Новая система искусственного интеллекта демонстрирует почти стопроцентную точность в распознавании ранних признаков рака эндометрия, одного из самых распространенных видов рака женской репродуктивной системы. Ранее диагностика этого заболевания требовала инвазивных процедур, длительного ожидания и экспертной оценки, но теперь передовая модель глубокого обучения способна идентифицировать рак на микроскопических изображениях тканей с точностью 99,26%. Эти выводы представлены в недавнем исследовании, опубликованном в журнале ScienceDirect.
Рак эндометрия развивается в слизистой оболочке матки и является наиболее часто диагностируемым типом рака матки. Хотя его часто выявляют на ранних стадиях, когда прогноз благоприятен, задержки в постановке диагноза все еще создают серьезные риски для жизни. Статистика показывает актуальность проблемы: только в 2018 году в мире было зарегистрировано более 382 000 новых случаев рака матки и почти 90 000 смертей. Прогнозы для США на 2024 год предполагают около 67 880 новых случаев и более 13 000 летальных исходов, что подчеркивает острую необходимость в более точных и быстрых методах диагностики.
Традиционно для выявления рака эндометрия врачи анализируют образец слизистой оболочки матки под микроскопом. Этот процесс, известный как гистопатологический анализ, сильно зависит от квалификации и опыта патологоанатомов. Сложность заключается в том, что даже эксперты могут расходиться во мнениях, а существующие автоматизированные инструменты достигают точности лишь около 79–81%. Поэтому исследователи обратились к возможностям искусственного интеллекта, в частности, к глубокому обучению. Этот метод использует большие наборы данных и сложные нейронные сети для выявления закономерностей, уже доказав свою эффективность в классификации медицинских изображений.
Международная группа ученых из Австралии, Бангладеш и Канады разработала новую модель глубокого обучения под названием ECgMLP (Endometrial Cancer gated Multi-Layer Perceptron) для улучшения диагностики рака эндометрия. Система анализирует микроскопические изображения тканей, улучшает их качество, фокусируется на ключевых признаках и классифицирует их. Исследователи сообщают, что классификация рака эндометрия с использованием гистопатологических изображений достигается с превосходной производительностью, лучшей точностью и скоростью обработки благодаря алгоритмам глубокого обучения.
Модель ECgMLP использует комбинацию компонентов машинного обучения, включая вентильный линейный блок, который позволяет системе контролировать поток информации при обработке изображения. Это помогает точнее выявлять сложные паттерны, указывающие на наличие рака. Для повышения эффективности команда применила передовые методы предварительной обработки изображений: нормализацию, удаление шума с помощью алгоритмов Non-Local Means и сегментацию методом водораздела для выделения важных областей. Также использовалась фотометрическая аугментация – изменение яркости, контрастности и цвета изображений, чтобы сделать обучающие данные более разнообразными и устойчивыми к вариациям.
Результаты тестирования модели ECgMLP на наборах данных по раку эндометрия показали впечатляющую точность в 99,26%, что значительно превосходит традиционные модели, основанные на передаче обучения или более простых структурах глубокого обучения. Этот новый метод не только точнее, но и быстрее и доступнее. Текущая диагностика на основе биопсии может занимать от нескольких дней до недель, тогда как ECgMLP может предоставить результат практически сразу после сканирования образцов ткани. Такая скорость имеет решающее значение, поскольку рак эндометрия хорошо поддается лечению на ранних стадиях, но становится гораздо опаснее при распространении за пределы матки.
Соавтор исследования доктор Асиф Карим из Университета Чарльза Дарвина отмечает, что предложенная модель ECgMLP превосходит существующие методы, оставаясь при этом вычислительно эффективной. Это означает, что система требует меньше вычислительных ресурсов по сравнению со многими другими ИИ-системами, что упрощает ее внедрение в клиниках с ограниченными возможностями. Система не предназначена для замены патологоанатомов, а скорее для их поддержки, помогая выявлять подозрительные области для детального изучения или перепроверять диагнозы. Она также может быть полезна в регионах с ограниченным доступом к специалистам.
Потенциал модели не ограничивается только раком эндометрия. Используя тот же подход к обучению, исследователи протестировали ECgMLP на других видах рака. Модель показала точность 98,57% при диагностике колоректального рака, 98,20% для рака молочной железы и 97,34% для рака полости рта. Доцент Нюша Шафиабади из Австралийского католического университета, также соавтор исследования, заявляет, что эта же методология может применяться для быстрой и точной ранней диагностики других заболеваний, что в конечном итоге приводит к улучшению результатов лечения пациентов. Модель ECgMLP может стать основой новой программной платформы для диагностики рака и, возможно, войдет в стандартную практику патологоанатомических лабораторий по всему миру.
Рак эндометрия остается серьезной проблемой для женского здоровья, особенно в Австралии и США, являясь одним из ведущих диагностируемых видов рака репродуктивной системы. Однако многие случаи остаются невыявленными до появления серьезных симптомов. Инструмент, подобный ECgMLP, способен кардинально изменить ситуацию, улучшая способы идентификации раковых клеток под микроскопом. Искусственный интеллект может вскоре стать центральным элементом ухода за пациентами, предлагая второе мнение, ускоряя лабораторные исследования и предоставляя диагностику экспертного уровня больницам и клиникам, не имеющим доступа к квалифицированным патологоанатомам. Внедрение ИИ в медицину направлено не на замену людей, а на предоставление им более совершенных инструментов, и эта модель демонстрирует, как сотрудничество человеческого опыта и машинного интеллекта может спасать жизни.