Ученые из лаборатории цифрового микроскопического анализа Сеченовского Университета Минздрава России совместно со специалистами ПАО «Вымпелком» разрабатывают нейросеть, которая позволит определять степень злокачественности опухолей почек и прогнозировать дальнейшее течение болезни. ИИ снимет часть рутинных задач с врачей-патологоанатомов и даст им возможность сосредоточиться на работе с другими параметрами опухоли.

Ежегодно в России регистрируется более 23 тыс. случаев рака почки. Основной способ лечения — оперативный, однако на этом терапия, как правило, не заканчивается. Дальнейшая стратегия борьбы с болезнью, риск рецидива и в целом прогноз зависят от характера опухоли и степени ее злокачественности, которые определяет врач-патологоанатом, изучая под микроскопом срезы опухоли.

Сейчас для определения степени злокачественности рака почки используется система классификации Фурмана, которая основывается на оценке внешнего вида и структуры ядер и ядрышек в клетках опухоли. В системе выделяется 4 градации. При первой опухоль наименее агрессивна, а прогноз наиболее благоприятен. При четвертой, соответственно, прогноз наихудший.

Такой подход позволяет выявить самые опасные опухоли, однако анализ, выполняемый врачами-патологоанатомами вручную, занимает много времени. Кроме того, в работе есть человеческий фактор: врач устает, у него «замыливается» глаз, повышается вероятность ошибки.

«Проблема этой классификации в том, что просмотреть все клетки невозможно. Материала очень много, потому что почку с образованием обычно удаляют целиком. Только в одном микропрепарате — где-то 300 тыс. клеток, а из макропрепарата почки получают десятки срезов. Человеческий глаз просто не может столько всего оценить», — пояснил заведующий лабораторией цифрового микроскопического анализа Сеченовского Университета, к.м.н. Алексей Файзуллин.

Чтобы сделать работу патологов более быстрой и точной, ученые из лаборатории цифрового микроскопического анализа, созданной в рамках программы стратегического академического лидерства «Приоритет 2030», совместно со специалистами ПАО «Вымпелком» разрабатывают нейросеть, способную искать в микропрепаратах значимые для прогноза ядра раковых клеток. Ранее существующие в области цифровой патологии инструменты для диагностики и прогноза рака почки исследователи рассмотрели в обзорной статье, опубликованной в журнале Biomedicines.

Для обучения нейросети исследователи использовали две базы данных c изображениями микропрепаратов рака почки. В общей сложности изображения содержали почти 100 тыс. клеток, размеченных вручную. Сейчас ведется работа над повышением точности результатов нейросети.

Первым шагом станет достижение точности предсказания в 60% для каждой степени злокачественности. В перспективе ученые планируют добиться значительно более высоких значений для определения прогностически значимых опухолевых клеток с большими ядрышками: это позволит надежно определять наиболее опасные случаи рака почки.

Расчет относительной плотности клеток с выраженными ядрышками (признак третьей ядрышковой градации) имеет потенциал заменить всю экспертную систему, так как трансформирует качественную балльную оценку в количественную. Также создание такого оригинального прогностического биомаркера может ускорить диагностику и послужит отличным инструментом для поддержки принятия врачебных решений.

«Цели заменить врача нет. Есть цель сократить количество времени, которое тратится на рутинные задачи. Там, где нужно что-то посчитать, нейросети справляются быстрее и точнее человека, и эти процессы можно автоматизировать. А освободившееся время врач посвятит анализу параметров, которые с помощью ИИ оценить нельзя», — рассказал Файзуллин.

Кроме того, использование нейросетей позволит сделать систему градации более гибкой. Классификация по Фурману упрощает диагностику, но не учитывает всех особенностей ядер и, в частности, ядрышек опухолевых клеток. Внедрение новых методов даст возможность более точно анализировать поведение опухоли, прогнозировать дальнейшее развитие заболевания и подбирать оптимальное лечение.

Работа поддержана грантом Российского научного фонда (22-25-00775).