160: Искусственный интеллект в медицине: нейропатология, заболевания почек, гематология и цитология

Искусственный интеллект против человеческой оценки в патоморфологии

Новые исследования показывают, что ИИ не только поддерживает, но и превосходит традиционные методы анализа изображений в нейропатологии, нефрологии, гематологии и цитологии.

Нейропатология: ИИ против полуколичественной оценки

Группа из Бостонского университета и Бостонской системы здравоохранения провела сравнение методов оценки тау-патологии на 1412 случаях из банков мозга. Исследователи сопоставили три подхода:

• Традиционную полуколичественную оценку патологом

• Компьютерную оценку процента окрашенной области

• ИИ-анализ плотности клеток

Результаты: все методы показали общее согласие между собой, но ИИ-подход оказался более чувствительным при выявлении патологических изменений в случаях со слабовыраженной патологией. Подсчет позитивных пикселей показал наибольшую вариабельность из-за неспецифического фонового окрашивания и артефактов.

Нефропатология: 20-классовая модель ИИ для почечной биопсии

Международная группа (Mayo Clinic, Cambridge, Emory University, Georgia Tech, Женева) разработала мультиклассовую модель ИИ для сегментации почечной ткани. Модель обучена на 20 500 аннотациях и классифицирует 20 различных структур, включая отдельное выделение коркового и мозгового вещества.

Применение: модель протестировали на 1400 донорах и 1600 пациентах с опухолями почек для расчета хронических изменений:

• Объем клубочков и коркового вещества

• Средняя площадь канальцев

• Глобально склерозированные клубочки

• Интерстициальный фиброз и атрофия канальцев

• Артериолосклероз и стеноз просвета артерий

Точность: согласие между ИИ и человеческими аннотациями было сопоставимо с согласием между патологами, за исключением артериолярного гиалиноза. ИИ-оценка коррелировала со сниженной скоростью клубочковой фильтрации при наблюдении.

Цифровая гематология: препятствия на пути внедрения

Обзор в International Journal of Laboratory Hematology выделяет основные барьеры для внедрения ИИ в гематопатологии:

• Регуляторный надзор — нехватка четких руководящих принципов

• Стандартизация данных — различные форматы и отсутствие единого DICOM-стандарта

• Недостаточные знания и обучение персонала

• Сопротивление изменениям среди специалистов

Несмотря на препятствия, ИИ может революционизировать оценку периферической крови и костного мозга через автоматизированный анализ множественных параметров.

Цитопатология: 20 лет стагнации после раннего старта

Парадокс цитопатологии: несмотря на раннее внедрение цифровых технологий (BD FocalPoint и ThinPrep в начале 2000-х), которые показали улучшение диагностической производительности, прогресс застопорился на десятилетие.

Причины отставания:

• Сложность препаратов цитологии для визуализации по сравнению с гистологическими срезами

• Разнообразие методов приготовления и оценки

• Технические трудности получения плоских изображений высокого качества

Перспективы: возобновление интереса в 2010-х годах благодаря глубокому обучению (AlexNet), снижению стоимости хранения данных и появлению крупных баз данных типа TCGA.

Цифровая нейропатология: лидеры внедрения

Нейропатология становится одной из первых специальностей для полного перехода на цифровые технологии. Подтвержденное использование:

• Ohio State University — 5 лет полностью цифровой нейропатологии

• Mayo Clinic — цифровая нейропатология в рутинной практике

• Leeds Hospital (Великобритания)

• Granada Hospital (Испания)

📌 Основные выводы для практикующих врачей

1. ИИ превосходит визуальную оценку в выявлении слабовыраженных патологических изменений, особенно при тау-патологии в нейропатологии

2. Мультиклассовые модели ИИ могут одновременно оценивать до 20 различных структур почечной ткани с точностью, сопоставимой с патологами

3. Регуляторные барьеры преодолимы — существуют четкие руководящие принципы, требуется лишь желание их изучить и применить

4. Нейропатология лидирует в полном переходе на цифровые технологии среди патологических специальностей

5. Раннее освоение ИИ-инструментов критично для формирования будущей практики патоморфологии — сопротивление изменениям остается главным препятствием внедрения