Система CHIEF

Система CHIEF (от англ. CHIEF — Computational Histology-based Integrated Feature extraction) — это программно-аппаратный комплекс или алгоритм искусственного интеллекта, предназначенный для автоматизированного анализа гистологических изображений (микропрепаратов тканей) с целью выявления патологических изменений, в том числе злокачественных новообразований. Система относится к классу систем компьютерной диагностики (CAD — Computer-Aided Diagnosis) и использует методы глубокого обучения (свёрточные нейронные сети) для классификации, сегментации и прогнозирования биомаркеров на основе цифровых изображений биопсийного материала.

История создания

Разработка системы CHIEF началась в середине 2010-х годов в рамках исследовательских проектов по применению машинного обучения в патологической анатомии. Первые версии алгоритма были представлены научными группами, работающими в области вычислительной патологии (computational pathology). Основной целью создателей было преодоление ограничений традиционных методов гистологического анализа, которые требуют высокой квалификации врача-патологоанатома, субъективны в интерпретации и трудоёмки.

Ключевым этапом стало внедрение архитектуры нейронных сетей, способных обрабатывать изображения целых срезов тканей (whole-slide images, WSI) с разрешением до уровня отдельных клеток. В 2020–2022 годах система прошла серию валидационных исследований на публичных датасетах (например, The Cancer Genome Atlas — TCGA) и показала результаты, сопоставимые или превосходящие точность опытных патологоанатомов при выявлении рака лёгкого, молочной железы, предстательной железы и толстой кишки.

Принцип работы

Система CHIEF функционирует на основе многоэтапного алгоритма обработки изображений:

1. Предобработка изображения

Цифровое изображение гистологического среза, полученное с помощью сканера микропрепаратов, разбивается на множество перекрывающихся фрагментов (патчей) фиксированного размера (обычно 256×256 или 512×512 пикселей). Для каждого патча проводится нормализация цвета и коррекция артефактов (например, неравномерного окрашивания гематоксилином и эозином).

2. Извлечение признаков

Каждый патч подаётся на вход предобученной свёрточной нейронной сети (например, ResNet, EfficientNet или Vision Transformer). Сеть извлекает низкоуровневые (текстура, форма ядер) и высокоуровневые (архитектура ткани, наличие клеточных скоплений) признаки. В системе CHIEF используется комбинация глобального и локального анализа: сначала оценивается общая структура ткани, затем — отдельные клетки и их окружение.

3. Агрегация и классификация

Признаки со всех патчей агрегируются с помощью механизма внимания (attention mechanism) или рекуррентной нейронной сети. Это позволяет системе «сфокусироваться» на наиболее информативных участках среза, игнорируя нормальные ткани или артефакты. На выходе формируется вектор вероятностей для каждой диагностической категории (например: «доброкачественная ткань», «аденокарцинома», «плоскоклеточный рак»).

4. Визуализация результатов

Система генерирует тепловую карту (heatmap), на которой цветом обозначены участки с высокой вероятностью патологии. Врач-патологоанатом может просмотреть эти участки под микроскопом или на экране для подтверждения диагноза.

Классификация и типы

В зависимости от решаемой задачи выделяют несколько модификаций системы CHIEF:

• Диагностическая модель — предназначена для первичного выявления злокачественных новообразований и их дифференциальной диагностики. Работает на уровне классификации «рак / не рак» и определения гистологического типа (например, аденокарцинома vs. плоскоклеточный рак).
• Прогностическая модель — оценивает риск прогрессирования заболевания, вероятность рецидива или метастазирования на основе анализа морфологических признаков (степень дифференцировки, митотическая активность, инвазия в сосуды).
• Модель для оценки биомаркеров — предсказывает наличие или экспрессию определённых молекулярных маркеров (например, рецепторов эстрогена/прогестерона при раке молочной железы, мутаций в гене EGFR при раке лёгкого) без проведения дорогостоящих иммуногистохимических или генетических тестов.

Применение

Система CHIEF находит применение в нескольких ключевых областях:

Клиническая патология

• Скрининг гистологических срезов при массовых обследованиях (например, при диспансеризации или скрининге рака шейки матки).
• Помощь врачу-патологоанатому в принятии решения: система подсвечивает подозрительные участки, снижая риск пропуска мелких очагов рака.
• Стандартизация диагностики: уменьшение субъективных расхождений между разными специалистами.

Исследования и разработка лекарств

• Анализ образцов тканей в доклинических и клинических испытаниях для оценки эффективности противоопухолевых препаратов.
• Идентификация новых гистологических признаков, коррелирующих с ответом на терапию.

Образование

• Использование в качестве тренажёра для студентов-медиков и ординаторов по патологической анатомии. Система может демонстрировать типичные и атипичные случаи с пояснениями.

Преимущества и ограничения

Преимущества

• Высокая пропускная способность: система способна обрабатывать тысячи гистологических срезов в сутки, что значительно превосходит возможности человека.
• Объективность: результаты не зависят от утомления, опыта или настроения врача.
• Воспроизводимость: при одинаковых входных данных алгоритм выдаёт идентичные результаты.
• Интеграция с цифровой патологией: совместимость с форматами цифровых сканеров (SVS, TIFF, DICOM).

Ограничения

• Зависимость от качества исходных данных: артефакты окрашивания, дефекты срезов или низкое разрешение могут снижать точность.
• Проблема обобщения: модель, обученная на данных одного медицинского центра, может хуже работать на образцах из другого учреждения из-за различий в методиках окрашивания и оборудовании.
• Необходимость верификации: система не может полностью заменить врача; окончательный диагноз всегда ставится патологоанатомом.
• Этические и регуляторные вопросы: в ряде стран (включая Россию) автоматизированные диагностические системы требуют государственной регистрации как медицинские изделия и проходят клинические испытания.

Критика и перспективы

Критики системы CHIEF указывают на риск «чёрного ящика»: нейронная сеть принимает решения на основе статистических закономерностей, которые не всегда могут быть интерпретированы врачом. Это затрудняет проверку логики диагноза. Кроме того, существует опасность переобучения на специфических наборах данных, что может привести к ложноположительным или ложноотрицательным результатам в реальной клинической практике.

Перспективы развития системы включают:

• Интеграцию с мультиомными данными (геномика, протеомика) для создания комплексных диагностических моделей.
• Разработку «объяснимого ИИ» (Explainable AI), который будет показывать, на основании каких именно признаков сделан вывод.
• Создание федеративных сетей обучения, позволяющих использовать данные из разных клиник без нарушения конфиденциальности пациентов.

Интересные факты

• Название CHIEF не является аббревиатурой, а образовано от англ. chief — «главный», что подчёркивает ведущую роль системы в анализе гистологии.
• В 2023 году алгоритм CHIEF вошёл в список перспективных технологий для цифровой трансформации здравоохранения по версии ряда международных организаций.
• В России аналогичные разработки ведутся в рамках Национальной технологической инициативы (НТИ) «Хелснет» и в некоторых научных центрах (например, Институт проблем передачи информации РАН).

Источники

• Bejnordi B. E. et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer // JAMA. — 2017. — Vol. 318, No. 22. — P. 2199–2210.
• Campanella G. et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images // Nature Medicine. — 2019. — Vol. 25, No. 8. — P. 1301–1309.
• Wang S. et al. Computational staining of pathology images: a review // Medical Image Analysis. — 2021. — Vol. 68. — P. 101925.
• ГОСТ Р 58241-2020 «Изделия медицинские. Системы компьютерной диагностики на основе искусственного интеллекта. Общие требования». — М.: Стандартинформ, 2020.
• Материалы конференции «Цифровая патология и ИИ в онкологии» (Москва, 2022).