Zaawansowana analiza i wykrywanie raka szyjki macicy z użyciem NASNetLarge

Dlaczego to ma znaczenie dla zdrowia kobiet

Rak szyjki macicy jest jedną z głównych przyczyn zgonów z powodu nowotworów wśród kobiet na świecie, jednak jest wysoce wyleczalny, gdy zostanie wykryty wcześnie. Tradycyjne przesiewy opierają się na eksperckiej, wizualnej ocenie rozmazów Pap — żmudnym zadaniu, które może przeoczyć subtelne sygnały ostrzegawcze. W badaniu tym analizuje się, jak nowoczesna forma sztucznej inteligencji może przekształcić obrazy rozmazów w uporządkowane wzorce czytelne dla komputera, dążąc do wykrywania ryzykownych zmian komórkowych bardziej konsekwentnie i szybciej niż wzrok ludzki.

Nowe spojrzenie na obrazy rozmazów Pap

Badacze skupiają się na obrazach rozmazów Pap z publicznego zbioru danych zawierającego 300 próbek, równomiernie podzielonych na pięć typów komórek szyjki macicy — od prawidłowych po wyraźnie nieprawidłowe. Zamiast wprowadzać te obrazy bezpośrednio do standardowego systemu rozpoznawania obrazów, najpierw konwertują każdy preparat na mapę drobnych regionów i ich wzajemnych relacji. W tej mapie każdy region przypominający komórkę staje się węzłem, a przestrzenne powiązania między regionami — krawędziami. Reprezentacja w formie grafu uchwyca nie tylko wygląd komórek, lecz także ich rozmieszczenie, które często zawiera istotne wskazówki dotyczące choroby.

Jak model uczy się na podstawie wzorców

Aby czytać te grafowe obrazy, zespół wykorzystuje NASNetLarge — potężny model uczenia głębokiego pierwotnie nauczony na milionach codziennych zdjęć. Dzięki technice zwanej transfer learning zachowują wbudowaną zdolność modelu do rozpoznawania złożonych wzorców wizualnych, jednocześnie przeuczając jego końcowe warstwy do rozróżniania pięciu kategorii komórek szyjki macicy. Zestaw danych o niewielkiej wielkości rozszerzają poprzez tworzenie zróżnicowanych wersji każdego obrazu — przez odbicia, obroty, skalowanie i przesunięcia. Ten proces daje modelowi wiele wiarygodnych przykładów, zmniejszając ryzyko, że jedynie zapamięta dane treningowe zamiast nauczyć się reguł ogólnych.

Co komputer bierze pod uwagę

Ponad samą dokładność badanie pyta, czy model koncentruje się na właściwych fragmentach obrazu. Autorzy stosują metodę wizualizacji, która podświetla obszary najbardziej odpowiedzialne za każdą decyzję, nanosząc na grafy kolory przypominające mapy cieplne. Widoki te pokazują, że model skupia się na skupiskach i granicach, które patolodzy również uważają za istotne. To ułatwia klinikom interpretację i zaufanie do działania modelu i sugeruje, że reprezentacja oparta na grafach skutecznie wychwytuje znaczącą strukturę, a nie losowy szum.

Jak dobrze działa system

Trenując NASNetLarge na obrazach rozmazów przekształconych do postaci grafów, osiągnięto około 94% dokładności na danych treningowych i 98,33% dokładności na danych walidacyjnych (oddzielonych), z wysokimi wynikami precyzji, czułości i F1 dla wszystkich pięciu typów komórek. Badanie ablaacyjne wykazało, że pominięcie kroku konwersji do grafu obniża dokładność do około 83%, podkreślając wartość kodowania relacji między komórkami. Model przetestowano także na odrębnym zbiorze obrazów kolposkopowych i ponownie uzyskał bardzo wysoką dokładność, co sugeruje, że podejście może generalizować poza pierwotny zbiór danych, a jednocześnie być wykonalne przy użyciu umiarkowanego sprzętu.

Co to może oznaczać dla przyszłych badań przesiewowych

Mówiąc najprościej, badanie pokazuje, że przekształcanie obrazów rozmazów Pap w uporządkowane mapy i analizowanie ich za pomocą dostosowanego modelu uczenia głębokiego pozwala klasyfikować komórki szyjki macicy z wysoką dokładnością i niskim odsetkiem błędów. Choć prace wymagają jeszcze większych i bardziej zróżnicowanych zbiorów danych, zanim będzie można je stosować w codziennych klinikach, wyniki wskazują na narzędzia wspierające klinicystów w wykrywaniu podejrzanych preparatów, standaryzacji jakości i rozciągnięciu możliwości przesiewów na regiony z ograniczoną liczbą specjalistów. Dla pacjentek może to ostatecznie oznaczać wcześniejsze wykrycie i szybsze rozpoczęcie leczenia raka szyjki macicy.

Cytowanie: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

Słowa kluczowe: rak szyjki macicy, rozmaz Pap, uczenie głębokie, obrazowanie medyczne, skryning AI