колоректальный рак

В данном исследовании представлен инновационный метод количественной оценки микроокружения опухоли при колоректальном раке с использованием системы CAMuTILS. Авторы разработали алгоритм, позволяющий детально анализировать пространственную архитектуру и клеточный состав опухолевой ткани, что критически важно для персонализированной терапии. Методология базируется на интеграции цифровой патологии и передовых методов машинного обучения для точного подсчета различных типов иммунных и стромальных клеток. Ключевые результаты демонстрируют, что использование CAMuTILS позволяет значительно повысить точность прогнозирования выживаемости пациентов по сравнению с традиционными методами гистологического анализа. Исследование подтверждает высокую прогностическую значимость специфических паттернов микроокружения, что открывает новые возможности для стратификации рисков в онкологии. Практическая значимость работы заключается в возможности внедрения автоматизированного анализа цифровых слайдов в клиническую практику для оптимизации планов лечения пациентов с колоректальным раком.

В исследовании представлен метод глубокого ансамблевого обучения, сочетающий self-attention stacked bidirectional LSTM и алгоритм оптимизации Parallel-Whale для прогнозирования стадий колоректального рака. Использование техники DeepSurv позволяет проводить анализ выживаемости пациентов на основе геномных данных, что помогает в персонализированном подходе к лечению.

Данная научная статья представляет собой комплексный обзор применения технологий TinyML (маломощного машинного обучения) в задачах раннего обнаружения колоректального рака. Авторы анализируют переход от ресурсоемких моделей глубокого обучения к оптимизированным алгоритмам, способным работать непосредственно на периферийных устройствах и встроенных сенсорах. В работе рассматриваются методологии сжатия моделей, квантования и дистилляции знаний, которые позволяют интегрировать ИИ в портативные диагностические инструменты. Исследование выделяет ключевые достижения в области повышения точности классификации новообразований при экстремально ограниченных вычислительных мощностях. Особое внимание уделяется текущим барьерам, таким как ограничения памяти, энергопотребления и необходимость обеспечения высокой надежности в клинических условиях. Результаты подчеркивают потенциал TinyML для создания автономных систем мониторинга, которые могут радикально изменить подходы к скринингу рака кишечника в условиях ограниченных ресурсов.

Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.

Исследование посвящено решению проблемы резистентности к бевацизумабу — ключевому фактору, ограничивающему долгосрочную эффективность терапии метастатического колоректального рака (КРР). Авторы разработали и валидировали прогностическую модель на основе сигнатуры из 8 генов (AXIN2, PSORS1C1, KRT74, SLC2A3, STIL, IL33, GALNT6, HSD11B2), используя анализ данных GEO (GSE19862, GSE86582) и TCGA. Результаты показали, что высокая оценка риска по данной сигнатуре коррелирует с более низкой общей выживаемостью (OS), при этом точность прогноза (AUC) достигает 0.757 для 5-летней выживаемости. Анализ иммунного микроокружения с помощью CIBERSORT и ESTIMATE выявил, что у пациентов группы высокого риска наблюдается повышенное содержание M2-макрофагов и нейтрофилов при снижении количества активированных CD4+ T-клеток памяти и дендритных клеток. Генетический анализ (GSEA) подтвердил обогащение путей TNF/NF-κB, IL-6/JAK/STAT3 и контрольных точек иммунного ответа в группе высокого риска. Данная сигнатура может служить инструментом для клинической стратификации пациентов и понимания механизмов иммуноопосредованной резистентности к терапии.

Данное исследование, опубликованное в журнале npj Digital Medicine, представляет собой рандомизированное контролируемое испытание эффективности применения систем искусственного интеллекта для обнаружения колоректальных поражений в условиях частных клиник. В работе анализируется, насколько использование ИИ-ассистентов помогает эндоскопистам повысить точность выявления полипов и других патологий во время колоноскопии. Методология исследования направлена на сравнение показателей обнаружения аденом (ADR) между группами врачей, использующих ИИ-поддержку, и контрольной группой, выполняющей процедуры стандартным способом. Ожидается, что внедрение подобных технологий позволит значительно снизить риск пропуска клинически значимых поражений, что критически важно для профилактики колоректального рака. Результаты подчеркивают практическую значимость интеграции компьютерного зрения в рутинную эндоскопическую практику для повышения качества медицинского обслуживания и точности диагностики.

Представлен MAPSeg — полностью самообучаемый метод сегментации полипов, не требующий размеченных данных и обучаемый на изображениях здоровой слизистой. Благодаря стратегии синтетической аугментации SIMPO и архитектуре с расширенной памятью, метод значительно превосходит существующие неконтролируемые подходы по метрикам IoU и DICE.

Исследование посвящено разработке нового метода анализа циркулирующей опухолевой ДНК (ctDNA) для неинвазивного мониторинга минимальной остаточной болезни (MRD) и раннего выявления рецидивов рака. Авторы предложили инновационный фреймворк, объединяющий поиск соматических мутаций с фрагментомными характеристиками (длиной фрагментов и паттернами мотивов на их концах). В ходе исследования было проанализировано 712 серийных образцов цельногеномного секвенирования (WGS) у 90 пациентов с колоректальным раком III стадии в течение трех лет наблюдения. Комбинированный подход показал превосходство над стандартными методами: показатель AUC достиг 0,871 при использовании длины и мотивов, и 0,873 при интеграции с оценкой доли опухолевой фракции, что выше, чем при простом подсчете мутантных фрагментов (AUC=0,832). Ключевые выявленные признаки ctDNA включают укорочение фрагментов и специфическое обогащение мотивов A/T на концах фрагментов при истощении C/G концов. Данный метод является масштабируемым, не требует обучения моделей или калибровки по контрольным группам (panel-of-normals), что делает его перспективным инструментом для клинической практики.

Исследователи представили ClumPyCells — новый статистический фреймворк для анализа пространственной организации клеток в тканях с коррекцией на морфологические различия. Ключевая проблема, которую решает инструмент: различия в размерах клеток вводят значительные смещения при количественной оценке агрегации клеток или их молекулярных признаков, что может приводить к ошибочным интерпретациям данных пространственной транскриптомики и протеомики. Методология включает алгоритмы, позволяющие измерять агрегацию клеток и маркеров в ткани, одновременно корректируя влияние размера морфологии и исключая мешающие типы клеток или не связанные с исследованием области ткани. Валидация проводилась на нескольких типах опухолей, включая меланому и колоректальный рак, демонстрируя способность инструмента выявлять новые паттерны и структуры ткани без морфологических помех. Это имеет практическое значение для онкологических исследований, где точное понимание пространственной организации клеток критично для понимания развития опухоли, гомеостаза и патогенеза заболеваний. Инструмент позволяет исследователям интерпретировать пространственную агрегацию, обходя помехи от интерферирующих типов клеток.

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.