Ансамблевые высокопроизводительные модели глубокого обучения для поиска медицинских изображений при выявлении рака молочной железы

Почему важны более «умные» сканирования для здоровья груди

Рак молочной железы — одно из наиболее распространённых онкологических заболеваний у женщин, и ультразвуковое исследование является ключевым инструментом для раннего обнаружения подозрительных уплотнений. Однако врачам приходится просматривать постоянно растущие архивы медицинских изображений, а системы, которые могли бы помочь, часто не способны по‑настоящему «понять» увиденное. В этом исследовании представлена более продвинутая поисковая система для изображений УЗИ молочной железы, которая не только точно находит и классифицирует опухоли, но и показывает врачам, какие участки изображения повлияли на её решения.

От простых снимков к содержательным сравнениям

В больницах теперь хранится огромное количество УЗИ молочной железы, что затрудняет и замедляет поиск прошлых случаев, похожих на изображение нового пациента. Ранее системы поиска по содержимому сравнивали снимки по базовым признакам, таким как яркость или текстура, что часто не отражало мыслительный процесс радиологов при оценке заболевания. Авторы стремятся сократить этот разрыв, обучив модель глубокого обучения на широко используемой коллекции из 830 УЗ‑изображений молочной железы, сгруппированных в нормальную ткань, доброкачественные узлы и злокачественные опухоли. Их цель двойная: отнести новый снимок к одной из трёх категорий и затем автоматически найти похожие прошлые случаи, которые могли бы помочь в постановке диагноза.

Обучение гибридного ИИ распознавать шаблоны

Команда создаёт «гибридную» модель, объединяющую три типа нейронных сетей, каждая из которых играет свою роль. Сверточная сеть специализируется на распознавании пространственных особенностей на УЗ‑снимке — например, формы уплотнения или чёткости его краёв. Рекуррентная сеть, чаще используемая для последовательных данных вроде речи, адаптирована для обработки строк пикселей как упорядоченного сигнала, что помогает замечать тонкие изменения по образцу. В дополнение к ним компонент объяснимого ИИ генерирует тепловые карты, выделяющие области изображения, наиболее ответственные за решение, чтобы клиницисты могли убедиться, что модель фокусируется на опухоли, а не на несущественном фоне.

Очистка, расширение и организация данных

Перед обучением исследователи тщательно готовят УЗ‑изображения. Они удаляют дубликаты и нерелевантные рамки, приводят снимки к общему оттенку серого, обрезают пустые области и изменяют размер до стандартного небольшого квадрата, чтобы модель могла эффективно обрабатывать данные. Каждое изображение маркируется как нормальное, доброкачественное или злокачественное, а маски отмечают точные границы опухоли. Поскольку медицинские наборы данных обычно малы, коллекцию искусственно расширяют поворотами, отражениями, масштабированием и изменением контрастности, увеличивая учебный набор с 548 до 3840 изображений. Эта контролируемая вариативность учит сеть справляться с теми многочисленными вариантами внешнего вида опухолей, которые возникают при разных аппаратах и у разных пациентов.

Как система классифицирует и ищет

После обучения гибридная модель преобразует каждый УЗ‑снимок в компактный числовой «отпечаток», взятый со второго с конца слоя сети. Изображения с похожими отпечатками, как правило, демонстрируют сходные тканевые паттерны, поэтому команда может вычислять простые расстояния между этими отпечатками, чтобы найти ближайшие совпадения в базе данных. Система сначала предсказывает, является ли новый снимок нормальным, доброкачественным или злокачественным, затем извлекает визуально и клинически похожие случаи, предоставляя радиологу галерею ориентировочных изображений. Модуль объяснимости накладывает тёплые цвета на исходный снимок, показывая, куда «смотрела» сеть при вынесении решения, что помогает укрепить доверие и поддерживает обучение и вторые мнения.

Что эти результаты значат для пациентов

В тестах на наборе УЗ‑изображений молочной железы гибридный подход достигает примерно 99% точности классификации и превосходит несколько ведущих моделей глубокого обучения, основанных на одной архитектуре. Он также показывает стабильное поведение при разных разбиениях на обучающую и тестовую выборки, что указывает на то, что его эффективность не является случайным эффектом одной конкретной разделённой выборки. Для пациентов это значит, что в будущем радиолог сможет получить не только высоконадежную компьютерную помощь при чтении УЗИ, но и мгновенно увидеть похожие прошлые случаи и точно те участки изображения, которые вызвали опасения. Авторы отмечают, что требуются более широкие клинические испытания и проверки на других типах изображений, но их работа указывает на более прозрачное, надёжное и эффективное применение ИИ при выявлении рака молочной железы.

Цитирование: Fawzy, A.E., Almandouh, M.E., Herajy, M. et al. Ensemble-based high-performance deep learning models for medical image retrieval in breast cancer detection. Sci Rep 16, 8723 (2026). https://doi.org/10.1038/s41598-026-38218-y

Ключевые слова: ультразвук молочной железы, поиск медицинских изображений, глубокое обучение, выявление рака молочной железы, объяснимый ИИ