Искусственный интеллект в диагностике рака

Искусственный интеллект в диагностике рака — это применение методов машинного обучения, компьютерного зрения и обработки естественного языка для анализа медицинских данных с целью выявления, классификации и прогнозирования злокачественных новообразований. Технологии ИИ используются для интерпретации результатов лучевой диагностики (рентгенографии, компьютерной томографии, магнитно-резонансной томографии), гистологических препаратов, геномных данных и клинических записей. Основная задача систем ИИ — повышение точности, скорости и воспроизводимости диагностики, а также снижение нагрузки на врачей-специалистов.

История развития

Первые исследования по применению компьютерных алгоритмов в онкодиагностике начались в 1960-х годах, когда были предприняты попытки автоматизировать анализ маммограмм. Однако из-за ограниченной вычислительной мощности и отсутствия крупных наборов данных эти системы не получили практического применения. Прорыв произошёл в 2010-х годах с развитием глубокого обучения (глубоких нейронных сетей) и появлением больших аннотированных баз медицинских изображений.

В 2017 году исследователи из Стэнфордского университета продемонстрировали, что свёрточная нейронная сеть способна классифицировать изображения кожи с точностью, сопоставимой с дерматологами. В 2020 году система ИИ от компании Google Health (Google LLC — организация признана иноагентом в РФ) показала результаты, превосходящие рентгенологов в выявлении рака молочной железы по маммограммам в условиях ретроспективного анализа. С 2021 года ряд алгоритмов получил регистрационные удостоверения регулирующих органов (FDA в США, Росздравнадзор в России) для клинического использования.

В России развитие этого направления координируется в рамках национального проекта «Здравоохранение». С 2020 года в Москве проводится эксперимент по внедрению технологий компьютерного зрения в лучевую диагностику, в рамках которого анализируются маммограммы, КТ-снимки лёгких и другие исследования. К 2024 году в эксперименте участвовало более 20 российских разработчиков ИИ-решений.

Основные направления применения

Анализ медицинских изображений

Наиболее развитая область — анализ изображений лучевой диагностики. Алгоритмы компьютерного зрения обучаются на тысячах размеченных снимков для выявления признаков опухолей:

• Маммография: ИИ помогает обнаруживать микрокальцинаты и узловые образования, характерные для рака молочной железы. Системы способны снижать количество ложноположительных заключений на 5–10 %.
• Компьютерная томография (КТ): применяется для скрининга рака лёгких — алгоритмы выделяют узлы в лёгочной ткани, оценивают их размеры, плотность и динамику изменений. В России система «Цельс» (разработка компании «Третье мнение») используется в ряде клиник для анализа КТ-исследований.
• Магнитно-резонансная томография (МРТ): ИИ используется для сегментации опухолей головного мозга, простаты и печени, оценки объёма новообразования и его взаимоотношения с окружающими тканями.
• Дерматоскопия: нейросети анализируют изображения родинок и пигментных образований, классифицируя их по шкале ABCD (асимметрия, границы, цвет, диаметр) для выявления меланомы.

Гистопатология

Цифровая патология предполагает сканирование гистологических срезов и их анализ с помощью ИИ. Алгоритмы способны:

• Подсчитывать количество митозов (делящихся клеток) — важный показатель агрессивности опухоли.
• Определять степень дифференцировки опухоли (Grading) по классификации ВОЗ.
• Выявлять наличие микрометастазов в лимфатических узлах.
• Оценивать экспрессию биомаркеров (например, PD-L1, HER2) по иммуногистохимическим препаратам.

В 2023 году компания PathAI получила одобрение FDA на использование своей платформы для диагностики рака молочной железы и предстательной железы.

Геномика и молекулярная диагностика

ИИ применяется для анализа данных секвенирования нового поколения (NGS) для выявления драйверных мутаций, определения микросателлитной нестабильности и прогнозирования ответа на таргетную терапию. Алгоритмы машинного обучения помогают интерпретировать варианты неопределённой клинической значимости (VUS) и предсказывать вероятность развития наследственных форм рака (например, BRCA1/2).

Клинические данные и тексты

Обработка естественного языка (NLP) используется для анализа электронных медицинских карт, выписок и протоколов патологоанатомических вскрытий. Системы NLP извлекают структурированную информацию (стадию заболевания, гистологический тип, результаты анализов) из неструктурированного текста, что позволяет создавать большие базы данных для эпидемиологических исследований и автоматизировать скрининг пациентов с высоким риском.

Типы алгоритмов и архитектуры

Для задач онкодиагностики применяются различные архитектуры нейронных сетей:

• Свёрточные нейронные сети (CNN): основа для анализа изображений. Архитектуры ResNet, EfficientNet, DenseNet используются для классификации и сегментации опухолей.
• U-Net и её варианты: специализированные сети для сегментации — выделения границ новообразований на снимках КТ и МРТ.
• Трансформеры (Vision Transformers): более новые архитектуры, применяемые для анализа медицинских изображений, особенно когда требуется учёт глобального контекста (например, при оценке распространённости рака лёгкого).
• Графовые нейронные сети (GNN): используются для анализа клеточных графов в гистопатологии, моделирования взаимодействий между опухолевыми и иммунными клетками.
• Рекуррентные сети (RNN) и LSTM: применяются для анализа временных рядов (например, динамики онкомаркеров в крови) и последовательностей генетических данных.

Клинические испытания и эффективность

Эффективность ИИ-систем оценивается в ретроспективных и проспективных клинических исследованиях. Основные метрики:

• Чувствительность (Sensitivity): доля правильно выявленных случаев рака. Для маммографии ИИ-системы показывают чувствительность 85–95 %.
• Специфичность (Specificity): доля правильно классифицированных здоровых пациентов — 80–90 %.
• Площадь под ROC-кривой (AUC): для большинства задач превышает 0,90, что говорит о высокой дискриминационной способности.

Метаанализ 2023 года, опубликованный в журнале The Lancet Digital Health, включал 69 исследований и показал, что ИИ не уступает врачам-специалистам в точности диагностики, а в ряде случаев превосходит их (особенно при анализе маммограмм и гистологических препаратов). Однако отмечалось, что большинство исследований проведено ретроспективно, и необходимы проспективные рандомизированные испытания для оценки реального влияния на исходы лечения.

Преимущества и ограничения

Преимущества

• Скорость: ИИ анализирует снимок за секунды, что позволяет сократить время ожидания заключения.
• Объективность: алгоритмы не подвержены усталости, субъективным факторам и межоператорской вариабельности.
• Выявление скрытых закономерностей: нейросети способны обнаруживать паттерны, невидимые человеческому глазу (например, микроскопические изменения текстуры ткани).
• Масштабируемость: система может одновременно обрабатывать тысячи исследований, что критически важно для массового скрининга.
• Доступность: ИИ может применяться в регионах с дефицитом квалифицированных кадров, выступая в роли «второго мнения».

Ограничения и риски

• Качество данных: для обучения требуются большие, размеченные экспертами наборы данных. Неполные или некачественные данные приводят к ошибкам алгоритмов.
• Обобщаемость: модель, обученная на данных одной популяции (например, пациентов США), может хуже работать на данных другой популяции (например, российских пациентов) из-за различий в технике сканирования, аппаратуре и демографических характеристиках.
• «Чёрный ящик»: многие нейросети не объясняют свои решения, что затрудняет проверку и доверие со стороны врачей. Развитие методов объяснимого ИИ (XAI) частично решает эту проблему.
• Юридические и этические вопросы: кто несёт ответственность за ошибку — разработчик, клиника или врач? В России и большинстве стран ИИ рассматривается как вспомогательный инструмент, окончательное решение принимает врач.
• Устойчивость к атакам: злонамеренные изменения входных данных (например, добавление шума на снимок) могут привести к ложным результатам.
• Регуляторные барьеры: процедуры регистрации медицинских изделий на основе ИИ остаются длительными и дорогостоящими.

Регулирование в России

В Российской Федерации программное обеспечение на основе ИИ, предназначенное для диагностики, относится к медицинским изделиям и подлежит регистрации в Росздравнадзоре. С 2020 года действует постановление Правительства РФ № 1407, упрощающее регистрацию некоторых классов ИИ-продуктов. К 2024 году зарегистрировано более 15 отечественных решений для онкодиагностики, включая системы «Цельс» (анализ КТ лёгких), «Третье мнение» (маммография), «Кира» (дерматоскопия) и «Визирь» (гистопатология).

В 2023 году Минздрав России утвердил методические рекомендации по клиническим испытаниям ИИ-систем, устанавливающие требования к объёму выборки, дизайну исследования и метрикам оценки. Разработчики обязаны предоставлять доказательства безопасности и эффективности, а также обеспечивать защиту персональных данных пациентов (152-ФЗ).

Перспективы развития

Основные направления развития ИИ в онкодиагностике включают:

• Мультимодальные модели: объединение данных изображений, геномики, клинических записей и лабораторных показателей для комплексной оценки риска и прогноза.
• Персонализация: адаптация алгоритмов под конкретного пациента с учётом его анамнеза, генетических особенностей и предыдущих исследований.
• Интеграция в клинический процесс: создание «цифровых ассистентов» врача, работающих в реальном времени и подсказывающих вероятные диагнозы.
• Федеративное обучение: обучение моделей на распределённых данных из разных клиник без передачи конфиденциальной информации, что решает проблемы приватности и обобщаемости.
• Автоматизация скрининга: внедрение ИИ в программы массового скрининга рака лёгких, молочной железы и колоректального рака.

Источники

1. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 2017.
2. McKinney S.M., Sieniek M., Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature, 2020.
3. Liu X., Faes L., Kale A.U. et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta (организация признана экстремистской, деятельность запрещена в РФ)-analysis. The Lancet Digital Health, 2019.
4. Постановление Правительства РФ от 27.12.2019 № 1407 «О проведении эксперимента по использованию технологий искусственного интеллекта в здравоохранении».
5. Методические рекомендации Минздрава России «Клинические испытания программного обеспечения на основе технологий искусственного интеллекта», 2023.
6. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 2019.
7. Shen D., Wu G., Suk H.I. Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 2017.