ИИ учится искать рак так же, как патолог: новый подход повысил точность диагностики

Исследователи обучили алгоритм на поведении врачей — система сначала сканирует весь слайд, а затем приближается к подозрительным участкам.

Алгоритмы искусственного интеллекта, которые ищут рак, могут работать лучше, если подходить к анализу так, как это делает патологоанатом-человек, говорится в новом исследовании.

Многие ИИ-системы анализируют заранее выбранные области образца ткани или разбивают весь патологический слайд на фрагменты фиксированного размера. Патологоанатом, напротив, исследует материал более динамично: перемещается по ткани, приближает и отдаляет изображение, задерживается на участках, вызывающих тревогу. Целый слайд может содержать миллиарды пикселей, тогда как признаки рака могут занимать лишь крошечный фрагмент.

Соавтор исследования Чжи Хуан, доцент патологии и лабораторной медицины Пенсильванского университета, сравнил этот процесс с поисково-спасательным вертолётом. «Вы не начинаете с осмотра одного квадратного метра земли», — сказал Хуан изданию Live Science. Сначала вы сканируете ландшафт, а затем спускаетесь ниже для более внимательного осмотра.

В новом исследовании, опубликованном в июле в журнале Nature, Хуан и его коллеги показали, что ИИ для обнаружения рака может работать лучше, если применяет такой «очеловеченный» подход.

Обучение ИИ поиску рака

Алгоритмы ИИ, называемые визуально-языковыми моделями (VLM), испытывают трудности с первым этапом, описанным Хуаном, — тем самым первоначальным, беглым сканированием. Отчасти это связано с тем, что многие патологические ИИ-системы учатся на том, что патологи оставляют после завершения поиска: на размеченном изображении с указанием, где находится рак, или на официальном диагнозе.

Вместо этого исследователи обучили свой новый ИИ на поисковом поведении патологов. Они назвали этот подход к обучению «Pathology-CoT» — сокращение от «chain of thought» (цепочка рассуждений). Он превращает наблюдаемые действия, включая то, куда патологи перемещаются и что приближают на изображении, в обучающие данные.

Чтобы собрать данные, команда создала инструмент, который записывал, как патологи перемещались по слайду и меняли увеличение. Необработанные журналы, собранные у восьми патологов, были беспорядочными: врач мог дрейфовать по слайду, проскакивать намеченную область фокуса или подстраивать увеличение под свои предпочтения.

Чтобы очистить данные, исследователи отфильтровали такие случайные движения, сосредоточившись на моментах, которые, по-видимому, отражали намеренное внимание, например на задержке над одним видом или на продолжительном перемещении. Затем они сравнили эти области с данными отслеживания движений глаз, чтобы проверить, что программное обеспечение действительно фиксирует то, куда смотрели патологи.

Для каждой области, которую осматривал патолог, VLM также составляла краткое обоснование, объясняющее, почему эта область заслуживает изучения и какие признаки в ней видны; патологи-люди могли затем принять, отредактировать или отклонить это обоснование, создавая дополнительные обучающие данные для ИИ. В одном примере ИИ отметил часть слайда как потенциально метастатическую и предложил приблизить изображение, чтобы поискать атипичные клетки. Другие осмотренные области были помечены как здоровая ткань.

В конечном итоге исследователи использовали этот метод обучения, чтобы создать новый инструмент под названием Pathology-o3. Он сканирует слайд в низком разрешении, использует модель, обученную на поведении патологов, чтобы выбрать области, заслуживающие более внимательного изучения, а затем отправляет изображения этих областей в высоком разрешении в VLM для анализа.

Проверка на практике

Хуан сказал, что цель нового исследования заключалась не в том, чтобы показать, что Pathology-o3 работает лучше специализированных ИИ-моделей, созданных для обнаружения конкретных типов рака; такие модели часто обучаются по отдельным заболеваниям. Скорее, исследователи хотели проверить, может ли их новый подход к обучению помочь ИИ общего назначения более эффективно ориентироваться на патологическом слайде.

Они сравнили Pathology-o3 с другими ИИ-системами общего назначения, такими как OpenAI o3, и попросили алгоритмы изучить слайды с тканями лимфатических узлов. Эти слайды были собраны из случаев колоректального рака, и некоторые из них содержали метастатический рак, который уже был размечен патологами-людьми.

Алгоритм правильно определил слайды, положительные по раку, в 100% случаев. Однако из слайдов, которые он определил как положительные, 15,5% на самом деле были отрицательными. Для сравнения: OpenAI o3 правильно определил положительные по раку слайды в 87,5% случаев. Из слайдов, которые он определил как положительные, 53,3% на самом деле были отрицательными.

Исследователи разработали Pathology-o3 так, чтобы он скорее отмечал что-то для дополнительного просмотра, чем потенциально пропускал рак. Это может объяснять долю ложноположительных результатов, сказал Хуан.

Приемлема ли такая частота ложных тревог, зависит от того, как используется Pathology-o3, сказал Мохаммад Асади, специалист по данным Стэнфордского университета, не участвовавший в исследовании. Система недостаточно точна, чтобы ИИ самостоятельно ставил диагноз пациентам, но она всё ещё может быть полезной, если будет указывать человеку на области слайда, которые стоит перепроверить. Возможно, преимуществом является то, что подход показывает патологу конкретную область для осмотра, а не объявляет подозрительным весь слайд, сказал он.

Исследователи попытались повторить тест на независимом наборе данных, который алгоритмы раньше не видели, чтобы проверить, насколько хорошо они работают на незнакомых слайдах. Pathology-o3 правильно определил положительные по раку слайды в 97,6% случаев. Из слайдов, которые он определил как положительные, 37,1% на самом деле были отрицательными. Этот результат — пример того, как производительность ИИ может меняться при смене источника данных, даже если медицинская задача остаётся той же.

Асади объяснил, что этот результат говорит о том, что система всё ещё может работать со слайдами из другого источника. Но он пока не показывает, что использование этого инструмента сделает патологов точнее или эффективнее на практике.

Может ли это помочь патологам?

Исследователи применили свой подход к обучению к нескольким существующим VLM и обнаружили, что производительность моделей последовательно улучшалась после обучения. Это говорит о том, что навигационные данные от патологов были полезны в разных условиях, сказал Асади.

Для Хуана это самый важный результат. «Главное не наша система, — сказал он. — Главное, что недостающий ингредиент всё это время находился в больницах».

Исследование не сравнивало Pathology-o3 напрямую с патологами-людьми, но исследователи говорят, что это и не было их целью.

«Правильный вопрос не в том, побеждает ли она патолога, — сказал Хуан. — А в том, поймает ли патолог, работающий с ней, больше случаев рака и будет ли работать быстрее». Текущее исследование также не отвечало на последний вопрос, но следующий эксперимент команды разработан так, чтобы протестировать патологов на одних и тех же случаях с Pathology-o3 и без неё, измерив, что они обнаруживают и сколько времени на это тратят.

Наиболее вероятное применение системы — в качестве инструмента предварительной проверки, сказал Асади, но он подчеркнул, что исследование пока не показало, что врачи, использующие её, становятся быстрее или точнее. Асади хочет ещё более строгой проверки: испытаний, проведённых в нескольких больницах, которые измеряли бы не только точность и скорость, но и рабочую нагрузку патологов. Он хочет, чтобы такие испытания оценивали бремя ложных тревог от ИИ-алгоритмов и то, распознают ли врачи, когда ИИ ошибается.

Важно отметить, что для диагностики рака может требоваться информация с нескольких слайдов, окрашиваний и история болезни пациента, тогда как текущая система читает только один слайд за раз. «Я бы не утверждал, что она должна ставить диагноз самостоятельно», — сказал Хуан.

Эта статья носит информационный характер и не предназначена для предоставления медицинских рекомендаций.

Источники и дополнительная литература: Wang, S., Wu, R., Herndon, C., Li, S., Liu, Y., Koga, S., Xu, X., Elder, D. E., Alex Miles, J., Jin, A., Hirai, I., Dougher, M., Shen, J., & Huang, Z. (2026). Pathology-COT: Learning Visual chain-of-thought agents from expert whole-slide image diagnosis behaviour. Nature Biomedical Engineering. https://doi.org/10.1038/s41551-026-01739-y; Live Science.