Извитость коронарных, цереброваскулярных артерий, аорты и ее ветвей остается одной из значимых сосудистых проблем, которая с одной стороны осложняет выбор тактики рентгенохирургического лечения, а с другой — ухудшает прогноз самого заболевания. Отсутствие единых стандартов оценки извитости коронарных, цереброваскулярных артерий, аорты и ее ветвей снижает точность диагностики пациентов с высоким риском сердечнососудистых событий. Одним из возможных решений данной проблемы является применение машинного обучения для автоматической оценки извитости. Целью исследования было провести анализ и сравнение точности, клинической применимости и ограничений существующих методов автоматической оценки извитости коронарных, цереброваскулярных артерий, аорты и ее ветвей с использованием инструментов машинного обучения. Систематический обзор проводили по протоколу PRISMA с поиском статей в базах данных PubMed, Scopus и eLibrary за период с 2015 по 2025 гг. по ключевым словам: deep learning, machine learning, artificial intelligence, vessel tortuosity, curvature. Из 240 выявленных публикаций в анализ было включено шесть. Анализ показал, что 80% подходов основаны на сверточных нейронных сетях, обязательным этапом предобработки изображений является скелетирование для отсечения мелких сосудов от артерии. В 50% статей извитость артерий определяется качественно по наличию углов изгибов более 45°. Количественно извитость определяли как коэффициент расстояния и мера кривизны. Верификацию оценок в трех из шести исследований проводили при сравнении результатов с мнениями экспертов (точность составила 0,92–0,94). Ограничения исследования — моноцентричность, использование данных одного типа оборудования.