цифровая патология

В исследовании представлен GHIST+ — инновационный фреймворк, предназначенный для полномасштабной реконструкции молекулярных состояний отдельных клеток на основе стандартных гистологических срезов (H&E). Основная проблема текущих технологий пространственной транскриптомики заключается в сложности масштабирования и разреженности данных, когда молекулярные измерения доступны лишь для ограниченных участков ткани. GHIST+ решает эту задачу путем интеграции клеточной морфологии, локального контекста ткани и общих представлений тканей, что позволяет преобразовывать разреженные данные микрочипов (TMA) в непрерывные молекулярные карты. Тестирование на различных типах рака и образцах тканей молочной железы из проекта GTEx подтвердило способность модели сохранять биологически значимую организацию, структуру типов клеток и возрастные изменения тканей. Технология позволяет масштабировать пространственное профилирование до уровня целых когорт пациентов, используя рутинную гистологию, что значительно снижает затраты и повышает доступность глубокого молекулярного анализа. Это открывает новые возможности для точной диагностики и персонализированной медицины на основе анализа стандартных медицинских препаратов.

Данное исследование посвящено критической проблеме вариативности человеческой разметки при создании обучающих выборок для моделей ИИ в цифровой патологии. Авторы анализируют методы семантической сегментации и предлагают использование вероятностного консенсуса для минимизации ошибок, вызванных субъективностью патологоанатомов. В работе исследуется корреляция между качеством аннотаций и точностью последующего обучения нейросетей. Методология включает оценку надежности нескольких экспертов и разработку алгоритма, позволяющего получить более точную «золотую стандартную» маску через вероятностное взвешивание мнений. Результаты подчеркивают, что учет неопределенности в данных сегментации значительно повышает устойчивость моделей к шуму в обучающих выборках. Это имеет решающее значение для внедрения ИИ в клиническую практику, где точность локализации патологических структур напрямую влияет на постановку диагноза.

Компания Tempus AI, специализирующаяся на внедрении искусственного интеллекта в прецизионную медицину, объявила о создании инновационного консорциума по цифровой патологии с открытым исходным кодом. В качестве первых участников проекта выступили крупнейшие медицинские учреждения: Yale New Haven Hospital и Memorial Sloan Kettering Cancer Center. Основная цель инициативы заключается в создании единых стандартов и инструментов для обработки цифровых патологических изображений, что критически важно для обучения алгоритмов машинного обучения. Данный консорциум направлен на ускорение разработки ИИ-решений для анализа тканей, что позволит повысить точность диагностики онкологических заболеваний. Объединение ресурсов ведущих клиник и технологического гиганта Tempus создает фундамент для масштабируемого использования ИИ в клинической практике. Ожидается, что открытый доступ к методологиям и данным значительно сократит временные затраты на разработку новых диагностических моделей.

В данной работе представлен инновационный подход к анализу микроструктуры биологических тканей с использованием гибридной архитектуры графовых трансформеров (Hybrid Graph Transformer). Исследование направлено на решение проблемы точной количественной оценки параметров ткани, что критически важно для патоморфологии и высокоточной диагностики. Авторы предлагают метод, который объединяет возможности трансформеров по захвату глобальных зависимостей и графовых нейронных сетей для моделирования локальных пространственных структур. Использование гибридной модели позволяет значительно повысить точность предсказаний микроструктурных характеристик по сравнению с традиционными методами глубокого обучения. Результаты демонстрируют превосходство предложенного алгоритма в обработке сложных геометрических паттернов, что открывает новые возможности для автоматизированного анализа гистологических изображений. Данная технология имеет высокую практическую значимость для интеграции ИИ в процессы цифровой патологии и персонализированной медицины.

В статье представлен инновационный метод EvoPS, предназначенный для оптимизации обучения моделей на основе полнослойных гистологических изображений (Whole Slide Images, WSI). Основная проблема анализа WSI заключается в их колоссальном размере, что требует выбора наиболее информативных фрагментов (патчей) для обучения. Авторы предлагают использовать эволюционный алгоритм для отбора патчей непосредственно в пространстве эмбеддингов, что позволяет значительно повысить эффективность использования вычислительных ресурсов. Методология EvoPS фокусируется на поиске наиболее репрезентативных признаков, минимизируя избыточность данных при сохранении диагностической ценности. Исследование демонстрирует, что такой подход позволяет достичь высокой точности классификации патологий при сокращении объема обрабатываемых данных. Данная разработка имеет критическое значение для цифровой патологии, ускоряя процесс обучения нейросетей и снижая требования к инфраструктуре при анализе сложных гистологических срезов.

Исследователи представили STiLE — инновационный программный инструмент для автоматизации процесса деарреинга (разделения) тканевых микрочипов (TMA), что является критическим этапом в пространственной транскриптомике. В отличие от существующих методов, работающих с гистологическими изображениями, STiLE использует исключительно координаты центроидов клеток, что делает его устойчивым к артефактам окрашивания и неравномерному освещению. Методология алгоритма объединяет детекцию компонентов на основе связности, плотностное кластерирование HDBSCAN и слияние кластеров с направляющими компонентами. Валидация на 11 публичных образцах TMA (от 50 до 150 ядер на слайде) показала исключительно высокую точность с показателем ARI > 0,99. Системное тестирование на 396 синтетических наборах данных с реалистичными артефактами подтвердило средний ARI на уровне 0,992. Инструмент является платформонезависимым и совместим с ведущими технологиями, такими как Vizgen MERSCOPE, 10x Xenium и NanoString CosMx, поддерживая форматы AnnData и CSV. Наличие интерактивного интерфейса Streamlit позволяет исследователям легко настраивать параметры и проводить визуальный контроль больших объемов данных.

В статье представлен CosMxScope — новый легковесный open-source фреймворк на языке Python, предназначенный для интеграции данных пространственной транскриптомики с инструментами цифровой патологии. Проблема исследования заключается в несовместимости сложных выходных данных платформы CosMx SMI (координаты субклеточных транскриптов, сегментация клеток и тайлы изображений) с общепринятым программным обеспечением для гистопатологии. Разработанное решение позволяет осуществлять автоматическую сшивку (stitching) фрагментов изображений в полноразмерные слайды (WSI) и конвертировать полигоны сегментации клеток в формат GeoJSON для последующего анализа в среде QuPath. Фреймворк обеспечивает визуализацию паттернов экспрессии генов, локализации транскриптов и типов клеток непосредственно на морфологическом фоне. Использование CosMxScope в текущих исследовательских проектах на тканях человека и мышей подтверждает его эффективность для трансляционных исследований. Инструмент значительно упрощает рабочий процесс пространственного анализа, объединяя молекулярные профили с клеточной морфологией.

В статье рассматривается преодоление технологического барьера в патоморфологии благодаря массовой оцифровке медицинских данных. Авторы отмечают, что в то время как электронные медицинские карты и визуализация уже активно используют ИИ, патологические исследования долгое время отставали из-за отсутствия цифровых форматов. На текущий момент оцифровано более 100 000 слайдов, окрашенных гематоксилином и эозином, что открывает путь к созданию универсальных базовых моделей (foundation models). Эти модели способны генерировать общие векторные представления признаков (feature embeddings) непосредственно из патологических изображений. Основная цель применения таких технологий — прогнозирование молекулярных сигнатур глиом на основе цифровых гистологических слайдов. Это позволит автоматизировать сложный процесс молекулярного профилирования, делая диагностику опухолей головного мозга более быстрой и доступной.

Данный обзор представляет ключевые события в области применения искусственного интеллекта в медицине за неделю с 10 по 16 мая 2026 года. В центре внимания — масштабная сделка фармацевтического гиганта Roche, который приобрел разработчика ИИ-решений для цифровой патологии, потратив на это более 1 млрд долларов США. В США было получено официальное одобрение первой специализированной ИИ-платформы, предназначенной для оценки рисков метастазирования у пациенток с раком молочной железы. Также рассматривается инновационная китайская система Digital Aging Twin, использующая технологии для определения биологического возраста внутренних органов. Кроме того, в материале анализируются причины, по которым высокоточные ИИ-системы зачастую сталкиваются с трудностями при внедрении в реальную клиническую практику. Обзор охватывает широкий спектр тем: от крупных инвестиций до проблем интеграции технологий в медицинские протоколы.

В данной статье представлен инновационный подход к цифровой патологии, основанный на использовании федеративного обучения (Federated Learning) с применением глубоких признаковых подсказок (deep feature prompts). Исследование направлено на решение проблемы конфиденциальности данных при обучении моделей на распределенных медицинских наборах данных, что критически важно для патологоанатомических исследований. Предложенная методология позволяет масштабировать процесс обучения, минимизируя необходимость передачи чувствительных изображений тканей между учреждениями. Использование механизмов prompt-learning в контексте глубоких признаков обеспечивает высокую точность классификации патологических состояний даже при ограниченных локальных данных. Результаты демонстрируют, что предложенная архитектура превосходит стандартные методы федеративного обучения по показателям гибкости и адаптивности к различным типам цифровых слайдов. Данная технология имеет высокую практическую значимость для создания глобальных диагностических систем, способных обучаться на разнообразных популяциях без нарушения законодательства о защите персональных данных.

Исследование посвящено практическому внедрению коммерческой ИИ-платформы (AIRAQc) для автоматического контроля качества цифровых гистопатологических слайдов. Система показала высокую точность в обнаружении артефактов (складки ткани, пузырьки воздуха) и стабильную работу при обработке более 6000 слайдов в день.

Исследование представляет метод автоматической сегментации гистопатологических изображений с использованием архитектуры DeepLabV3+ и смартфонов в качестве микроскопов. Разработанная модель показала высокую точность (Dice: 93.1%) в выявлении 21 класса признаков рака шейки матки, превзойдя базовую архитектуру U-Net.

Исследование посвящено разработке модели глубокого обучения для прогнозирования выживаемости пациентов с мелкоклеточным раком легкого. Авторы продемонстрировали, что объединение клинических данных с анализом цифровых патологических изображений (WSI) повышает точность прогноза общей и безрецидивной выживаемости.

Обзор посвящен возможностям и барьерам внедрения цифровой патологии (DP) в условиях Индии. Рассматриваются такие аспекты, как ИИ-ассистированная диагностика, телепатология и проблемы инфраструктуры, а также стратегии преодоления трудностей для повышения точности диагностики.

Статья систематизирует технические и регуляторные требования к мониторам, используемым патологами при переходе от стеклянных препаратов к цифровым сканам (WSI). Авторы анализируют различия между медицинскими и профессиональными дисплеями, подчеркивая важность цветопередачи, стабильности яркости и строгого контроля качества.

Разработана модель глубокого обучения для быстрой классификации органов по гистологическим препаратам (H&E) с использованием низкоразрешенных миниатюр. Метод позволяет проводить автоматизированный контроль качества цифровых архивов, выявляя ошибки маркировки образцов менее чем за секунду.

Исследование демонстрирует успешное внедрение ИИ-инструмента поддержки принятия решений в цифровую патологию для диагностики биопсии простаты. Использование ИИ позволило сократить время постановки диагноза на 30% и снизить потребность в иммуногистохимических исследованиях на 38% при сохранении высокой точности.

Представлен новый метод REMIL-IBD для автоматизированной оценки активности воспалительных заболеваний кишечника (ВЗК) на основе цельных гистологических изображений. Использование предобученных фундаментальных моделей позволяет достичь точности 82–84% при классификации степени тяжести заболевания, обеспечивая при этом интерпретируемость результатов.

Разработан новый вычислительный фреймворк TIMEL, использующий глубокое обучение для анализа микроокружения опухоли на гистологических изображениях. Исследование показало, что пространственные характеристики иммунных и опухолевых клеток позволяют эффективно прогнозировать выживаемость и риск метастазирования.