Продвинутый анализ и обнаружение рака шейки матки с использованием NASNetLarge

Почему это важно для женского здоровья

Рак шейки матки — одна из ведущих причин смертности от рака среди женщин в мире, однако при раннем выявлении он хорошо поддается лечению. Традиционный скрининг опирается на визуальную оценку слайдов мазков Пап специалистами, что трудоемко и может пропускать едва заметные признаки. В этом исследовании изучается, как современная форма искусственного интеллекта может превратить изображения мазков Пап в структурированные шаблоны, читаемые компьютером, чтобы выявлять опасные изменения клеток более последовательно и быстрее, чем человеческий глаз.

Новый взгляд на изображения мазков Пап

Исследователи работают с изображениями мазков Пап из открытого набора данных, содержащего 300 образцов, равномерно распределенных по пяти типам клеток шейки матки — от нормальных до явно атипичных. Вместо того чтобы напрямую подавать эти изображения в стандартную систему распознавания изображений, они сначала преобразуют каждый слайд в карту маленьких областей и их взаимосвязей. На этой карте каждая клеткоподобная область становится узлом, а пространственные связи между областями — ребрами. Такое графовое представление фиксирует не только внешний вид клеток, но и их расположение, что часто содержит важные подсказки о болезни.

Как умная модель учится по шаблонам

Чтобы анализировать эти графовые изображения, команда использует NASNetLarge — мощную модель глубокого обучения, изначально обученную на миллионах повседневных фотографий. С помощью техники переноса обучения они сохраняют встроенную способность модели распознавать сложные визуальные паттерны и дообучают ее последние слои для различения пяти категорий клеток шейки матки. Также они расширяют небольшой набор данных, создавая разнообразные версии каждого изображения с помощью отражений, поворотов, масштабирования и сдвигов. Этот процесс помогает модели увидеть множество правдоподобных примеров и снижает риск того, что она просто запомнит обучающие данные вместо того, чтобы выучить общие закономерности.

Видеть, на что обращает внимание компьютер

Помимо чистой точности, исследование проверяет, сосредоточена ли модель на правильных участках изображения. Авторы используют метод визуализации, который выделяет зоны, наиболее ответственные за каждое решение, накладывая тепловые карты поверх графовых изображений. Эти представления показывают, что модель фокусируется на скоплениях и границах, которые патологи также считают важными. Это упрощает интерпретацию и повышает доверие со стороны клиницистов, а также указывает на то, что графовое представление удачно фиксирует значимую структуру, а не случайный шум.

Насколько хорошо работает система

Обученная на графово-преобразованных изображениях мазков Пап, NASNetLarge достигает примерно 94% точности на обучающих данных и 98,33% точности на отложенной валидационной выборке, с высокими показателями точности, полноты и F1 для всех пяти типов клеток. Абляционное исследование показывает, что пропуск шага графового преобразования снижает точность примерно до 83%, что подчеркивает ценность кодирования отношений между клетками. Модель также протестирована на отдельной коллекции кольпоскопических изображений и снова демонстрирует очень высокую точность, что говорит о возможности обобщения подхода за пределы исходного набора данных при сохранении приемлемых требований к аппаратуре.

Что это может значить для будущего скрининга

Проще говоря, исследование показывает, что преобразование изображений мазков Пап в структурированные карты и их анализ с помощью адаптированной модели глубокого обучения позволяют классифицировать клетки шейки матки с высокой точностью и низким уровнем ошибок. Хотя работе по-прежнему нужны более крупные и разнообразные наборы данных прежде чем ее можно будет использовать в повседневной клинической практике, она указывает на инструменты, которые могли бы помогать врачам, помечая подозрительные слайды, стандартизируя качество и расширяя доступ к экспертизe в регионах с ограниченным количеством специалистов. Для пациенток это в конечном счете может означать более раннее выявление и своевременное лечение рака шейки матки.

Цитирование: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

Ключевые слова: рак шейки матки, мазок Папаниколау, глубокое обучение, медицинская визуализация, ИИ-скрининг