К выявлению и количественной оценке кишечной метаплазии на оцифрованных желудочных биоптатах с использованием глубокого обучения: сравнительное исследование с участием нескольких экспертов

Почему это важно для вашего здоровья

Рак желудка по‑прежнему остаётся одним из самых смертоносных видов рака в мире, во многом потому, что его часто обнаруживают слишком поздно. Врачи знают, что особое предраковое изменение слизистой желудка — кишечная метаплазия — сигнализирует о повышенном риске за годы до появления опухоли. Сегодня этот признак оценивают визуально, поэтому два специалиста, глядя на одну и ту же биопсию, могут прийти к разным выводам о степени её серьёзности. В этом исследовании проверяют, сможет ли искусственный интеллект повысить согласованность и точность на этом важном этапе раннего выявления.

Как врачи ищут проблемы в желудке

При обследовании на возможные заболевания желудка берут небольшие образцы ткани из нескольких стандартных участков слизистой и изучают их под микроскопом. Патологи ищут такие признаки, как воспаление, утрата нормальных желез и, особенно, появление клеток, напоминающих кишечные, в местах, где их быть не должно. Чем шире распространены эти изменения и чем больше участков желудка они занимают, тем выше оцениваемый риск развития рака в будущем. Существующие шкалы объединяют эти визуальные наблюдения в стадии от очень низкого до очень высокого риска и помогают решить, как часто нужно наблюдать пациента.

Проблема исключительно человеческой оценки

Несмотря на широкое использование таких систем в клинике, они опираются на субъективную оценку патолога о том, какая доля ткани изменена. Ранее проведённые исследования и повседневный опыт показывают, что даже хорошо подготовленные эксперты могут существенно расходиться в своих оценках. В этом исследовании три патолога независимо друг от друга оценивали более 200 наборов желудочных биопсий от колумбийских добровольцев и пациентов. Их согласованность варьировала от слабой до умеренной, что означает: один и тот же случай мог получить разные стадии риска в зависимости от читающего. Такая вариабельность вызывает опасения, что некоторым людям могут дать ложное успокоение, а другим — сообщить о более высоком риске, чем на самом деле.

Обучение компьютера чтению препаратов

Исследователи задали вопрос, может ли глубокое обучение, разновидность искусственного интеллекта, отлично распознающего паттерны на изображениях, помочь в этой задаче. Они оцифровали по пять биопсийных образцов с человека при очень высоком увеличении и сначала использовали специализированный алгоритм для поиска железистых структур в ткани, где появляются ранние изменения. Из этих областей они извлекли сотни тысяч небольших фрагментов изображения (тайлов). Опытный патолог заранее отметил зоны с кишечной метаплазией, что позволило пометить тайлы как изменённые или нормальные. Несколько современных архитектур нейронных сетей обучали поэтапно: сначала на больших существующих базах изображений, а затем дообучали на этих желудочных образцах для различения метаплазии и нормальной ткани.

Что нашёл компьютер и как это сопоставимо с врачами

Среди протестированных моделей одна архитектура показала наилучшие результаты, правильно определяя кишечную метаплазию в большинстве тайлов и достигнув уровня производительности, сопоставимого с другими задачами медицинской визуализации. Когда предсказания на уровне тайлов были наложены на цельные изображения препаратов, модель генерировала цветовые карты, показывающие вероятные участки изменённых желёз. По этим картам программа автоматически рассчитывала процент изменённой ткани в каждом месте биопсии и переводила эти проценты в те же стадии риска, которые используют люди. Хотя модель не совпадала идеально ни с одним из патологов, она демонстрировала сильную корреляцию с их оценками и, что важно, была более последовательной от случая к случаю, чем взаимные оценки людей.

Что это может означать для будущего ухода

Исследование показывает, что системы глубокого обучения могут выступать в роли надёжного «второго читателя» для желудочных биопсий, предоставляя объективные измерения того, какая часть ткани демонстрирует ранние предраковые изменения. Такие инструменты не предназначены для замены патологов, но могут дать им надёжную опору, сократить долю догадок и разногласий и помочь выявлять действительно высокорисковых пациентов для адекватного наблюдения. При дальнейшем тестировании в разных больницах и более детальной маркировке подтипов тканей этот подход в перспективе может поддержать более персонализированные и уверенные решения о том, кто нуждается в более тщательном наблюдении для предотвращения рака желудка.

Цитирование: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Ключевые слова: рак желудка, кишечная метаплазия, глубокое обучение, цифровая патология, стратификация риска рака