ШТУЧНИЙ ІНТЕЛЕКТ У КЛІНІЧНИХ І МОРФОЛОГІЧНИХ ДОСЛІДЖЕННЯХ: НАУКОВІ МОЖЛИВОСТІ, АКАДЕМІЧНА ДОБРОЧЕСНІСТЬ ТА ВІДПОВІДАЛЬНЕ ВПРОВАДЖЕННЯ
Анотація
Актуальність Штучний інтелект (ШІ) став одним із провідних рушіїв цифрової трансформації сучасної біомедичної науки, суттєво розширюючи аналітичні можливості клінічних і морфологічних досліджень. Технології на основі ШІ забезпечують автоматизований аналіз біомедичних зображень, цифрову патологію, морфометричну оцінку та опрацювання великих масивів біомедичних даних, сприяючи підвищенню ефективності, стандартизації та відтворюваності наукових досліджень. Водночас широке впровадження генеративного ШІ породжує нові етичні, правові та академічні виклики, зокрема галюцинації ШІ, фальсифікацію бібліографічних посилань, нерозкриття факту використання ШІ під час підготовки рукописів та ризики порушення принципів академічної доброчесності. Зазначені тенденції зумовлюють необхідність комплексного інституційного регулювання, прозорого розкриття інформації щодо використання ШІ та ефективних механізмів забезпечення якості, спрямованих на відповідальне впровадження ШІ в біомедичні дослідження.
Мета. Метою дослідження було критично оцінити роль штучного інтелекту в сучасних клінічних і морфологічних дослідженнях, узагальнити його сучасні та перспективні напрями застосування, а також дослідити, яким чином дотримання принципів академічної доброчесності забезпечує надійність, прозорість, відтворюваність і наукову валідність досліджень із використанням ШІ.
Матеріали та методи. Дослідження виконано на базі Державного некомерційного товариства «Львівський національний медичний університет імені Данила Галицького». Воно ґрунтувалося на розширеному огляді та критичному аналізі сучасної наукової літератури, міжнародних рекомендацій і нормативних документів щодо етичного застосування штучного інтелекту, законодавчої бази України у сфері академічної доброчесності, а також інституційних політик, запроваджених закладами вищої освіти. Методологічний підхід включав бібліографічний огляд, системний аналіз, порівняльно-правовий аналіз, синтез інформації та критичне оцінювання, доповнені аналізом інституційних практик у сфері забезпечення академічної доброчесності, виявлення текстових запозичень, регулювання використання ШІ, проведення профілактичних освітніх заходів, виявлення семантичної подібності та комплексної оцінки наукової якості.
Результати. Штучний інтелект суттєво розширює дослідницькі можливості клінічних і морфологічних досліджень, забезпечуючи автоматизоване окреслення тканин, ідентифікацію клітин, кількісну морфометричну оцінку, цифрове гістопатологічне дослідження, розширений аналіз біомедичних зображень та використання сучасних систем підтримки прийняття рішень. Раціональне впровадження таких технологій сприяє підвищенню точності аналізу, відтворюваності результатів, методологічної стандартизації та загальної ефективності досліджень, одночасно стимулюючи міждисциплінарну взаємодію з молекулярною біологією, геномікою, біоінформатикою та клінічною практикою.
Проведене дослідження показало, що забезпечення академічної доброчесності потребує належного інституційного регулювання, яке охоплює нормативно-правові засади, профілактичні освітні стратегії, виявлення семантичної подібності, ідентифікацію контенту, створеного ШІ, перевірку джерел, експертне оцінювання та постійне функціонування механізмів забезпечення якості. У науковому відділі Державного некомерційного товариства «Львівський національний медичний університет імені Данила Галицького» протягом 2021–2025 років перевірці на плагіат було піддано 7302 наукові та навчальні тексти, при цьому загальний рівень відхилення становив лише 9,29 %, що свідчить про позитивну освітню та превентивну роль системи забезпечення якості. Особливу увагу приділено запобіганню галюцинаціям ШІ, фальсифікованим бібліографічним посиланням, неточному цитуванню та іншим проявам академічної недоброчесності шляхом прозорого декларування використання ШІ, експертної валідації та постійного людського контролю.
Висновки. Штучний інтелект доцільно розглядати виключно як допоміжний методологічний інструмент, а не як автономне джерело наукових результатів або концептуальних інновацій. Успішна інтеграція ШІ в клінічні та морфологічні дослідження залежить від неухильного дотримання принципів академічної доброчесності, прозорого розкриття інформації про внесок технологій машинної обробки, ретельної експертної верифікації, оцінки відповідності змісту першоджерелам, належного захисту конфіденційних даних та ефективного інституційного регулювання. Поєднання технологічних досягнень із емпірично обґрунтованими науковими методами та безперервним людським контролем є найбільш стійкою стратегічною моделлю для забезпечення надійності, верифікованості, етичної відповідальності та міжнародної конкурентоспроможності сучасних біомедичних досліджень.
Ключові слова
штучний інтелект, академічна доброчесність, клінічні дослідження, морфологічні дослідження, цифрова патологія, виявлення плагіату, дослідницька етика, відповідальний штучний інтелект, наукові публікації, біомедичні дослідження.
Біографія автора
Андрій Вергун
доктор медичних наук, доцент кафедри сімейної медицини, хірург вищої кваліфікаційної категорії, Державне некомерційне товариство «Львівський національний медичний університет імені Данила Галицького», професор факультету товарознавства, управління та сфери обслуговування, курсу екстреної медичної допомоги та базової загальновійськової підготовки Львівського торговельно-економічного університету, почесний академік Академії прикладних наук (АПН), академік Академії вчених України (громадське об’єднання АВУ), ORCID: https://orcid.org/0000-0003-0135-0048
Богдан Паращук
кандидат медичних наук, доцент кафедри сімейної медицини, Державне некомерційне товариство «Львівський національний медичний університет імені Данила Галицького», ORCID: https://orcid.org/0009-0003-7629-0120
Зоряна Кіт
кандидат медичних наук, доцент кафедри сімейної медицини, Державне некомерційне товариство «Львівський національний медичний університет імені Данила Галицького», ORCID: https://orcid.org/0000-0001-6151-5583
Посилання
- Abbadia, J. (2024). Pillars of academic integrity: Definition, benefits & strategies. Mind the Graph. https://mindthegraph.com/blog/academic-integrity/
- Amirzhanov, A., Turan, C., & Makhmutova, A. (2025). Plagiarism types and detection methods: a systematic survey of algorithms in text analysis. Front. Comput. Sci. 7:1504725. https://doi.org/10.3389/fcomp.2025.1504725
- Anwar, U., Saparov, A., Rando, J., Paleka, D., Turpin, M., Hase, P., Lubana, E. S., Jenner, E., Casper, S., Sourbut, O., Edelman, B. L., Zhang, Z., Günther, M., Korinek, A., Hernandez-Orallo, J., Hammond, L., Bigelow, E., Pan, A., Langosco, L., & Krueger, D. (2024). Foundational challenges in assuring alignment and safety of large language models. arXiv:2404.09932 [cs.LG]. https://arxiv.org/abs/2404.09932
- Brydges, G. (2025). Artificial intelligence in nursing practice: Decisional support, clinical integration, and future directions. OJIN: The Online Journal of Issues in Nursing, 30(2), Manuscript 4. https://doi.org/10.3912/OJIN.Vol30No02Man04
- Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., … & Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
- Ethics of artificial intelligence. (2025). In Wikipedia, The Free Encyclopedia. https://en.wikipedia.org/wiki/Ethics_of_artificial_intelligence
- Ethics of artificial intelligence and robotics. (2026). The Stanford Encyclopedia of Philosophy. First published April 30, 2020, substantive revision March 27, 2026. https://plato.stanford.edu/entries/ethics-ai/
- Elkhatat, A. M., Elsaid, K., & Almeer, S. (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity, 19, 17. https://doi.org/10.1007/s40979-023-00140-5
- Foltýnek, T., Meuschke, N., & Gipp, B. (2020). Academic plagiarism detection: A systematic literature review. ACM Computing Surveys, 52(6), 1–42. https://doi.org/10.1145/3345317
- Hagendorff, T. (2020). The ethics of AI ethics: An evaluation of guidelines. Minds and Machines, 30(1), 99–120. https://doi.org/10.1007/s11023-020-09517-8
- International Center for Academic Integrity [ICAI]. (2021). The fundamental values of academic integrity (3rd ed.). https://academicintegrity.org/aws/ICAI/asset_manager/get_file/911282?ver=1
- Ji, J., Qiu, T., Chen, B., Zhou, J., Zhang, B., Hong, D., Lou, H., Wang, K., Duan, Y., He, Z., ... (2025). AI alignment: A contemporary survey. ACM Computing Surveys, 58(5), Article 132, 1–38. https://doi.org/10.1145/3770749.
- Quidwai, A., Li, C., & Dube, P. (2023). Beyond Black Box AI-Generated Plagiarism Detection: From Sentence to Document Level. Proceedings of the 18th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2023), 727–735. https://doi.org/10.18653/v1/2023.bea-1.58
- Shah, H. (2025). AI content integrity tools 2026: Plagiarism & rewritten content detection. Elsner Technologies. https://www.elsner.com/ai-content-integrity-tools/
- Smuha, N. A. (Ed.). (2025). The Cambridge handbook of the law, ethics and policy of artificial intelligence. Cambridge University Press.
- Viswanathan, V. S., Toro, P., Corredor, G., Mukhopadhyay, S., & Madabhushi, A. (2022). The state of the art for artificial intelligence in lung digital pathology. The Journal of Pathology, 257(4), 413–429. https://doi.org/10.1002/path.5966
- Wang, J., Wang, T., Han, R., Shi, D., & Chen, B. (2025). Artificial intelligence in cancer pathology: Applications, challenges, and future directions. CytoJournal, 22, 45. https://doi.org/10.25259/Cytojournal_272_2024
- Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, 26. https://doi.org/10.1007/s40979-023-00146-z
- Yuan, L., Zhou, H., Xiao, X., Zhang, X., Chen, F., Liu, L., Liu, J., Bao, S., & Tao, K. (2024). Development and external validation of a transfer learning-based system for the pathological diagnosis of colorectal cancer: A large emulated prospective study. Frontiers in Oncology, 14. https://doi.org/10.3389/fonc.2024.1365364
- Zarella, M. D., McClintock, D. S., Batra, H., Gullapalli, R. R., Valante, M., Tan, V. O., Dayal, S., Oh, K. S., Lara, H., Garcia, C. A., & Abels, E. (2023). Artificial intelligence and digital pathology: Clinical promise and deployment considerations. Journal of Medical Imaging, 10(5), 051802. https://doi.org/10.1117/1.JMI.10.5.051802
- Zdravkova, K. (2026). Generative Artificial Intelligence and the Ambiguity of Academic Integrity in Higher Education. Education Sciences, 16(7), 1120.https://doi.org/10.3390/educsci16071120