Различение первичной и метастатической муцинозной карциномы яичника по гистопатологическим изображениям с помощью глубокого обучения

Почему это важно для пациентов и врачей

Когда человеку сообщают о наличии рака яичника, следующий ключевой вопрос — где именно начался этот рак. Для распространённого подтипа, называемого муцинозной карциномой яичника, опухоли в яичнике могут быть либо истинно первичными, либо представлять собой метастазы из желудка или кишечника. Эти две ситуации требуют принципиально разных подходов к лечению и имеют различный прогноз, однако даже опытным патоморфологам порой трудно различить их под микроскопом. В данном исследовании представлен специализированный искусственный интеллект (ИИ), который анализирует цифровые изображения из микроскопа и помогает врачам точнее и эффективнее проводить это различие.

Две похожие опухоли с кардинально разным исходом

Муцинозная карцинома яичника часто формирует крупные слизистые опухоли, которые внешне могут почти не отличаться независимо от того, начали ли они расти в яичнике или являются вторичными очагами из желудочно‑кишечного тракта. Традиционно патологи опираются на сочетание визуальных признаков на окрашенных срезах, дополнительные лабораторные окраски, методы визуализации и клиническую историю. Даже при полном обследовании диагноз может оставаться неясным, особенно если в организме есть мелкие или скрытые очаги. Предлагались контрольные списки на основе размера опухоли, вовлечения одного или обоих яичников и определённых типов клеток, но эти правила дают сбой, когда метастатические опухоли искусно имитируют первичный рост яичника. Ошибочная классификация метастаза как первичной опухоли или наоборот может привести к неуместной операции, неподходящей химиотерапии и неверной информации о прогнозе.

Обучение компьютеров чтению тканевых изображений

Цифровая патология и глубокое обучение предлагают альтернативный путь. В этом исследовании авторы собрали микроскопические изображения от 167 пациентов с документально подтверждёнными муцинозными опухолями яичника из трёх больниц. Они сосредоточились на стандартных срезах, окрашенных гематоксилином и эозином (H&E), которые уже используются в рутинной практике. Команда создала Модель предсказания происхождения муцинозной карциномы яичника (MOCOPM), которая автоматически разбивает каждое целое изображение слайда на множество маленьких фрагментов и анализирует их без какой‑либо дополнительной клинической информации. Они протестировали несколько архитектур нейросетей и установили, что новая графовая модель, вдохновлённая тем, как патологи увеличивают и уменьшают масштаб при просмотре, показала лучшие результаты. Эта модель связывает фрагменты между тремя уровнями увеличения, что позволяет ей улавливать как тонкие клеточные детали, так и более широкие паттерны роста.

Насколько хорошо ИИ работает в реальных условиях

MOCOPM сначала обучали и проверяли на случаях из крупной реферальной больницы, где часто встречаются сложные и редкие опухоли. В этой внутренней выборке модель с высокой точностью разделяла первичные и гастроинтестинальные метастатические опухоли: площадь под ROC‑кривой (AUC) составила 0,91. Затем систему испытали на изображениях из ещё двух больниц, где слайды готовились независимо и случаи в целом были более типичными. Там модель показала ещё лучшие результаты: AUC 0,96 и высокие показатели точности и полноты. Она также продемонстрировала устойчивость при тестировании на отдельном публичном наборе данных первичных муцинозных карцином яичника из другой исследовательской группы, что указывает на относительно хорошую робастность подхода при разных источниках данных.

Заглядывая внутрь «чёрного ящика»

Поскольку ИИ-инструменты могут казаться непрозрачными, исследователи применили метод интерпретации GNNExplainer, чтобы выделить области каждого слайда, которые сильнее всего влияли на решения модели. В большинстве правильно классифицированных случаев выделенные области совпадали с признаками, которые уже используют эксперты: скопления особых «перстневидных» клеток, модели инвазии опухолевых клеток в окружающие ткани и сочетание доброкачественных, пограничных и явно злокачественных компонентов. Такое совпадение говорит о том, что система не просто улавливает случайные визуальные артефакты, а ориентируется на клинически значимые паттерны. Важно, что MOCOPM требует только рутинных H&E‑срезов, что потенциально экономит время и ресурсы за счёт уменьшения необходимости в дополнительных сложных окрасках.

Что это может значить для будущей помощи пациентам

Авторы подчёркивают, что MOCOPM не предназначена заменить патологов, а служит инструментом поддержки принятия решений. В условиях высокой нагрузки или ограниченных ресурсов модель может отмечать сложные случаи, указывать экспертам подозрительные области на срезе и служить дополнительной проверкой перед окончательным постановлением диагноза. У исследования есть ограничения: тип опухоли редок, объём выборки относительно невелик, и метастазы из внесосудистых (некишечных) локализаций не были включены. Требуются более крупные проспективные исследования, прежде чем такую систему можно будет интегрировать в повседневную практику. Тем не менее работа демонстрирует, что тщательно спроектированный ИИ может помочь в одном из самых сложных дифференциальных вопросов при раке яичника, позволяя пациентам получать лечение, соответствующее истинному месту начала болезни.

Цитирование: Zhang, MY., Liu, B., Qin, ZJ. et al. Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning. npj Digit. Med. 9, 276 (2026). https://doi.org/10.1038/s41746-026-02459-y

Ключевые слова: муцинозная карцинома яичника, цифровая патология, глубокое обучение, графовая нейронная сеть, диагностика рака