Прототип системы поддержки принятия врачебных решений для врачей-патологоанатомов появится уже в 2025 году
Специалисты Института клинической морфологии и цифровой патологии Первого МГМУ имени И. М. Сеченова совместно с компанией «Вымпелком» разрабатывают систему поддержки принятия врачебных решений на основе технологии искусственного интеллекта для диагностики хронических гастритов и выявления пациентов с высоким риском развития рака желудка. Цель команды разработчиков – повысить точность и качество морфологической диагностики и снизить вероятность диагностических ошибок на рутинном патоморфологическом исследовании гастробиоптатов — образцов ткани, которые получают при эндоскопии желудка. Аналогов этому цифровому решению на российском и международном рынках нет.
На сегодняшний день рак желудка находится на четвертом месте в структуре онкологической заболеваемости во всем мире. Это одна из ведущих причин смертности от онкологической патологии. По словам аналитика Института клинической морфологии и цифровой патологии Сеченовского Университета, к.м.н. Нано Пачуашвили, выявление пациентов с предраковыми изменениями желудка и наблюдение за ними способствует ранней диагностике рака и более эффективному лечению этого заболевания. А хронический атрофический гастрит повышает риск развития рака желудка, на его фоне могут возникать злокачественные опухоли.
«Система поддержки принятия врачебных решений, разработкой которой занимается наша научная команда, предназначена для врачей-патологоанатомов, которые ежедневно занимаются исследованием биоптатов слизистой желудка, — объяснила специалист. — Наша СППВР направлена на определение объема поражения слизистой оболочки желудка и выявления так называемой кишечной метаплазии – ключевого биомаркера предраковых поражений. Кишечная метаплазия часто рассматривается в качестве «точки невозврата», после которой изменения слизистой становятся необратимыми».
Система поддержки принятия врачебных решений для патологоанатомов может способствовать стандартизации и повышению точности гистологической диагностики. Это особенно важно в условиях нехватки врачей-патологоанатомов, которая остро ощущается в ряде регионов. Низкая доступность специалистов приводит к увеличению нагрузки на имеющихся врачей. В результате повышается риск диагностических ошибок и снижается скорость выдачи результатов. Как подчеркнула Нано Пачуашвили, разрабатываемая система не призвана заменить специалиста. Она поможет снизить вероятность пропустить ключевые признаки предраковых изменений, стандартизировать подход к диагностике и повысить ее качество.
Сейчас проект находится на стадии обучения и тестирования нейросетевой модели для анализа гастробиоптатов. На основании выявленных характеристик каждого отдельного биоптата, модель сможет определять стадию и степень хронического гастрита по общепризнанной системе стадирования OLGIM, что позволит эффективнее выявлять пациентов, которые находятся в группе высокого риска возникновения рака желудка.
Для обучения нейросетевой модели в Сеченовском Университете была создана и официально зарегистрирована обезличенная цифровая база данных гистологических сканов биоптатов слизистой оболочки желудка. Она включает в себя все необходимые клинические и морфологические характеристики гастритов, выявленных у пациентов, которые проходили эндоскопическое обследование в университетских клиниках. На материале из цифровой базы разработчики проводят разметку гистологических сканов для обучения нейросети — в специальной программе они отмечают участки слизистой оболочки желудка, выделяя отдельно здоровые железы и железы с признаками кишечной метаплазии. На основании размеченных элементов модель учится находить и анализировать аналогичные участки уже в других гистологических снимках.
В разметке гистологических снимков (гистологических препаратов, оцифрованных с помощью специальных сканеров, создающих цифровые изображения высокого разрешения) активно участвуют студенты школы мастерства по патологической анатомии Института клинической морфологии и цифровой патологии. Это дает им возможность получить ценный практический опыт работы с реальными гистологическими изображениями и научиться различать тонкие морфологические особенности тканей. Каждую разметку проверяет врач-патологоанатом и при необходимости вносит коррективы и объясняет сложные случаи.
Затем эти данные передают для обучения модели партнерам университетской команды — специалистам компании «Вымпелком». В процессе обучения нейросеть учится различать здоровые и пораженные железы и после обработки каждого фрагмента скана собирает их в единое изображение, на котором видны все выделенные области.
На сегодняшний день модель обучили на объеме данных, включающей множество биоптатов и более пяти тысяч размеченных элементов разных классов. Она уже сейчас демонстрирует высокую точность в распознавании пораженных областей и уверенно определяет значительную часть желез с кишечной метаплазией. По мере увеличения количества размеченных сканов точность алгоритма продолжит расти, уверены разработчики. Это сделает разрабатываемую систему еще более надежной для диагностики и стадирования риска развития рака желудка у пациентов с хроническим атрофическим гастритом.
В дальнейших планах команды — завершить обучение модели на расширенном объеме данных и интегрировать ее в патоморфологическую информационную систему для тестирования в рутинной практике. Прототип СППВР планируется представить уже в 2025 году. А готовое решение будет доступно пользователям после завершения клинико-технических испытаний и получения регистрационного удостоверения.