Многомодельная система глубокого обучения для классификации нескольких подтипов почечных опухолей на контрастных КТ

Почему важно выявлять опухоли почки на ранних стадиях

Рак почки может долго протекать без явных симптомов и обнаруживаться лишь после распространения болезни. Тем не менее современная визуализация часто выявляет опухолевые образования случайно при сканировании по поводу боли в спине или других проблем. Ключевой вопрос в таких случаях: представляет ли образование опасность и требует операции, или это доброкачественный узел, который можно просто наблюдать? В этом исследовании изучают, как искусственный интеллект может помочь врачам точнее интерпретировать КТ-изображения, снижая число ненужных операций и при этом вовремя выявляя агрессивные опухоли.

Пять типов почечных образований — одно сложное решение

Не все опухоли почки одинаковы. Некоторые, например ангиомиолипома (AML) и почечная онкоцитома (RO), доброкачественны и, возможно, никогда не представят угрозы для жизни. Другие, объединённые в понятие почечно-клеточной карциномы (RCC), злокачественны и могут метастазировать. Среди злокачественных опухолей почки clear cell RCC (ccRCC) — самый распространённый и наиболее склонный к метастазированию; папиллярный RCC (pRCC) и хромофобный RCC (chRCC) обычно менее агрессивны, но всё равно серьёзны. На обычных снимках эти подтипы иногда выглядят удивительно похоже, поэтому врачи часто прибегают к биопсии или операции для точного диагноза. Авторы ставили задачу выяснить, сможет ли продвинутая компьютерная система надёжно распределять эти пять типов опухолей, используя только контрастные КТ-изображения.

Преобразование КТ-снимков в обучаемые шаблоны

Команда собрала контрастные КТ-снимки 280 пациентов, у которых диагноз опухоли почки был подтверждён гистологически. Экспертные радиологи вручную очертили каждую опухоль по срезам, обеспечив точную «эталонную» разметку для обучения компьютера. Использовали только одну фазу КТ — портально-венозную, привычную для рутинной практики — подчёркивая, что метод должен работать с обычными клиническими изображениями. Набор данных включал пять чётко маркированных групп: 84 ccRCC, 36 pRCC, 48 chRCC, 72 AML и 40 RO, охватывающих широкий возрастной диапазон и оба пола. Авторы разделили случаи по пациентам на обучающую, валидационную и тестовую выборки, чтобы изображения одного человека никогда не оказывались в разных группах.

Пошаговое цифровое «второе мнение»

Вместо того чтобы просить систему сразу отнести изображение к одному из пяти ярлыков, исследователи разработали поэтапный конвейер решений, имитирующий врачебное мышление. Сначала система решает, доброкачественная ли опухоль или злокачественная. Если доброкачественная — второй шаг разделяет AML и RO. Если злокачественная — следующий шаг отделяет ccRCC от остальных типов RCC, а финальный этап различает pRCC и chRCC. На каждом шаге мощный движок анализа изображений — сверточная нейронная сеть — изучает множество срезов одного пациента. Её внутренние числовые «признаки» затем обрабатываются тремя способами: простым усреднением предсказаний по срезам, моделью, учитывающей последовательность и изменения опухоли по срезам, и компактной сетью кодирования, сводящей весь стек в единый сигнатурный вектор. Три «мнения» объединяются в одну итоговую вероятность на данном этапе.

Насколько хорошо показала себя система ИИ

На основной тестовой выборке объединённая система достигла точности 96,4% в разделении доброкачественных и злокачественных опухолей: не было случаев, когда бы доброкачественная опухоль ошибочно помечалась как рак, и лишь небольшое число злокачественных опухолей осталось не распознанным. При различении двух доброкачественных типов система показала идеальную точность — 100%. Более тонкие задачи — отделение ccRCC от других RCC и различение папиллярного и хромофобного рака — оказались сложнее, но система всё равно добилась точностей выше 90%. Важный момент: авторы также проверили обученную модель на полностью другом публичном наборе данных, собранном в другом месте. Производительность осталась высокой, что указывает на то, что метод не просто запоминает изображения одного госпиталя, а способен обобщать на новых пациентах и сканерах.

Что это может значить для пациентов

Проще говоря, это исследование показывает, что ИИ‑«ассистент» может читать КТ почек так, что его выводы близки к результатам ручной работы радиологов и в некоторых аспектах её превосходят: отделять безвредные образования от опасных и определять важные онкологические подтипы. При дальнейшей валидации такая система могла бы помочь радиологам избежать ненужных биопсий и операций при доброкачественных опухолях и повысить уверенность при ранних решениях о лечении агрессивных форм. Для пациентов это может означать меньше инвазивных процедур, более быстрые ответы и более персонализированную заботу, основанную на точном характере их почечной опухоли.

Цитирование: Abdeltawab, H., Alksas, A., Ghazal, M. et al. A deep learning ensemble framework for multi-subtype renal tumor classification using contrast-enhanced CT. Sci Rep 16, 6657 (2026). https://doi.org/10.1038/s41598-026-37283-7

Ключевые слова: рак почки, изображения почечных опухолей, глубокое обучение, КТ-сканирование, компьютерная поддержка диагностики