гистология

Статья описывает полуавтоматический метод анализа изображений для количественной оценки макровакуолярного стеатоза в гистологических срезах печени. Метод показал статистически значимую корреляцию с оценками патологов (r=0.526–0.642), но требует многоцентрового подтверждения перед клиническим применением.

Разработан алгоритм TRI_IF на основе глубокого обучения (архитектура Xception) и морфометрического анализа для автоматической количественной оценки интерстициального фиброза почки на гистологических слайдах без ручных аннотаций. Модель продемонстрировала высокую согласованность с оценками нефропатологов (R2=0.86-0.93, Cohen's kappa=0.86-0.91) и точно предсказывала клинические исходы (ЭСКП, снижение СКФ). Подход обеспечивает масштабируемое решение для клинической практики и исследований в нефропатологии.

Исследование с использованием глубокого обучения (ConvNeXt) показало, что диагностическая информация в гистологических изображениях H&E содержится преимущественно в структурных особенностях (оттенки серого), а не в цветовой информации. Модели ИИ могут эффективно работать без цветовой информации, что ставит под сомнение важность цветовой нормализации в диагностических алгоритмах.

Исследование применяет ансамбль U-Net для автоматической сегментации коллагена на гистологических срезах печени с оценкой неопределённости предсказаний. Анализ 686 биопсий из 20+ клиник показал высокую точность сегментации (Dice 0.83–0.90) и продемонстрировал, что оценка неопределённости помогает выявлять некачественные изображения и артефакты.

Учёные Первого МГМУ им. И.М. Сеченова совместно с компанией Medical Neuronets и Московской городской онкологической больницей № 62 создали систему искусственного интеллекта для обнаружения метастазов колоректального рака в лимфатических узлах. Алгоритм работает с цифровыми гистологическими препаратами, выполняя двухэтапный анализ: сначала выявляет подозрительные зоны на срезах тканей, затем с помощью методов сегментации более точно выделяет границы опухолевых клеток. Результаты пилотного клинического исследования были опубликованы в международном журнале Cancer Medicine. Разработка направлена на повышение точности патоморфологической диагностики и снижение риска пропуска метастатического поражения лимфоузлов при онкологических операциях. Система использует глубокое обучение для автоматизации рутинных задач патологоанатома, что может сократить время подготовки заключения и минимизировать человеческий фактор. Технология может быть интегрирована в существующие цифровые патологические лаборатории для поддержки врачей при принятии решений о необходимости дополнительных исследований или расширении объёма операции. Проект представляет собой пример практического применения компьютерного зрения в онкопатологии и демонстрирует потенциал ИИ-систем для улучшения качества диагностики рака.