Глубокое обучение для предсказания злокачественности и происхождения опухоли с использованием целого слайда цитологии или гистопатологии

Почему важна жидкость вокруг легких и в брюшной полости

Когда вокруг легких (плевральный выпот) или в брюшной полости (асцит) накапливается жидкость, это может быть ранним признаком распространения рака. Врачи изучают эти жидкости под микроскопом в поисках раковых клеток, но работа трудоемкая, и даже эксперты иногда приходят к разным выводам. В этом исследовании описана новая система искусственного интеллекта (ИИ), которая может сканировать целые цифровые слайды таких образцов, помогать определять наличие рака и даже предполагать, где в организме, вероятно, возникла опухоль.

Преобразование микроскопических слайдов в цифровые карты

Современные лаборатории патологии могут сканировать стеклянные слайды в ультра‑высокого разрешения цифровые изображения, содержащие миллионы клеток. Исследователи использовали эти целые слайды из двух типов препаратов: тонких «мазков» клеток и компактных «целлюлярных блоков», похожих на миниатюрные образцы ткани. Они сосредоточились на жидкости из грудной и брюшной полостей, собранной в крупной больнице, а также на дополнительных тканевых образцах из крупной международной онкологической базы данных. Поскольку вручную пометить каждую раковую клетку в таком масштабе невозможно, команда разработала метод, который мог учиться на метках уровня слайда, таких как «злокачественный» или «доброкачественный», без подробных аннотаций.

ИИ, который сам учится, на что обращать внимание

Система под названием MAMILE‑UNI сочетает две ключевые идеи. Во‑первых, она разбивает каждый слайд на множество небольших фрагментов изображения и пропускает их через мощную «трансформерную» сеть, предварительно обученную без меток человека на миллионах патологических изображений. Этот этап самообучения позволяет модели самостоятельно выявлять полезные визуальные паттерны — такие как скопления клеток и текстуры ткани. Во‑вторых, модуль внимания обучается определять, какие фрагменты на слайде наиболее важны для диагноза, эффективно имитируя то, как патолог ищет подозрительные области. Фрагменты, существенно влияющие на решение, выделяются, что даёт тепловые карты, показывающие, куда алгоритм «смотрел», когда маркировал слайд как злокачественный или нет.

Обнаружение рака в грудной и брюшной жидкостях

Команда оценивала MAMILE‑UNI на 1250 слайдах жидкостей из плевральных выпотов и асцитов. По сравнению с пятью ведущими методами глубокого обучения новая система consistently оказывалась более точной. Для плевральных выпотов она правильно различала злокачественные и доброкачественные слайды примерно в 9 случаях из 10 как для мазков, так и для клеточных блоков. Для асцитов точность была сопоставимой, и система особенно хорошо сохраняла как высокую чувствительность (поимка истинных случаев рака), так и высокую специфичность (избежание ложных тревог). Статистические тесты показали, что её предсказания тесно соответствовали истинным диагнозам и были значительно лучше, чем у конкурирующих моделей ИИ. Важно, что система оставалась надёжной даже когда раковых клеток на слайде было мало — ситуации, которая часто представляет трудность для людей.

Установление, откуда пришел рак

Помимо простой маркировки злокачественности, авторы изучали, может ли ИИ определить, где начался метастатический рост — важная задача, когда первичный очаг неизвестен. Используя мазки цитологии из плевральных выпотов и асцитов, модель научилась относить слайды к широким группам происхождения, таким как легкие, молочная железа, желудочно‑кишечный тракт или гинекологические органы. Она была особенно точна для рака легких и молочной железы, тогда как для реже встречающихся или визуально более разнообразных опухолей результаты были скромнее. Чтобы проверить общность, исследователи также применили MAMILE‑UNI к 1196 гистологическим срезам из 69 больниц по всему миру. На этих гистологических слайдах система выявляла происхождение опухоли с поразительно высокой точностью, приближаясь к почти полному совпадению с истинными диагнозами.

Скорость, эффективность и поддержка клиницистов

Патологи часто тратят по крайней мере десять минут на тщательный обзор одного цифрового цитологического слайда. Напротив, MAMILE‑UNI может обработать целый слайд и выдать прогноз менее чем за две минуты на стандартной графической карте, после сжатия гигабайтных изображений в компактные наборы признаков. Оценки с помощью кривых показали, что модель склонна ставить действительно злокачественные случаи выше в списке приоритета, предлагает выгодный баланс пользы и вреда при разных порогах принятия решений и выдаёт вероятностные оценки, хорошо коррелирующие с реальными исходами. Карты внимания часто совпадали с областями, отмеченными опытными патологами, что указывает на клинически значимую, а не произвольную направленность ИИ.

Что это значит для пациентов и врачей

Для пациентов с жидкостью в грудной или брюшной полости своевременная и точная диагностика существенно влияет на выбор лечения, однако текущие тесты могут быть медленными, субъективными и дорогими. Это исследование демонстрирует, что продуманная система ИИ может надежно скринировать цифровые слайды жидкости и ткани на признаки рака и давать подсказки о месте происхождения болезни, при этом требуя умеренных вычислительных ресурсов. Авторы подчёркивают, что MAMILE‑UNI не заменяет патологов, а служит инструментом поддержки, который может снизить нагрузку, улучшить согласованность и расширить доступ к высококачественной онкологической диагностике — особенно в местах, где ограничены специалисты и продвинутые лабораторные тесты.

Цитирование: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Ключевые слова: ИИ в цитологии, плевральный выпот, асцит, предсказание происхождения опухоли, цифровая патология