Набор изображений гистопатологии при высоких увеличениях для диагностики и прогноза плоскоклеточного рака полости рта

Почему это исследование важно

Рак полости рта может прятаться на виду: он начинается с небольшой язвочки и со временем превращается в опасное для жизни заболевание. Врачи опираются на микроскопические изображения тканей, чтобы оценить тяжесть опухоли и вероятность её рецидива или метастазирования, но чтение таких слайдов — кропотливая и трудоёмкая работа. В этом исследовании представлен обширный новый набор изображений, призванный помочь системам искусственного интеллекта (ИИ) работать вместе с патологами. Долгосрочная цель — дать пациентам более быстрые и точные ответы о заболевании и вариантах лечения.

Взгляд поближе на распространённый рак полости рта

Работа сосредоточена на плоскоклеточном раке полости рта — одном из самых частых и агрессивных видов рака в этой локализации. Он часто развивается у людей с анамнезом курения или употребления алкоголя и может распространяться в соседние ткани и лимфатические узлы шеи. Сегодня золотым стандартом диагностики остаётся оценка окрашенных срезов тканей под микроскопом глазами патолога. По этим срезам специалисты судят о степени атипии клеток, глубине инвазии опухоли, наличии проникновения в нервы или кровеносные сосуды и о многих других признаках, влияющих на выживаемость. Авторы утверждают, что микроскопические узоры несут намного больше информации, чем человек способен легко отследить, и потому являются идеальной целью для современных ИИ‑методов.

Формирование более полной картины по изображениям тканей

Чтобы раскрыть эту информацию, команда создала набор данных Multi‑OSCC: микроскопические изображения от 1325 пациентов, лечившихся от рака полости рта в одной больнице в период с 2015 по 2022 год. Для каждого пациента патологи подготовили два блока ткани — один из центра опухоли и один с инвазивного края — и сделали высокоразрешающие снимки на трёх уровнях увеличения, похожих на вид города из самолёта, с крыши и с уровня улицы. В результате для каждого пациента получено шесть тщательно подобранных изображений, каждое из которых содержит ключевые структуры, такие как гнёзда раковых клеток, роговые скопления кератина и сильно атипичные ядра клеток. Параллельно с изображениями исследователи собрали подробные медицинские данные и длительное наблюдение, чтобы отследить, какие опухоли рецидивировали или давали метастазы.

Шесть вопросов, которые действительно волнуют врачей

Особенность Multi‑OSCC в том, что он моделирует реальные клинические вопросы, а не ограничивается одной меткой. Для каждого пациента в наборе аннотированы шесть важных исходов. Один из них — рецидив опухоли в течение двух лет после операции, критический период, когда происходит большинство возвращений болезни. Ещё один — были ли раковые клетки уже в лимфатических узлах шеи, что определяет выбор в пользу расширённого объёмного вмешательства на шее. Четыре дополнительные метки отражают степень дифференцировки клеток опухоли, глубину инвазии и наличие проникновения в кровеносные сосуды или рост по нервам — тонкие, но мощные подсказки о том, насколько опасен рак. Такая структура позволяет моделям ИИ учиться не только «рак против нормальной ткани», но и строить более полную картину риска и тяжести заболевания.

Обучение ИИ чтению сложных слайдов

Затем исследователи оценили, как разные стратегии ИИ справляются с этим требовательным набором данных. Они сравнили несколько современных архитектур распознавания изображений, включая как классические сверточные сети, так и более новые модели на основе трансформеров, и обнаружили, что трансформеры, предобученные специально на патологических изображениях, показали лучшие результаты в целом. Они протестировали способы объединения информации из шести изображений на пациента и выяснили, что простая стратегия — извлечение признаков из каждого изображения с последующей конкатенацией — превзошла более сложные схемы слияния. Также изучалось влияние стандартизации цвета окрашивания: оказалось, что сохранение оригинальной цветовой информации критично для предсказания рецидива, тогда как мягкая нормализация цвета помогала в других диагностических задачах.

Ограничения, неожиданные находки и что дальше

Одним из сюрпризов стало то, что обучение единой модели ИИ сразу на все шесть задач пока не дало преимущества по сравнению с моделями, обученными отдельно для каждой задачи. Ещё одно наблюдение: детальные микроскопические фрагменты, богатые клеточной информацией, всё же не заменяют широкий архитектурный обзор, который даёт полностью отсканированный слайд. Тем не менее модели, обученные на изображениях Multi‑OSCC, явно превзошли модели, использовавшие только клинические данные (возраст, вредные привычки, медицинская история), особенно в задаче прогнозирования рецидива. Авторы позиционируют Multi‑OSCC как отправную точку: публичный, хорошо документированный набор данных, который другие исследователи могут использовать для разработки и сравнения методов. Для пациентов долгосрочная надежда в том, что инструменты, созданные на основе этого ресурса, помогут врачам надёжнее выявлять опухоли полости рта с высокой вероятностью рецидива или метастазирования, что приведёт к более персонализированному лечению и, в итоге, к повышению шансов на выживание.

Цитирование: Guan, J., Guo, J., Chen, Q. et al. A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis. Sci Data 13, 371 (2026). https://doi.org/10.1038/s41597-026-06736-z

Ключевые слова: рак полости рта, гистопатологические изображения, искусственный интеллект, глубокое обучение, наборы данных медицинской визуализации