Диагностика цервикальной дисплазии с помощью ИИ по изображениям цервикографии

Почему это важно для женского здоровья

Рак шейки матки — один из самых предотвратимых видов рака, однако во многих регионах с ограниченными ресурсами у женщин по-прежнему нет доступа к современным средствам скрининга. В этом исследовании изучается, как искусственный интеллект может превратить простые фотографии шейки матки, сделанные после нанесения уксусоподобного раствора, в мощный инструмент для выявления ранних предраковых изменений. Цель — обеспечить более точную диагностику в клиниках без дорогого оборудования и узких специалистов, что поможет обнаруживать заболевание раньше и потенциально спасать жизни.

От простых снимков к более умному скринингу

Во многих больницах в странах с высоким уровнем дохода врачи используют увеличительное устройство — кольпоскоп — чтобы подробно осмотреть шейку матки и решить, требуется ли биопсия подозрительных участков. В менее обеспеченных или сельских условиях этого прибора часто нет, поэтому медсестры используют визуальный осмотр с уксусной кислотой (VIA): наносят разведённую уксусную кислоту, ищут побеления и могут сделать фото (цервикографию). VIA хорошо сигнализирует о возможной проблеме, но гораздо менее надёжен при оценке степени тяжести аномалии. Ключевое клиническое решение — является ли поражение лёгким и подлежит наблюдению, или серьёзным и требует немедленного лечения. Исследователи поставили задачу научить компьютер различать эти состояния непосредственно по изображениям цервикографии.

Обучение компьютеров распознавать тонкие визуальные признаки

Команда создала двухэтапную систему на базе современной модели анализа изображений YOLOv11, выбранной за способность быстро находить объекты и работать на умеренном оборудовании. Сначала система определяет, есть ли на изображении VIA подозрительное поражение, опираясь на медицинские правила о том, как должны выглядеть белые зоны и где они располагаться на шейке матки. Если поражение обнаружено, второй этап анализирует четыре визуальных признака, на которые опираются эксперты кольпоскопии: степень побеления после обработки кислотой, гладкость или шершавость поверхности, какую долю зоны трансформации занимает поражение и сколько из четырёх квадрантов шейки вовлечено. Каждый признак оценивается либо моделью ИИ, либо простыми геометрическими правилами, и вместе они дают более полную картину тяжести заболевания, чем только цвет.

Создание большего объёма данных при ограниченном числе пациентов

Главное препятствие заключалось в том, что качественных изображений с подтверждённой биопсией, особенно ранних и лёгких форм заболевания, очень мало. Чтобы преодолеть это, исследователи использовали генеративный ИИ (StyleGAN-2 с адаптивным аугментированием) для создания реалистичных синтетических изображений шейки, имитирующих недостаточно представленные паттерны. Эти искусственные изображения использовались только для обучения и валидации, но не для финального тестирования. Реальные данные поступали из нескольких источников, включая крупные международные наборы с кольпоскопическими снимками и метками Swede Score, меньший, но высоконадежный набор с гистопатологическим подтверждением, а также внешние коллекции из индонезийских больниц и программ скрининга на базе мобильных телефонов. Такое сочетание позволило модели учиться как на экспертной градации, так и на золотом стандарте — диагнозах по ткани.

Объединение мнений в одно решение

После извлечения четырёх ключевых признаков из каждого изображения система использовала ансамблевый подход — по сути структурированное «голосование» между специализированными классификаторами по каждому признаку — чтобы отнести случай к лёгкой или тяжёлой дисплазии. Ранние эксперименты без продвинутого аугментирования показали лишь около 62% точности, что демонстрирует сложность задачи при ограниченных и несбалансированных данных. После добавления GAN-сгенерированных тренировочных изображений и тщательной настройки ансамбля лучшая конфигурация достигла примерно 95% общей точности на независимом тестовом наборе с подтверждённой биопсией. Модель корректно определяла более 95% тяжёлых случаев и свыше 80% лёгких, при общей доле ошибок ниже 8%. Также модель показала стабильную работу на отдельном наборе из больницы, что указывает на способность справляться с вариациями оборудования и местной практики, хотя её эффективность снижалась при работе с ярко освещёнными изображениями с мобильных телефонов.

Что это означает для повседневной помощи

Для неспециализированных клиник, которые уже проводят скрининг VIA, эта работа показывает, что обычные снимки цервикографии могут превратиться в гораздо более информативный инструмент. Система ИИ, которая подчёркивает поражения, оценивает их распространённость и сообщает, выглядят ли они как лёгкие или тяжёлые, может помочь медицинским работникам решать, кому требуется срочная направка, а кого можно безопасно наблюдать. Авторы предупреждают, что модель всё ещё имеет ограничения: она частично зависит от синтетических данных, в основном обучена на кольпоскопических изображениях, а не на реальных фото с телефонов, и протестирована на относительно небольших наборах с подтверждением биопсией. Прежде чем такая система сможет самостоятельно направлять лечение, нужны более крупные и разнообразные исследования. Тем не менее результаты демонстрируют, что сочетание доступной визуализации и продуманного ИИ может усилить профилактику рака шейки матки именно там, где это наиболее необходимо.

Цитирование: Nurmaini, S., Rachmatullah, M.N., Agustiansyah, P. et al. AI-assisted diagnosis of cervical dysplasia from cervicography images. Sci Rep 16, 9920 (2026). https://doi.org/10.1038/s41598-026-39192-1

Ключевые слова: скрининг рака шейки матки, цервикография, медицинский ИИ, глубокое обучение, градация дисплазии