Обнаружение и классификация рака щитовидной железы с помощью спектральной визуализации и искусственного интеллекта

Почему важно рано выявлять рак щитовидной железы

Рак щитовидной железы — самый распространённый рак гормонопродуцирующих желёз, и его диагностика по‑прежнему во многом зависит от того, что патолог видит в микроскоп. При этом даже эксперты могут расходиться во мнениях, особенно в пограничных случаях, которые выглядят отчасти безобидно и отчасти настораживающе. В этом исследовании описан новый способ чтения стандартных срезов ткани щитовидной железы с помощью продвинутых световых измерений и искусственного интеллекта, цель которого — помочь врачам точнее и последовательнее отличать нормальную ткань от опухолевой.

Взгляд за пределы обычной окраски на срезах ткани

В повседневной практике удалённую при операции ткань щитовидной железы тонко режут, окрашивают в розовый и фиолетовый и изучают в микроскоп. Цвета дают два красителя — гематоксилин и эозин — которые подчёркивают ядра клеток и окружающую ткань. Традиционные цифровые сканеры преобразуют это в простое изображение в формате RGB, подобно камере телефона. Команда, стоящая за этой работой, создала другой тип системы изображения — спектральную визуализацию, которая измеряет, как каждая крошечная точка на срезе поглощает свет по десяткам цветов видимого спектра вместо трёх. Этот более богатый «цветовой отпечаток» фиксирует тонкие различия, связанные с тем, насколько плотно упакован и организован генетический материал внутри каждого клеточного ядра — признаки, которые часто изменяются при раке.

Преобразование спектров отдельных клеток в пригодную для анализа информацию

Чтобы использовать эти детальные измерения, исследователи сначала попросили опытных патологов очертить явно нормальные и явно опухолевые области на каждом срезе. Их спектральный микроскоп затем сканировал обе области примерно за 5–10 минут на образец, собирая около 40 значений интенсивности света для каждого пикселя. Специализированная нейронная сеть, основанная на архитектуре, широко используемой в медицинской визуализации, автоматически находила и обводила ядра отдельных клеток. Для каждого ядра система вычисляла его средний спектр, размер и форму, а также степень отклонения спектра от типичных нормальных и типичных опухолевых ядер. Таким образом, то, что патолог качественно описывает как «темнее» или «более тесно расположенные» ядра, переводится в числовые признаки, которые может анализировать компьютер.

Два подхода к разделению нормальных и опухолевых клеток

В исследовании проверяли два дополняющих друг друга способа классификации клеток. В полуавтоматическом подходе патолог по‑прежнему отмечает одну область как нормальную и одну как опухолевую. Система затем сравнивает спектр каждого ядра со справочными спектрами из этих двух областей, используя простой алгоритм кластеризации, чтобы отделить вероятно нормальные от вероятно опухолевых клеток. Этот метод показал F1‑метрики — баланс чувствительности и точности — около 0,8 и выше для основных подтипов рака щитовидной железы, причём показатели улучшались при исключении пограничных ядер со смешанными признаками. В полностью автоматическом подходе модель машинного обучения, называемая случайным лесом, обучалась на более чем 150 000 помеченных ядер, чтобы распознавать закономерности в размере, форме и спектральном поведении ядер, указывающие на рак. При тестировании на отдельных случаях пациентов она также достигла F1‑показателей выше 0,82 без необходимости ручной разметки областей.

От отдельных клеток к решениям по всей ткани

Врачи не основывают лечение на судьбе одной клетки, а оценивают, являются ли более крупные участки ткани опухолевыми и насколько широко распространена болезнь. Поэтому исследователи оценивали, как система работает, когда она группирует клетки в небольшие подрегионы и помечает каждый регион как опухолевый или нормальный, если большинство его ядер выглядит опухолевыми или нет. Такой региональный подход ещё больше повысил точность, особенно сократив ложные срабатывания в нормальной ткани. Важно, что подход оставался прозрачным: каждое решение можно проследить до видимых признаков клеток и спектров, что исключает «чёрный ящик», характерный для некоторых инструментов глубокого обучения, и повышает доверие в клинической практике.

Что это может значить для пациентов и врачей

Исследование показывает, что добавление детальных спектральных измерений и продуманного ИИ к рутинным срезам щитовидной железы может надёжно выявлять участки с раком, даже в сложных подтипах, которые часто вводят экспертов в заблуждение. Поскольку метод работает с теми же стандартными окрасками, которые используются по всему миру, его можно интегрировать в цифровые рабочие процессы патологии без изменения подготовки тканей. Система не стремится заменить патологов, а предоставляет карту вероятно нормальных и опухолевых ядер по всему срезу, помогая подтвердить сложные диагнозы, ускорить обзоры и потенциально снизить риск как пропуска рака, так и ненужного агрессивного лечения.

Цитирование: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Ключевые слова: рак щитовидной железы, цифровая патология, спектральная визуализация, искусственный интеллект, диагностика рака