Новый подход к обучению ИИ повышает точность выявления рака

Новое исследование демонстрирует, что обучение искусственного интеллекта (ИИ) методам поиска онкологических маркеров, используемым патологоанатомами, способно значительно повысить его эффективность в выявлении подозрительных участков на гистологических срезах тканей.

От жёсткого разделения к адаптивному осмотру

Большинство существующих ИИ-систем в патоморфологии полагаются на фиксированное разбиение среза на отдельные фрагменты с последующим их анализом. В отличие от этого, врач-патологоанатом применяет гибкий подход: сначала проводит общий обзор препарата, затем изменяет уровень увеличения, перемещается между различными областями и лишь затем концентрируется на тех участках, которые выглядят атипично.

Эта стратегия особенно важна, поскольку один гистологический срез может содержать миллиарды пикселей, тогда как признаки злокачественного процесса могут локализоваться в крайне небольшой области.

Чжи Хуан, доцент кафедры патологии и лабораторной медицины Университета Пенсильвании и один из авторов исследования, сравнил этот процесс с работой вертолёта, осуществляющего поиск пропавших людей: врач не начинает с детального анализа узкого участка, а сначала охватывает весь образ, а уже затем переходит к локальному рассмотрению.

Обучение на поведении, а не на результатах

Хуан и его коллеги разработали метод обучения ИИ не только итоговым диагнозам, но и самому процессу визуального поиска, характерному для патологоанатомов.

Для этого исследователи собрали данные от восьми специалистов: зафиксировали их движения по срезу и уровни увеличения, применяемые при поиске подозрительных зон. Случайные движения были исключены; акцент сделан на поведенческих маркерах внимания — например, на более длительной задержке в определённой области или повторном её осмотре.

Полученные данные сопоставили с трекингом движений глаз, чтобы убедиться, что система действительно учится тем участкам, на которых фокусировалось внимание врачей. Кроме того, ИИ-модель была запрограммирована давать краткое объяснение значимости каждой выделенной зоны, а патологоанатомы получили возможность принять, скорректировать или отклонить это объяснение.

Система Pathology-o3 и её архитектура

На основе этих данных была создана система под названием «Pathology-o3». Она начинает анализ с низкодетального сканирования всего среза, затем определяет области, требующие углублённого изучения, и направляет высокодетальные изображения этих зон в отдельную ИИ-модель для дальнейшей интерпретации.

Тестирование системы проводилось на гистологических срезах лимфатических узлов пациентов с раком толстой и прямой кишки. Результаты сравнивались с производительностью модели «o3» компании OpenAI.

Pathology-o3 выявил все срезы с подтверждённым раком, достигнув 100%-ной чувствительности (точность обнаружения положительных случаев). Однако 15,5% срезов, классифицированных ею как положительные, на самом деле оказались отрицательными.

Модель o3 показала чувствительность 87,5% в выявлении поражённых срезов, однако доля ложно-положительных результатов составила 53,3%.

Результаты на независимом наборе данных

При тестировании на незнакомом ранее наборе данных точность Pathology-o3 в обнаружении раковых срезов составила 97,6%, тогда как доля ложно-положительных классификаций достигла 37,1%.

Авторы предполагают, что повышенный уровень ложно-положительных результатов связан с архитектурой системы, ориентированной на минимизацию риска пропуска онкомаркеров за счёт избыточного выбора областей для дополнительного анализа.

Ограничения и перспективы применения

Мохаммад Асади, учёный-данных Стэнфордского университета, не участвовавший в исследовании, отметил, что полученные результаты указывают на потенциальную применимость системы к срезам из различных источников, однако не доказывают, что её использование повысит точность или скорость работы врачей.

Цель исследования заключалась не в том, чтобы продемонстрировать превосходство Pathology-o3 над патологоанатомами или его способность к самостоятельной диагностике, а в проверке гипотезы: может ли обучение ИИ на врачебной стратегии поиска улучшить его производительность.

Хуан подчёркивает, что ключевая ценность подхода — в использовании уже существующих в клиниках данных о поведении специалистов, которые ранее не применялись в обучении ИИ.

Дальнейшие эксперименты планируется посвятить оценке того, способна ли совместная работа системы и патологоанатомов повысить число выявленных случаев рака и сократить время анализа.

Асади считает наиболее обоснованным текущим применением системы её использование в качестве инструмента первичного скрининга, который направляет врача на участки, требующие дополнительного внимания. При этом он подчёркивает необходимость многоцентровых испытаний для оценки точности, скорости работы системы, частоты ложно-положительных срабатываний и дополнительной нагрузки на врачей.

Система остаётся ограниченной по сравнению с полным диагностическим процессом, который может включать анализ нескольких срезов, применение различных методов окрашивания и учёт анамнеза пациента. Хуан прямо заявляет: «Я не буду утверждать, что ИИ должен ставить диагноз самостоятельно».