Использование медицинской визуализации и глубокого обучения для диагностики рака молочной железы по гистопатологическим изображениям

Почему раннее обнаружение важно

Рак молочной железы — одна из ведущих причин смертности от рака среди женщин во всем мире, но прогноз существенно улучшается, когда заболевание выявляют на ранней стадии. Врачи обычно ставят диагноз, изучая тонкие срезы ткани под микроскопом — процесс, называемый гистопатологией. Эти изображения содержат много информации о том, являются ли клетки безвредными или опасными, однако их чтение занимает много времени и может различаться в зависимости от специалиста. В этом исследовании изучается, как современные методы искусственного интеллекта могут помочь патологам быстрее и последовательнее обнаруживать рак молочной железы, что потенциально дает пациентам более быстрые ответы и более эффективные варианты лечения.

Ближе к тканевым изображениям

Под микроскопом ткань молочной железы не делится однозначно на «здоровую» и «раковую». Клетки перекрываются, окрашивание варьируется от лаборатории к лаборатории, а тонкие изменения формы или текстуры могут иметь решающее значение. Традиционные системы компьютерной поддержки сталкивались с трудностями при анализе этой сложности, потому что инженерам приходилось вручную проектировать признаки, на которые должен обращать внимание компьютер, и небольшие изменения в окраске или качестве изображения могли сбивать их с толку. Глубокое обучение, ветвь искусственного интеллекта, которая извлекает закономерности напрямую из данных, недавно преобразило способы интерпретации изображений, включая медицинские сканы. Авторы опираются на этот прогресс, чтобы создать систему, адаптированную к неидеальной реальности слайдов ткани молочной железы.

Очистка изображения перед анализом

Первый шаг в их подходе прост, но важен: очистить изображение до того, как передать его на обработку компьютеру. Гистопатологические слайды часто содержат визуальный «шум» от процессов окрашивания и съемки, который может скрывать тонкие структуры, сигнализирующие о раннем раке. Исследователи используют метод, называемый фильтрацией Винера, который сглаживает случайные помехи, при этом сохраняя резкие края и мелкие детали, такие как границы клеток и небольшие скопления. Предоставляя компьютеру более четкое изображение, этот шаг помогает избежать как пропуска случаев рака, так и ложных тревог, которые могут привести к ненужным дополнительным обследованиям.

Обучение компьютера тому, на что обращать внимание

Далее команда применяет сложную модель глубокого обучения, известную как SE-ResNet, для анализа очищенных изображений. Проще говоря, модель просматривает слайд по участкам, постепенно выстраивая внутренний «словарь» визуальных паттернов: как выглядят нормальные протоки, как группируются опухолевые клетки и как текстуры меняются по мере повышения агрессивности рака. Встроенный механизм внимания помогает сети выделять наиболее информативные каналы изображения и ослаблять влияние нерелевантного фона. Это делает модель более чувствительной к тонким признакам болезни при сохранении вычислительной эффективности, достаточной для работы на оборудовании больницы в реальных условиях.

Прослеживание закономерностей в пространстве как сюжет

Вместо того чтобы рассматривать каждый фрагмент ткани как изолированную картинку, исследователи учитывают, что признаки болезни часто разворачиваются на слайде как сюжет. Чтобы учесть это, они передают признаки, извлеченные SE-ResNet, в двунаправленную сеть с долговременной краткосрочной памятью, или BiLSTM. Этот тип модели предназначен для анализа последовательностей: он изучает, как паттерны меняются от одного региона к другому, как вперед, так и назад, наподобие прочтения предложения в обоих направлениях, чтобы уловить его полный смысл. Изучая эти пространственные связи, BiLSTM лучше различает доброкачественные изменения и истинно злокачественные признаки.

Насколько система работает на практике

Авторы протестировали полный конвейер — снижение шума, обучение признаков и моделирование последовательностей — на крупных публичных коллекциях изображений ткани молочной железы, включая широко используемый набор данных BreakHis. Они разделили данные на тренировочные и тестовые группы в разных соотношениях и сравнили свой метод со многими устоявшимися моделями глубокого обучения. Во всех экспериментах их система правильно классифицировала доброкачественные и злокачественные образцы почти в 99% случаев, превзойдя конкурирующие методы и при этом работая быстрее. Модель оставалась устойчивой при разных увеличениях тканей, что говорит о ее способности адаптироваться к слайдам, подготовленным в разных условиях. В то же время исследование отмечает ограничения: наборы данных по-прежнему относительно невелики, модель ориентирована на простое двуклассовое решение, а не на детальную классификацию подтипов опухолей, и она еще не доказала свою эффективность в реальных клинических рабочих процессах.

Что это значит для пациентов и врачей

Для непрофессионала основная мысль такова: компьютеры становятся значительно лучше в чтении микроскопических изображений ткани молочной железы и в пометке подозрительных областей. Предложенная система не заменяет патолога; скорее она выступает в роли внимательного помощника, выделяющего участки, вероятно являющиеся раковыми, и предоставляющего второе мнение с очень высокой точностью. Если метод подтвердится на более крупных и разнообразных группах пациентов, такие инструменты могут сократить время до постановки диагноза, снизить вероятность пропуска небольшой опухоли и помочь перегруженным больницам справляться с растущей нагрузкой. В будущем потребуется протестировать метод на более разнообразных слайдах и интегрировать его в повседневные лабораторные процедуры, но это исследование демонстрирует, что тщательно спроектированные системы глубокого обучения могут стать мощным союзником в борьбе с раком молочной железы.

Цитирование: Nagalakshmi, V., Ahammad, S.H. Leveraging medical imaging and deep learning for diagnosis of breast cancer using histopathological images. Sci Rep 16, 6236 (2026). https://doi.org/10.1038/s41598-026-37663-z

Ключевые слова: диагностика рака молочной железы, гистопатологические изображения, глубокое обучение, медицинская визуализация, компьютерная поддержка обнаружения