Мультимодальный ИИ для оппортунистического скрининга, стадирования и стратификации риска прогрессирования стеатотической болезни печени

Почему жировая печень и рубцевание важны для всех

Жировая болезнь печени уже не редкость и не узкая тема: примерно у одного из трёх взрослых во всём мире в печени имеется избыток жира, и эта доля растёт. У многих это проходит бессимптомно, но у некоторых приводит к опасному рубцеванию (фиброзу), циррозу, раку печени и сердечным проблемам. В то же время миллионы людей уже проходят КТ‑исследования по другим показаниям — при болях в груди, для наблюдения за раком или в рамках плановых обследований — и при этом печень часто не рассматривают внимательно. В этом исследовании задают простой, но важный вопрос: может ли искусственный интеллект (ИИ) незаметно просматривать эти уже имеющиеся снимки, выявлять скрытую болезнь печени и помогать врачам вмешаться до появления серьёзного повреждения?

Новый помощник на базе реальных клинических данных

Исследователи разработали мультимодальную систему ИИ под названием MAOSS (Multi‑modal AI for Opportunistic hepatic Steatosis Screening). Вместо опоры на один тип информации MAOSS сочетает три источника: 3D неконтрастные КТ‑изображения печени, стандартные результаты анализов крови и базовые клинические сведения, такие как возраст и параметры телосложения. Команда обучала систему на более чем 2 000 пациентах из крупной китайской больницы, включая почти 1 000 человек с гистологическим исследованием печени (золотой стандарт) и свыше 1 100 с подробными рентгенологическими заключениями. Такое сочетание позволило ИИ учиться как на самых точных метках (биопсиях), так и на более широких, лёгких для получения отчётах, применяемых в повседневной практике.

Обучение ИИ распознавать и жир, и рубцы

MAOSS был спроектирован, чтобы отвечать на два ключевых вопроса по каждому КТ‑скану: сколько жира в печени (стеатоз) и насколько выражено рубцевание (фиброз). Для этого модель рассматривает стадии болезни как упорядоченную шкалу — от отсутствия через лёгкую и умеренную до тяжёлой — и учится правильно определять «ступень» для каждого пациента. Особая мультимодальная архитектура позволяет системе гибко работать при отсутствии части данных; например, она сохраняет работоспособность при отсутствии отдельных анализов крови, полагаясь больше на визуализацию. Исследователи также добавили инструмент объясняемости на основе «интегрированных градиентов», который подчёркивает конкретные области и плотности внутри изображения печени, наиболее сильно влияющие на решение ИИ, давая клиницистам тепловую карту предполагаемых жировых изменений.

Как MAOSS показывает себя по сравнению с существующими инструментами

При тестировании на отдельных когортах пациентов из нескольких больниц — включая внешний когорту и группу с измерениями жира в печени по МРТ — MAOSS продемонстрировал высокую точность выявления даже лёгкого стеатоза, с площадями под ROC‑кривой (AUC) около 0,90–0,93. Он также показал хорошие результаты в выявлении клинически значимого фиброза, с AUC примерно 0,82–0,89. Эти показатели стабильно превосходили модели, опиравшиеся только на изображения, только на клинические данные или на стандартные ультразвуковые методы, такие как транзиентная эластография. В исследовании чтения изображений с участием 11 рентгенологов MAOSS выступал в роли ассистента: когда врачи видели оценку ИИ вместе с КТ, их способность выявлять ранние стадии стеатоза заметно улучшалась, особенно в различении нормальной печени и едва выраженной патологии.

Преобразование рутинных сканов в сеть раннего предупреждения

Далее команда проверила, как MAOSS может работать в реальной, неидеальной клинической среде. Они применили систему к более чем 18 000 реальных КТ‑сканов из отделений неотложной помощи, стационаров, амбулаторий и центров диспансеризации, большинство из которых изначально были назначены не по поводу печени. Оценки MAOSS «жировая печень» против «нет жировой печени» хорошо соответствовали заключениям радиологов, особенно в крупных когортах диспансеризации. Затем систему интегрировали в существующее клиническое руководство, которое решает, каких пациентов с жировой печенью направлять к специалистам. В группе с биопсийно подтверждёнными диагнозами (1 192 человека) путь с MAOSS выявил примерно на треть больше пациентов, находящихся в риске прогрессирования в стеатогепатит или продвинутый фиброз, по сравнению со стандартным подходом, основанным только на ультразвуковых измерениях, при этом надёжно исключая пациентов с низким риском.

Что это значит для пациентов и будущей медицины

Для непрофессионала ключевая мысль такова: те же КТ‑сканы, которые уже делают по другим причинам, могут стать тихой системой скрининга заболеваний печени, без дополнительных приёмов или инвазивных процедур. Автоматически анализируя КТ‑изображения вместе с рутинными анализами крови, MAOSS способен обнаруживать жировую печень и тревожный фиброз раньше, чем традиционные методы, помогать рентгенологам увидеть тонкие изменения, которые они могли бы пропустить, и точнее распределять пациентов на низкий, промежуточный и высокий риск прогрессирования в цирроз. Авторы отмечают, что необходимы большие и длительные исследования, и ИИ не идеален, но их результаты свидетельствуют о том, что мультимодальный ИИ может стать важной частью профилактики тяжёлых заболеваний печени до их бессимптомного прогрессирования.

Цитирование: Gao, Y., Li, C., Chang, W. et al. Multi-modal AI for opportunistic screening, staging and progression risk stratification of steatotic liver disease. Nat Commun 17, 1562 (2026). https://doi.org/10.1038/s41467-026-68414-3

Ключевые слова: жировая болезнь печени, медицинский ИИ, КТ‑изображения, фиброз печени, оппортунистический скрининг