В Гонконге разработали ИИ для диагностики рака без дополнительного обучения
Ученые из Гонконгского университета науки и технологий разработали и протестировали систему искусственного интеллекта (ИИ) для диагностики онкологических заболеваний, способную распознавать различные виды рака по минимальному числу образцов. Решение PRET основано на принципе контекстного обучения – модель выполняет анализ патологических изображений без длительной дополнительной настройки под конкретные задачи. Результаты исследования опубликованы в журнале Nature Cancer.
Как отмечают авторы, патологическая диагностика играет ключевую роль в выявлении рака и выборе тактики лечения, однако отрасль сталкивается с дефицитом специалистов и высокой нагрузкой на лаборатории. Одновременно традиционные ИИ-модели требуют десятков тысяч изображений для обучения под каждый тип опухоли, что увеличивает сроки разработки и ограничивает масштабирование таких решений.
Разработанная система использует подход контекстного обучения, заимствованный из обработки естественного языка. Это позволяет модели адаптироваться к новым задачам непосредственно в процессе анализа, опираясь всего на несколько размеченных образцов. В отличие от классических алгоритмов, PRET не требует отдельного обучения для каждого типа рака и может применяться как универсальный инструмент.
Система была протестирована на 23 международных наборах данных из Китая, США и Нидерландов, охватывающих 18 типов рака и различные диагностические задачи. По большинству из них точность превысила 97%, причем в 20 задачах модель продемонстрировала более высокие результаты по сравнению с существующими методами.
В отдельных сценариях система показала максимальные значения: при скрининге колоректального рака точность достигла 100%, при сегментации опухолей пищевода – около 99,5%. В задаче выявления метастазов в лимфатических узлах показатель составил около 98,7% при использовании всего нескольких образцов, что выше среднего уровня врачей-патологов.
ИИ-модель способна выполнять скрининг, сегментацию и классификацию опухолей без дополнительной настройки. Такой подход снижает требования к объему данных и вычислительным ресурсам, а также упрощает внедрение технологии в клиническую практику.
Разработку можно рассматривать как инструмент поддержки принятия врачебных решений, который может повысить доступность и скорость диагностики, особенно в регионах с ограниченными ресурсами. Однако авторы подчеркивают, что технология находится на этапе дальнейшего развития. В числе ограничений – необходимость дополнительной клинической валидации и оценки эффективности в реальных условиях. В дальнейшем планируется расширение функциональности, включая прогнозирование течения заболевания и анализ генетических мутаций.
В российской практике также развиваются ИИ-инструменты для патологической диагностики. Так, ученые Первого МГМУ им. И.М. Сеченова совместно с Medical Neuronets и Московской городской онкологической больницей № 62 создали ИИ-систему для выявления метастазов колоректального рака в лимфатических узлах. Алгоритм анализирует цифровые гистологические препараты в два этапа – сначала выделяет подозрительные зоны, затем уточняет границы опухолевых клеток, помогая врачу быстрее ориентироваться в материале.
