Классификаторы нормальной ткани молочной железы (NBT): совершенствование разметки компартментов в нормальной гистологии молочной железы

В поисках ранних признаков в «нормальной» ткани молочной железы

Скрининг рака молочной железы обычно сосредоточен на опухолях или подозрительных уплотнениях, но важные предупреждающие сигналы могут появляться задолго до формирования видимой опухоли. В этом исследовании поставлен простой, но важный вопрос: может ли искусственный интеллект (ИИ) научиться распознавать действительно здоровую ткань молочной железы, чтобы даже очень ранние изменения выделялись яснее? Обучая компьютеры распознавать основные структурные компоненты нормальной ткани, исследователи стремятся создать более точную эталонную карту для выявления самых первых шагов к раку.

Почему нормальная ткань молочной железы важна

Большая часть исследований рака молочной железы сосредоточена на поражённой ткани, однако рак начинается в ткани, которая под микроскопом выглядит нормально. В молочной железе молочные продуцирующие структуры и окружающая их опорная ткань находятся в смеси волокнистых участков и жира. Тонкие изменения в этих областях, особенно вокруг долек (малых мешочков, где производится молоко) и соседней стромы (соединительной опорной ткани), могут указывать на повышенный риск рака. Это особенно важно для женщин с наследственными мутациями BRCA1 или BRCA2 или для тех, кто проходит профилактические операции. Чтобы «прочитать» эти тихие сигналы, учёным нужны точные, количественные способы описания того, что такое «норма» у разных женщин и в разных медицинских центрах.

Создание разнородной библиотеки здоровых слайдов

Команда собрала 70 высокоразрешающих цифровых изображений нормальной ткани молочной железы из пяти учреждений в Великобритании, Нидерландах, Швейцарии и из публичного банка тканей. Образцы получены от женщин в возрасте от 16 до 74 лет с различным клиническим фоном: здоровые добровольцы, пациентки после редукционной маммопластики, носительницы наследственных изменений высокого риска и женщины с опухолью в противоположной груди. Экспертные патологи тщательно разметили на каждом слайде три ключевых компонента: эпителий (слои клеток, выстилающие протоки и дольки), строма (волокнистая и соединительная ткань) и адипоциты (жировые клетки). Эта трудоёмкая аннотация дала богатый и разнообразный справочный набор, отражающий реальные различия в обработке тканей, окрашивании и сканировании.

Обучение компьютера распознавать типы ткани

На основе этой размеченной библиотеки исследователи обучили модели глубокого обучения — называемые NBT-классификаторами — распознавать три типа ткани, анализируя небольшие фрагменты изображений, вырезанные из больших слайдов. Были протестированы разные размеры фрагментов и технические настройки, такие как стандартизация цвета окрашивания и выбор архитектуры нейронной сети, и в итоге найдена наилучшая комбинация. При оценке на полностью отдельных коллекциях нормальных слайдов из других центров модели с высокой точностью различали эпителий, строму и жир. Визуальные «тепловые карты» показали, что ИИ фокусируется на биологически значимых структурах — участках с высокой плотностью клеток, коллагеновых волокнах и границах жировых клеток — что отражает подход человеческих патологов к интерпретации ткани.

Что делает ткань «нормальной»

Чтобы понять, даёт ли преимущество обучение только на здоровой ткани, авторы сравнили свою модель с существующим инструментом, натренированным на смеси нормальных, предраковых и раковых образцов. Обе системы могли определять общие типы ткани, но новые NBT-классификаторы лучше улавливали тонкую архитектуру действительно нормального эпителия молочной железы. При проверке на фрагментах, включающих ранние поражения и опухоли, модель, обученная только на норме, надёжнее разделяла участки с нормальным и атипичным видом. Это говорит о том, что она выработала более чёткое определение нормы, что может помочь выявлять едва заметные отклонения, сопутствующие раннему развитию заболевания.

От целых слайдов к целевым регионам

Поскольку модели работают на уровне фрагментов, их можно применять к целым цифровым слайдам, автоматически окрашивая каждую маленькую область как эпителий, строма или жир. Исследователи построили конвейер «от конца до конца», который сначала обнаруживает, где на слайде присутствует ткань, а затем запускает NBT-классификаторы для создания подробных карт тканевых компартментов. По этим картам система может выделять отдельные дольки и их непосредственное окружение, формировать маски для дальнейших измерений и передавать выбранные регионы в более продвинутые инструменты анализа. Это упрощает изучение специфических микроокружений — например стромы сразу за дольками — где могут появляться ранние изменения, связанные с раком, а также позволяет в будущем сочетать структурные признаки с другими типами данных, такими как пространственные карты экспрессии генов или белков.

Что это значит для профилактики рака молочной железы в будущем

Проще говоря, в этом исследовании показано, что ИИ можно обучить распознавать базовые структурные компоненты здоровой ткани молочной железы с высокой точностью и в интерпретируемой для патологов форме. Превращая огромные сложные цифровые слайды в структурированные карты эпителиальных, волокнистых и жировых областей, NBT-классификаторы создают надёжный эталон того, как выглядит норма у разных женщин и в разных клиниках. Это более чёткое представление о норме может облегчить обнаружение тонких признаков развития рака раньше, чем это возможно сейчас, поддерживая будущие инструменты для идентификации женщин с повышенным риском и выработки профилактических стратегий до появления видимых опухолей.

Цитирование: Chen, S., Parreno-Centeno, M., Booker, G. et al. Normal breast tissue (NBT)-classifiers: advancing compartment classification in normal breast histology. npj Breast Cancer 12, 41 (2026). https://doi.org/10.1038/s41523-026-00896-2

Ключевые слова: нормальная ткань молочной железы, вычислительная патология, глубокое обучение, раннее обнаружение рака, цифровая гистология