Интерпретируемые прогнозы по целому телу на FDG-PET/CT с использованием параметров, связанных с клиническим исходом

Более умные сканирования для лечения рака

Врачи уже полагаются на мощные сканеры тела для обнаружения и мониторинга рака, но большая часть информации на этих изображениях остается неиспользованной, потому что она слишком сложна для визуального анализа. В этом исследовании показано, как система искусственного интеллекта (ИИ) может превратить целые сканы тела в компактную, удобную для анализа форму и при этом давать точные, понятные прогнозы о опухолях пациента и общем состоянии здоровья. Подход направлен не только на интеллектуальность, но и на прозрачность, чтобы клиницисты могли видеть, на что «смотрит» ИИ, что помогает выстраивать доверие к решениям с помощью компьютера.

Преобразование 3D‑сканов тела в плоские полосы изображений

Исследователи работали с более чем тысячей комбинированных PET/CT‑сканов пациентов с опухолями и здоровых контрольных участников. Эти сканы показывают как структуру тела (CT), так и то, насколько активно потребляет сахар та или иная ткань (PET), что важно, поскольку опухоли обычно потребляют больше сахара, чем нормальные ткани. Вместо того чтобы подавать полные трёхмерные изображения в ИИ — что потребовало бы значительных вычислительных ресурсов — они свёрнули сканы в двухмерные «проекции». Они также разделили тело на простые группы тканей: кость, нежирные ткани, такие как мышцы и органы, жировую ткань и заполненные воздухом пространства, например лёгкие. Для каждого типа ткани и для разных ракурсов были созданы каналы изображения, фиксирующие внешний вид и активность ткани, а затем эти каналы были объединены в единое коллажное изображение для каждого человека.

Обучение ИИ распознавать признаки здоровья

Используя эти тканеспецифические коллажи, команда обучила модель глубокого обучения предсказывать несколько ключевых величин, известных своей значимостью для исходов при раке. Сюда входили общий метаболический объём опухоли (показатель общей активности опухолевой массы), число отдельных очагов, возраст пациента и наличие у пациента рака. Модель также просили определять пол. Некоторые из этих целей, как объём опухоли, заметны на сканах; другие, например возраст, вовсе неочевидны и требуют от ИИ улавливания тонких паттернов в структуре тела и метаболизме. Чтобы оценка была честной, исследователи многократно разрезали данные на обучающие и тестовые наборы, так что каждый скан в какой‑то момент использовался как независимый тест.

Насколько хорошо сработала система

ИИ, использующий все тканеспецифические PET‑каналы, с высокой точностью предсказывал объём опухоли и число очагов, приближаясь по результатам к более сложным трёхмерным методам, которые анализируют каждый срез скана. Он также оценивал возраст в среднем с погрешностью около семи лет и почти безошибочно классифицировал пол. При определении, принадлежит ли скан пациенту с раком, система также показала очень высокую точность. Что важно, включение информации от нескольких тканей и направлений обзора почти всегда улучшало результат по сравнению с использованием единого, более простого изображения. Это говорит о том, что рак «оставляет след» не только в очевидных горячих точках, но и в более тонких изменениях по всему телу, которые помогают выявить многоканальные проекции.

Видимость областей, на которые смотрит ИИ

Чтобы ответить на распространённую озабоченность по поводу ИИ — что он работает как «чёрный ящик», — исследователи использовали технику, называемую картированием значимости (saliency mapping), чтобы показать, какие части изображений сильнее всего влияли на каждое предсказание. Для объёма опухоли и классификации «рак/нет рака» горячие зоны на этих картах совпадали с реальными локализациями опухолей, показывая, что модель обращала внимание на медицински обоснованные области. При предсказании возраста она фокусировалась на участках, таких как печень, мышцы бедра и плеча, а также областях рядом с тазом, которые известны изменениями с возрастом и составом тела. Для определения пола концентрация была в грудной и тазовой областях. Эти паттерны, подтверждённые на всей группе пациентов, указывают на то, что система изучает содержательные признаки, а не цепляется за случайный шум.

Что это может значить для пациентов

Хотя эта работа является ранним доказательством концепции, она демонстрирует, что сложные целотелесные сканы рака можно свести к эффективным, интерпретируемым 2D‑изображениям, которые при этом позволяют ИИ предсказывать клинически важную информацию. В будущем похожие модели могут выйти за рамки размеров и числа опухолей и оценивать, сколько, вероятно, проживёт пациент, как хорошо он отреагирует на терапию или как прогрессирует заболевание — используя данные, которые уже собирают в рутинной практике. Поскольку метод также показывает, откуда ИИ берёт свои ответы, он может помочь врачам лучше понять и доверять его рекомендациям, поддерживая более персонализированную и прозрачную онкологическую помощь.

Цитирование: Tarai, S., Lundström, E., Ahmad, N. et al. Interpretable predictions from whole-body FDG-PET/CT using parameters associated with clinical outcome. Commun Med 6, 232 (2026). https://doi.org/10.1038/s43856-026-01567-w

Ключевые слова: изображения FDG-PET/CT, глубокое обучение в онкологии, прогнозирование опухолевой нагрузки, объяснимая ИИ, моделирование клинического исхода