Пайплайн машинного обучения для изучения прорастания ткани в церебральных аневризмах на доклинических животных моделях

Почему имеют значение крошечные выпячивания в артериях мозга

Церебральные аневризмы — это небольшие, похожие на шарики выпячивания в артериях мозга, которые могут разорваться без предупреждения, вызывая инсульт или смерть. Одним из распространённых и менее инвазивных методов лечения является заполнение выпячивания мягкими металлическими спиралями, чтобы кровь сворачивалась, а новая ткань постепенно запечатывала слабое место изнутри. Однако врачам и исследователям по‑прежнему трудно точно измерить, насколько хорошо эта заживающая ткань заполняет аневризму. Работа, лежащая в основе этого обзора, использует искусственный интеллект (ИИ) для преобразования микроскопических изображений высокого увеличения в точные и воспроизводимые измерения скрытого процесса заживления, с долгосрочной целью помочь в подборе более безопасных и долговечных методов лечения для пациентов.

От тонких сосудов мозга к лабораторным моделям

В клинике аневризмы лечат либо открытой операцией с установкой металлической клипсы через шейку выпячивания, либо эндоваскулярным плетением, когда крошечные спирали вводят через сосуды и разворачивают внутри аневризмы. Плетение менее травматично и может служить каркасом для роста новой ткани, но у четверти заплетённых аневризм со временем возникает рецидив, требующий повторного вмешательства. Животные модели дают возможность изучать, почему одни аневризмы заживают лучше других. В этом исследовании учёные использовали мышей, у которых создавали аневризмы сонной артерии и затем лечили платиновыми спиралями, некоторые из которых были покрыты молекулами, стимулирующими восстановление ткани. Тонкие окрашенные срезы области аневризмы фотографировали под микроскопом, получая детальную картину кровяных сгустков, соединительной ткани и ремоделирования внутри мешка.

Преобразование микроскопических снимков в пригодные для анализа числа

Традиционно специалисты осматривают такие гистологические слайды невооружённым глазом и оценивают, какая доля полости аневризмы заполнена новой тканью. Этот подход медленный, субъективный и трудно стандартизируемый между лабораториями. Авторы разработали пайплайн машинного обучения для автоматизации двух ключевых задач: очерчивания мешка аневризмы и выявления областей прорастания новой ткани. Они использовали современную сеть анализа изображений Unet++, изначально разработанную для сегментации медицинских изображений, и адаптировали её для работы с гистологическими изображениями высокого разрешения. Перед обучением изображения изменяли по размеру, нормализовали и дополняли аугментациями — поворотами, зеркалированием и изменением масштаба, чтобы модель лучше справлялась с естественной вариативностью. Вместо простого чёрно‑белого маскирования сеть сначала генерировала сглаженные градационные «тепловые карты» вероятности принадлежности каждого пикселя к мешку, которые затем уточнялись с помощью устоявшихся пороговых методов обработки изображений.

Насколько хорошо ИИ «видит» то, что видят эксперты

Как только границы аневризмы были определены, система измеряла, какая доля этой области занята прораставшей тканью. По результатам 64 изображений с десятикратной перекрёстной проверкой контуры мешка и зоны прорастания, созданные ИИ, чрезвычайно хорошо совпадали с нарисованными экспертами — показатели перекрытия находились в середине 90‑процентного диапазона, а стандартные кривые классификации показывали почти идеальную работу. При сравнении измерений прорастания ИИ с «истиной» по оценке человека точки располагались близко к идеальной линии, показывая, что автоматизированный метод хорошо отслеживает экспертную оценку. Чтобы проверить, столь же ли последователен ИИ, как обученные помощники, четыре слепых оценщика и модель оценивали отдельный набор изображений. Согласованность с мнением ведущего нейрохирурга была выше у ИИ, что указывает на обеспечение алгоритмом экспертного уровня стабильности, свободного от усталости или личных предубеждений.

Инструмент, созданный для использования неспециалистами

Понимая, что одних сложных алгоритмов недостаточно для изменения практики, команда реализовала свой пайплайн внутри облачного графического интерфейса, который работает в веб‑браузере. Пользователи могут загружать новые слайды с аневризмами, запускать предобученную модель и сразу видеть цветные наложения мешка и прораставшей ткани поверх исходного изображения. Интерфейс также выдаёт простые геометрические параметры, такие как общая площадь мешка и процент прорастания, и позволяет при необходимости уточнять границы вручную. Поскольку платформа построена на базе открытой системы цифровых слайдов, другие исследователи могут интегрировать инструмент в свои рабочие процессы, способствуя стандартизированным и совместно используемым показателям заживления аневризм в доклинических исследованиях.

Что это означает для будущего ухода за аневризмами

Для неспециалиста основная мысль такова: это исследование учит компьютеры «измерять рубец» внутри лечёной церебральной аневризмы с такой же надёжностью, как эксперт‑специалист. Заменяя грубые визуальные оценки объективными числами, учёные могут точнее сравнивать спирали, лекарственные покрытия и другие стратегии, направленные на стимулирование заживления в животных моделях до их применения у пациентов. Хотя текущая работа ограничена артериями мышей и одним типом окраски, она даёт план того, как ИИ может превращать сложные микроскопические изображения в стандартизированные оценки биологической стабильности. В долгосрочной перспективе такие инструменты могут помочь разрабатывать методы лечения, делающие восстановление аневризмы более полным и долговечным, снижая риск возвращения опасного выпячивания в артерии головного мозга.

Цитирование: Afsari, F., Ansari, I., Martinez, M.E. et al. A Machine learning pipeline to investigate tissue ingrowth in cerebral aneurysms using preclinical animal models. Sci Rep 16, 13352 (2026). https://doi.org/10.1038/s41598-026-43798-w

Ключевые слова: церебральная аневризма, эндоваскулярное плетение, прорастание ткани, гистология ИИ, сегментация изображений