Лёгкая CNN для улучшенной классификации немелкоклеточного рака лёгких по КТ‑снимкам

Почему важны более быстрые сканирования лёгких

Рак лёгких — один из наиболее смертоносных видов рака, отчасти потому, что он часто обнаруживается на поздних стадиях. Врачи всё чаще опираются на детализированные КТ‑снимки и микроскопические изображения лёгочной ткани, чтобы заметить ранние признаки болезни, но чтение этих изображений требует времени и квалификации, которые не всегда доступны, особенно в небольших клиниках. В исследовании представлен компактный алгоритм искусственного интеллекта под названием MiniConvNet, созданный, чтобы помогать врачам быстро и точно различать несколько основных форм немелкоклеточного рака лёгких и здоровую лёгочную ткань даже на скромных компьютерах.

Проблема раннего выявления рака лёгких

Большинство смертей от рака лёгких связано с немелкоклеточным раком лёгких — общим понятием, включающим аденокарциному, плоскоклеточный карцином и крупноклеточный карцином. Эти подтипы ведут себя по‑разному, по‑разному отвечают на лечение и могут выглядеть схоже на снимках. Сегодня радиологи и патологы изучают КТ‑снимки и гистологические препараты, чтобы поставить диагноз, но эта работа трудоёмка и особенно сложна там, где не хватает специалистов. Хотя современные системы глубокого обучения могут помогать, многие из лучших моделей велики, медленны и требуют мощных графических процессоров, что затрудняет их внедрение в повседневной клинической практике.

Создание меньшего, но умного анализатора изображений

Авторы поставили цель спроектировать нейронную сеть, сохраняющую преимущества глубокого обучения, но без избыточного веса. MiniConvNet — лёгкая сверточная нейронная сеть, тип алгоритма, хорошо подходящий для анализа изображений. Она использует ряд небольших фильтров, простые математические операции и слои пулинга, которые постепенно сжимают визуальную информацию в компактное представление, за которым следуют полносвязные слои для окончательного решения. При примерно полумиллионе обучаемых параметров и размере файла всего около 6 мегабайт MiniConvNet гораздо компактнее известных моделей, таких как VGG, ResNet и Inception, которые часто содержат десятки миллионов параметров и требуют значительно больше памяти и вычислительных ресурсов.

Тестирование модели

Чтобы оценить, насколько хорошо работает компактная архитектура, исследователи обучали и проверяли MiniConvNet на двух типах изображений лёгких. Первый набор — коллекция КТ‑снимков из 900 изображений, включавшая три подтипа рака и здоровые лёгкие. Второй — гораздо большая база из 15 000 высокоразрешённых микроскопических изображений лёгочной ткани с аналогичными классами. В обоих наборах изображения были приведены к стандартному формату и подверглись аугментации данных — простым преобразованиям, таким как отражение, поворот и масштабирование — чтобы помочь модели справляться с вариативностью, встречающейся в реальной практике. Для MiniConvNet и набора эталонных моделей использовались одинаковые настройки обучения — скорость обучения, размер пакета, оптимизатор — чтобы сравнения были честными.

Как новая модель смотрится в сравнении

На КТ‑снимках MiniConvNet показала около 96% точности на тестовой выборке, значительно опередив устоявшиеся модели: лучшая из крупных сетей, Inception V3, достигала примерно 82% точности, а другие, такие как VGG16, VGG19, ResNet‑50, EfficientNet, MobileNet и ConvNeXt, отставали. MiniConvNet также продемонстрировала высокие показатели точности (precision), полноты (recall) и F1‑меры по отдельным классам, что указывает на то, что модель не только надёжно обнаруживала рак, но и различала три основных подтипа и здоровую ткань. На наборе микроскопических изображений модель вновь оказалась в числе лучших, с точностью на тесте около 97% и сбалансированными показателями по категориям. Эксперимент с пятимерной перекрёстной проверкой — повторное обучение и тестирование на разных разрезах данных — подтвердил, что эти результаты стабильны, а не случайны.

Скорость и практичность для реальных клиник

Помимо точности, исследование подчёркивает скорость и экономию ресурсов. MiniConvNet обучалась быстрее многих тяжёлых моделей и выдавала предсказания всего за несколько миллисекунд на стандартном оборудовании, при этом успешно обрабатывая как КТ, так и гистологические изображения. Эти свойства важны для инструментов при точке оказания помощи, где компьютеры могут быть менее мощными, а врачам нужен быстрый отклик. Авторы также показали, что добавление регуляризации в виде dropout помогло сохранить высокую производительность модели и снизить риск переобучения — проблему, которая часто возникает при обучении глубоких сетей на относительно небольших медицинских наборах данных.

Что это означает для пациентов и врачей

Проще говоря, работа показывает, что небольшой эффективный ИИ‑модуль может помогать выявлять и классифицировать раки лёгких с точностью, сопоставимой или превосходящей более крупные системы. MiniConvNet достаточно компактна, чтобы запускаться на недорогих машинах, что делает её перспективной для больниц и клиник, где нет продвинутой вычислительной инфраструктуры. Хотя для доверительного использования в рутинной практике необходимы более крупные и разнообразные базы пациентов, а также испытания в реальных условиях, это исследование указывает на будущее, в котором быстрые переносимые ИИ‑ассистенты помогут специалистам обнаруживать рак лёгких раньше и точнее подбирать лечение.

Цитирование: Baqir, M.A., Qayyum, S., Ashfaq, N. et al. A lightweight CNN for enhanced non-small cell lung cancer classification using CT scan image. Sci Rep 16, 12985 (2026). https://doi.org/10.1038/s41598-026-41401-w

Ключевые слова: рак лёгких, КТ, глубокое обучение, сверточная нейронная сеть, медицинская визуализация