Международное тестирование и доработка алгоритмов ИИ для прогнозирования подтипов острого лейкоза по рутинным лабораторным данным

Почему это важно для пациентов во всем мире

Для многих людей с острым лейкозом отсчёт времени начинается задолго до визита к узкому специалисту. В регионах, где передовые тесты редки или занимают много времени, само определение типа лейкоза может занять дни — время, которого у пациента может не быть. Это исследование изучает, может ли программа искусственного интеллекта (ИИ), использующая только рутинные анализы крови, которые выполняют почти все больницы, быстро предложить вероятный подтип лейкоза и помочь врачам действовать быстрее, особенно в условиях с ограниченными ресурсами.

Преобразование обычных анализов крови в раннее предупреждение

Исследователи объединили данные 6206 пациентов с острым лейкозом, лечившихся в 20 центрах 16 стран, охватывающих все обитаемые континенты и широкий диапазон уровней дохода. Вместо того чтобы полагаться на специализированные исследования или генетические тесты, они подали в уже существующую модель ИИ стандартные лабораторные показатели, снятые при постановке диагноза, такие как общий и дифференциальный анализ крови, показатели свертываемости и базовые биохимические результаты. Цель состояла в том, чтобы проверить, распознаёт ли инструмент, разработанный на французских данных, три основных типа лейкоза — острий миелоидный лейкоз (ОМЛ), острый промиелоцитарный лейкоз (ОПЛ) и острый лимфобластный лейкоз (ОЛЛ) — в очень разных больницах, популяциях и возрастных группах.

Сильные сигналы, но пробелы в том, кто получает выгоду

При широком применении у взрослых модель ИИ в целом показала хорошие результаты: особенно высока была точность для ОМЛ и ОПЛ, двух форм, где раннее распознавание может существенно повлиять на выживание. Однако оригинальная версия включала строгое внутреннее правило «доверия», которое отчитывало результат только при высокой уверенности. Это делало показатели на бумаге впечатляющими, но также означало, что на практике более чем у 90% пациентов не появлялось никакого предложения от ИИ. Даже без этого правила эффективность сильно варьировала между центрами и типами лейкоза, что отражало различия в возрастах пациентов, местных паттернах заболевания и даже в том, какие лабораторные приборы использовались.

Обучение системы работать с неряшливыми данными реального мира

Чтобы сделать инструмент более полезным в повседневной практике, команда сосредоточилась на причинах его сбоев в отдельных случаях. Они сравнили модели лабораторных показателей у пациентов, корректно и некорректно отмеченных моделью, и применили статистические методы объяснения, чтобы выяснить, какие измерения имеют наибольшее значение. Определённые маркёры свертывания и свойства эритроцитов оказались особенно важны для отличия ОПЛ от других типов, тогда как особенности лейкоцитарных показателей помогали отделить ОМЛ от ОЛЛ. Исследователи затем добавили новый этап предварительной обработки, который отбирает «выделяющихся» пациентов — чьи лабораторные результаты сильно отличаются от того, что модель видела ранее. Объединив два таких фильтра и удалив лишь умеренную долю случаев, они повысили точность для сложных групп — особенно для пациентов, которые ранее находились ниже порога доверия модели — и при этом сохранили возможность предсказания для большинства людей.

Адаптация ИИ к детям, а не только к взрослым

У детей с лейкозом часто наблюдаются иные лабораторные паттерны по сравнению со взрослыми, и это оказалось критичным. При применении взрослой модели ИИ к 1746 педиатрическим пациентам её показатели ухудшились, особенно по ОМЛ. Команда показала, что ключевые значения крови, такие как факторы свертывания и клеточные счёты, имеют свои характерные диапазоны у младших пациентов. Вместо того чтобы смириться с более слабой работой, они дообучили ИИ специально на педиатрических данных, что резко улучшило распознавание детских ОЛЛ и ОМЛ при сохранении высокой точности для более редких педиатрических случаев ОПЛ. Это подчёркивает важный урок: системы ИИ, предназначенные для поддержки диагностики, должны быть адаптированы к популяциям, которым они призваны помогать.

К более быстрому и справедливому уходу при лейкозе

Авторы подчёркивают, что этот инструмент ИИ не заменяет эталонные методы — микроскопическое исследование, проточная цитометрия и генетические тесты — которыми врачи подтверждают тип лейкоза и подбирают точную терапию. Вместо этого он предлагает способ быстро отметить вероятные подтипы лейкоза с помощью лабораторных тестов, которые уже широко доступны, даже во многих странах с низким и средним уровнем дохода. Дорабатывая модель для работы в разнообразных больницах, фильтруя ненадёжные предсказания и создавая педиатрическую версию, исследование демонстрирует, как ИИ может помочь сократить время до обращения к специалисту и начала жизненно важного лечения. Эта работа прокладывает путь для будущих клинических испытаний, чтобы проверить, может ли такая поддержка принятия решений действительно снизить показатели ранней смертности и приблизить преимущества современной помощи при лейкозе к пациентам независимо от места их проживания.

Цитирование: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Ключевые слова: острый лейкоз, искусственный интеллект, поддержка диагностики, справедливость в здравоохранении, лабораторные тесты