В индустриальной лаборатории поддержки принятия врачебных решений на базе технологий ИИ Первого МГМУ им. И.М. Сеченова Минздрава России разрабатывают алгоритм, позволяющий нейросети определять метастазы в лимфатических узлах на гистологических сканах.

В перспективе он позволит снизить нагрузку на патоморфологов и значительно ускорить их работу – благодаря автоматизации процесса подсчета лимфоузлов с опухолевой тканью. Такое IT-решение в лаборатории создают совместно с индустриальным партнером – ООО «Интеллектуальная аналитика».

380 сканов – за восемь часов

Технологии искусственного интеллекта сегодня проникают во все сферы человеческой жизни, в том числе и в медицину. Например, их уже активно применяют рентгенологи. Системы на базе технологий компьютерного зрения способны анализировать рентгенологические снимки, КТ, МРТ, УЗИ и выявлять на них признаки различных патологий. А в ближайшем будущем использовать ИИ будут и при морфологических исследованиях – анализах, которые необходимы для диагностики онкозаболеваний, определения характера новообразования и выбора адекватного лечения.

Разработкой алгоритма, который позволит облегчить работу патоморфологов, занялись в лаборатории поддержки принятия врачебных решений на базе технологий ИИ Сеченовского Университета. Здесь обучают искусственный интеллект определять метастазы колоректального рака – ткань опухоли в ткани лимфатического узла, а также подсчитывать их общее количество. Как объяснил заведующий лабораторией Александр Бирюков, такой скрупулезный подсчет необходим для определения стадии рака и выбора тактики лечения.

«Задача патоморфолога – отсмотреть весь гистологический материал, взятый при операции или биопсии. А это 30-40 стекол от каждого пациента с колоректальным раком, – объяснил специалист. – Объем работы у патоморфологов огромный, а таких специалистов сегодня не хватает. Поэтому задача нашей лаборатории – помочь частично автоматизировать морфологическое исследование. Алгоритм, который мы разрабатываем, снизит нагрузку на патоморфологов и даст им возможность в первую очередь работать со сканами, где были найдены метастазы и не тратить время на отсмотр материалов, где патологической ткани точно нет».

Сейчас обработка программой одного гистоскана, файла размером в два гигабайта, занимает в среднем 75 секунд. А на первоначальном этапе обучения, по словам Александра Бирюкова, искусственный интеллект тратил на анализ одного образца не менее четырех часов. Теперь за 8 часов он может проанализировать примерно 380 гистосканов. А это значит, что точный диагноз за это время смогут поставить не менее десяти пациентам. Это в два раза больше, чем до использования алгоритма.

Поможет, но врача не заменит

По данным Центрального НИИ организации и информатизации здравоохранения Минздрава, в России не хватает 2 825 врачей-патологоанатомов. По сравнению с 2021 годом их количество увеличилось всего на 18 человек – до 3356 специалистов. В результате патологоанатомические отделения обеспечены штатными должностями всего на 48,8 процента.

«Патоморфологов сегодня действительно не хватает и на них ложится огромная нагрузка, – подтвердила заместитель директора по научной работе Института клинической морфологии и цифровой патологии Сеченовского Университета Минздрава России Екатерина Руденко. – Кроме того, анализ биопсийного материала у пациентов с колоректальным раком сам по себе очень сложный и трудоемкий процесс. Поэтому, конечно, мы надеемся, что в ближайшее время будут созданы системы поддержки принятия врачебных решений, которые смогут облегчить патологоанатомам первичный анализ этого материала».

При этом, речь не идет о том, что диагноз пациенту будет ставить искусственный интеллект, а не врач, подчеркнула патоморфолог. Постановка диагноза – это всегда задача специалиста. Однако нейросети могут помочь обнаружить среди огромного объема материала наиболее опасные зоны, а также пометить стекла, которые абсолютно точно не имеют патологии. Эту предварительную оценку патоморфолог уже будет использовать для постановки диагноза.

Метрика качества (точности) разработанного в индустриальной лаборатории алгоритма уже сейчас составляет не менее 90 процентов. Как отметил Александр Бирюков, сейчас в лаборатории продолжают работать над прототипом, чтобы усовершенствовать разметку данных и повысить их достоверность. До конца 2023 года планируется протестировать модель на реальных пациентах и разработать законченный веб-сервис, который уже можно будет применять в клинической практике.