Влияние обнаружения ткани на диагностические алгоритмы ИИ в цифровой патологии предстательной железы

Почему важен первый этап в системах ИИ по раку

По мере того как больницы все чаще используют искусственный интеллект для помощи в чтении биопсий предстательной железы, незаметным, но критичным этапом остается простая задача: найти, где находится ткань на цифровом слайде. Если этот первый шаг не удается и важные фрагменты ткани пропускаются, даже самый продвинутый ИИ по обнаружению рака может дать неверные результаты. В этом исследовании выясняют, насколько существенно такое базовое звено для общей работоспособности и может ли современный ИИ быть безопаснее старых методов на основе правил при самой задаче поиска ткани.

От стекла слайда к цифровому изображению

В цифровой патологии тонкие срезы ткани предстательной железы сканируют в высокоразрешающие изображения. Прежде чем любой алгоритм градации рака начнет работать, систему нужно заставить отделить ткань от пустого фона. Традиционно это делается простыми правилами на основе цвета и яркости, например пороговой фильтрацией пикселей, вероятно принадлежащих ткани. Более новые системы обучают модели ИИ распознавать формы и шаблоны ткани, аналогично тому, как они решают более сложные задачи. Вопрос в том, улучшает ли такое обновление «трубопровода» реальную клиническую градацию рака или в основном снижает редкие, но серьёзные отказы.

Построение и тестирование двух подходов к обнаружению

Исследователи сосредоточились на градации рака простаты, где биопсиям присваивают баллы Глисона и грады ISUP, определяющие лечение. Они сравнили давно используемый детектор на основе правил с новой моделью ИИ, построенной на сети сегментации изображений UNet++. Для обучения и оценки детектора ткани использовали более 33 000 отсканированных слайдов из нескольких больниц и типов сканеров, комбинируя автоматически сгенерированные контуры ткани с меньшими наборами, которые были вручную проверены и уточнены экспертами. Для последующей градации рака применяли современный ИИ, обученный на более чем 55 000 слайдов, а затем протестированный в 13 клинических центрах на 13 разных сканерах, отражая разнородность реальной клинической практики.

Насколько хорошо каждый метод видит ткань

Если смотреть только на точность разметки пикселей ткани, оба метода в среднем показали хорошие результаты. Детектор на основе ИИ зафиксировал немного больше истинной ткани в целом, тогда как классический метод был чуть лучше в избегании фоновых областей. Ключевая разница проявилась в редких слайдах‑выбросах с необычным внешним видом. В этих сложных случаях метод на основе правил иногда полностью пропускал большие участки ткани, тогда как ИИ‑детектор, как правило, сохранял их. На более чем 27 000 оценочных слайдах число полных сбоев, при которых ткань не была обнаружена вообще, снизилось с 118 при классическом методе до 24 при детекторе на базе ИИ, что указывает на потенциальное преимущество ИИ в снижении катастрофических пропусков.

Улучшает ли более хорошее обнаружение ткани градацию рака?

Команда затем спросила, изменяют ли эти различия в картах ткани итоговые оценки рака, которые выдает последующий ИИ. Для честного сравнения анализировали только слайды, где оба метода обнаружения нашли хотя бы часть ткани, и сравнивали согласованность между предсказанными ИИ градами и градами, выставленными патологами. На большом наборе слайдов общая производительность градации оказалась очень похожей вне зависимости от того, использовался ли детектор на основе правил или ИИ, с пересекающимися доверительными интервалами во всех клинических когортах. Иными словами, для типичных слайдов начальный этап обнаружения не ограничивал явно точность сильной современной модели градации, даже если использовался более старый, простой детектор.

Когда первый шаг меняет ответ

Несмотря на схожие средние показатели, выбор детектора ткани изменял предсказанную степень рака в небольшой, но важной доле случаев. Среди злокачественных слайдов с референсной градацией на уровне слайда у 3,5% предсказанные грады ISUP различались в зависимости от использованного детектора ткани. Примерно в равных долях этих случаев детектор на базе ИИ давал правильную оценку там, где классический метод ошибался, и наоборот. Визуальные примеры показали причину: если один детектор пропускал большой кусок опухолевой ткани или ошибочно принимал мусор за ткань, ИИ‑градация могла быть смещена к более низкой или более высокой категории риска. Эти «пограничные случаи» демонстрируют, как тонкие изменения в том, какие фрагменты изображения поступают в модель градации, могут повлиять на окончательное решение.

Что это значит для будущих систем ИИ в онкологии

Пока что исследование показывает, что в высококачественных мультицентровых наборах данных по биопсиям простаты точный метод обнаружения ткани не меняет существенно среднюю точность современных ИИ‑систем градации. Тем не менее ИИ‑детектирование ткани явно снижает частоту полных сбоев и может повлиять на результаты в небольшой подгруппе злокачественных случаев, где пропуск ткани может быть наиболее вредным. Авторы утверждают, что обнаружение ткани следует рассматривать как неотъемлемую, аудитируемую часть диагностических ИИ‑систем, с чёткими визуализациями для патологов и дальнейшими исследованиями в направлении надёжных и эффективных моделей по мере роста точности последующих ИИ.

Цитирование: Boman, S.E., Mulliqi, N., Blilie, A. et al. The impact of tissue detection on diagnostic artificial intelligence algorithms in prostate digital pathology. Sci Rep 16, 14968 (2026). https://doi.org/10.1038/s41598-026-52148-9

Ключевые слова: цифровая патология, рак простаты, обнаружение ткани, градация Глисона, диагностический ИИ