doi.org/10.2196/48527

35. Changhez J., James S., Jamala F., Khan S., Khan M.Z., Gul S. Evaluating the efficacy and accuracy of ai-assisted diagnostic techniques in endometrial carcinoma: a systematic review. Cureus. 2024; 16 (5): e60973. DOI: https://doi.org/10.7759/cureus.60973

36. Takahashi Y., Sone K., Noda K., Yoshida K., Toyohara Y., Kato K., et al. Automated system for diagnosing endometrial cancer by adopting deep-learning technology in hysteroscopy. PLoS One. 2021; 16 (3): e0248526. DOI: https://doi.org/10.1371/journal.pone.0248526

37. Hu L., Bell D., Antani S., Xue Z. An observational study of deep learning and automated evaluation of cervical images for cancer screening. J Natl Cancer Inst. 2019; 111 (9): 923–32. DOI: https://doi.org/10.1093/jnci/djy225

38. Mascarenhas M., Alencoão I., Carinhas M.J., Martins M., Cardoso P., Mendes F., et al. Artificial intelligence and colposcopy: automatic identification of cervical squamous cell carcinoma precursors. J Clin Med. 2024; 13 (10): 3003. DOI: https://doi.org/10.3390/jcm13103003

39. Khare S.K., Booth B.B., Blanes-Vidal V., Petersen L.K., Nadimi E.S. An explainable attention model for cervical precancer risk classification using colposcopic images. Comput Methods Programs Biomed. 2025; 271: 108976. DOI: https://doi.org/10.1016/j.cmpb.2025.108976

40. Elishaev E., Harinath L., Ye Y., Matsko J., Colaizzi A. Assessment of the efficacy and accuracy of cervical cytology screening with the Hologic Genius Digital Diagnostics System. Cancer Cytopathol. 2025; 133 (7): e70022. DOI: https://doi.org/10.1002/cncy.70022

41. Bespalova O.N., Kogan I.Yu., Zagaynova V.A., Shengelia M.O., Zhernakova T.S., Pachulya O.V., et al. Artificial intelligent systems in the development of assisted reproductive technologies. Rossiyskiy vestnik akushera-ginecologa [Russian Bulletin of Obstetrician-Gynecologist]. 2024; 24 (2): 19–29. DOI: https://doi.org/10.17116/rosakush20242402119 (in Russian)

42. Badr S., Tahri M., Maanan M., Kašpar J., Yousfi N. An intelligent decision-making system for embryo transfer in reproductive technology: a machine learning-based approach. Syst Biol Reprod Med. 2025; 71 (1): 13–28. DOI: https://doi.org/10.1080/19396368.2024.2445831

43. Gilboa D., Garg A., Shapiro M. Application of a methodological framework for the development and multicenter validation of reliable artificial intelligence in embryo evaluation. Reprod Biol Endocrinol. 2025; 23 (1): 16. DOI: https://doi.org/10.1186/s12958-025-01351-w

44. Wang C., Johansson A.L.V., Nyberg C., Pareek A., Almqvist C., Hernandez-Diaz S., et al. Prediction of pregnancy-related complications in women undergoing assisted reproduction, using machine learning methods. Fertil Steril. 2024; 122 (1): 95–105. DOI: https://doi.org/10.1016/j.fertnstert.2024.02.024

45. Khodabandelu S., Basirat Z., Khaleghi S., Khafri S., Kordy H.M., Golsorkhtabaramiri M. Developing machine learning-based models to predict intrauterine insemination (IUI) success by address modeling challenges in imbalanced data and providing modification solutions for them. BMC Med Inform Decis Mak. 2022; 22 (1): 228. DOI: https://doi.org/10.1186/s12911-022-01974-8

46. Mehrjerd A., Dehghani T., Jajroudi M., Eslami S., Rezaei H., Ghaebi N.K. Ensemble machine learning models for sperm quality evaluation concerning success rate of clinical pregnancy in assisted reproductive techniques. Sci Rep. 2024; 14 (1): 24283. DOI: https://doi.org/10.1038/s41598-024-73326-7

All articles in our journal are distributed under the CC BY-NC-ND 4.0 (Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International)