Искусственный интеллект в патоморфологии: помощь на пути к верному диагнозу

Сегодня мы бы хотели обсудить, как алгоритмы искусственного интеллекта (ИИ) способны повысить эффективность диагностики одного из самых распространенных злокачественных заболеваний, рака предстательной железы (РПЖ). Только в США ежегодно выявляют около 190 000 новых случаев рака простаты. РПЖ — это вторая по значимости причина смерти от рака среди мужчин. Именно поэтому точная диагностика этого заболевания имеет такое важное значение.

Основой диагностики РПЖ является патоморфологическое исследование биопсийных образцов тканей и клеток предстательной железы или послеоперационных материалов. Врач-патоморфолог может определить не только наличие и вид опухоли, но и агрессивность роста злокачественного образования и прогноз заболевания. Эта информация помогает выбрать наиболее оптимальный вид лечения для каждого пациента — операция, лучевая терапия или активное наблюдение.

Однако не всегда даже патоморфолог может поставить правильный диагноз. От каких же условий зависит точность патоморфологического исследования при раке предстательной железы? С какими трудностями может столкнуться врач-патоморфолог при исследовании гистологических препаратов? И как искусственный интеллект (ИИ) может помочь решить эти проблемы? Давайте разбираться вместе.

РПЖ — это гетерогенная группа заболеваний, однако 95% злокачественных опухолей простаты развиваются из железистых клеток и называются аденокарциномами. Для их классификации патоморфологи используют признанную Всемирной организацией здравоохранения систему оценки Глисона. На сегодняшний день она является наиболее мощным прогностически точным инструментом в арсенале врачей.

Для того, чтобы оценить РПЖ по системе Глисона патоморфолог изучает гистологические препараты ткани предстательной железы под микроскопом и выявляет определенные закономерности роста опухоли, так называемые паттерны Глисона. Каждому из этих паттернов присваивается оценка от 1 до 5, где «5» означает наиболее агрессивную опухолевую ткань. В своем заключении врач обязательно указывает «балл по Глисону». Для того, чтобы его рассчитать при исследовании биоптата предстательной железы нужно сложить две наиболее высокие оценки измененной ткани с указанием их процентного соотношения. А при изучении послеоперационных образцов берут сумму оценок двух участков простаты – основной массы опухоли и следующей за ней по распространенности ткани.

Таблица 1. О чем говорит балл по Глисону?

Высокий риск; быстрорастущие прогрессирующие формы рака, независимо ни от локализации, ни от наличия отдаленных и/или регионарных метастазов

Более низкие оценки по системе Глисона связаны с менее агрессивными формами рака и хорошим прогнозом, в то время как более высокие — с быстрым ростом и распространением опухоли за пределы предстательной железы и неблагоприятным исходом заболевания.

В чем же сложность? Оценка гистологических препаратов часто страдает от субъективности мнения специалиста. Например, паттерны РПЖ 3 и 4 степени по шкале Глисона очень трудно однозначно отличить друг от друга. До 2014 года патоморфологи использовали старую классификацию, в которой было много тонких различий относительно формы, размера и контура желез. Из-за этого часто невозможно было достичь согласия, какие изменения считать паттерном 3 по Глисону, а какие паттерном 4.

По современной классификации к паттерну 3 должны быть отнесены только хорошо сформированные, отдельно расположенные железы, разного размера. А решетчатые, сливающие, плохо сформированные железы, а также железы с гломеруляциями (кровоизлияниями) расцениваются как Глисон 4. Несмотря на это разногласия сохраняются, так как оценка характерных признаков проводится визуально, глазами специалиста — то есть она по-прежнему субъективна.

Кроме того изменения, соответствующие разным паттернам, могут быть представлены на одном гистологическом препарате/слайде одновременно. Поэтому при обнаружении характерных признаков, относящихся к Глисону 3 и 4, патоморфолог должен уметь точно определять их процентное соотношение. Так как пациенты с аденокарциномой 3+4=7 (преобладают изменения, характерные для паттерна 3 по Глисону) будут иметь более благоприятный послеоперационный прогноз по сравнению с теми, у кого оценка будет 4+3=7 (большая часть изменений относится к Глисону 4).

Поэтому, в некоторых случаях может потребоваться второе мнение. Однако два патоморфолога, посмотрев один и тот же гистологический препарат, могут дать два разных заключения. Это может стать причиной для диагностической ошибки, поводом для дополнительного исследовании, и в итоге увеличивает время постановки верного диагноза и начала лечения.

Здесь патоморфологам может помочь приложение на основе ИИ, которое даст свое независимое заключение. Современные алгоритмы ИИ способны нанести на изображение разметку, выделяя области, в которых обнаружена патология, а также оценить эти изменения по системе Глисона. Некоторые ИИ уже сегодня присваивают оценку по Глисону РПЖ на уровне патоморфологов-экспертов.

Точная и надежная оценка гистологических образцов рака предстательной железы требует соответствующего опыта, которым, к сожалению, обладают не все специалисты. Например, недавно команда исследователей из Google Health попросили 6 специалистов по общей патоморфологии (со средним стажем работы 25 лет) оценить около 500 образцов, полученных при биопсии простаты. На каждом из слайдов были представлены разные стадии РПЖ, которые патоморфологам нужно было оценить по Глисону. Точность их оценки составила всего 58%. Исследователи отмечают, что такой низкий показатель обусловлен тем, что обычно врачи общей патоморфологии не работают с РПЖ в материале пункционной биопсии, это работа экспертов, патоморфологов-урологов.

Но что делать, если в клинике нет такого эксперта? В этом случае может помочь ИИ. В том же исследовании, Google AI оценил изменения на предложенных слайдах с точностью 72%, то есть превзошел врачей общей патоморфологии!

На втором этапе этого исследования общим патоморфологам и ИИ предложили посмотреть 752 образца ткани предстательной железы, чтобы определить, есть ли у пациента РПЖ. И здесь доброкачественные изменения от злокачественных патоморфологи и ИИ отличали с практически идентичной точностью — 94,3 и 94,7% соответственно. Алгоритм ИИ был немного точнее, но давал несколько больший процент ложноположительных результатов.

Недавно в журнале The Lancet было сообщено о первом случае пропущенного РПЖ, при котором правильный диагноз в итоге помог выявить алгоритм ИИ.

Эти результаты говорят нам о том, что приложения на основе ИИ могут не только послужить вторым мнением при патоморфологическом исследовании, но и повысить точность диагностики, уменьшить количество диагностических ошибок, а также обеспечить качественную экспертизу там, где нет возможности привлечь опытного специалиста.

Оценка гистологического препарата является трудоемким и времязатратным исследованием. В среднем у врача-патоморфолога рассмотрение гистологических снимков для постановки диагноза по одному пациенту занимает около 40 минут. Внедрение ИИ на этом этапе патоморфологического исследования способно сократить время необходимое для принятия решения. Разметка изображения ИИ, выделение им областей, требующих внимания патоморфолога, автоматизация оценки изменений по Глисону и составление предварительного заключения по образцу помогут врачу провести качественную экспертизу за более короткое время.

Например, наша команда PathVision.ai уже сейчас исследует возможность сокращения времени, необходимого для постановки верного патоморфологического диагноза с 40 до 1-10 минут с помощью, разработанной нами нейросети.

Системы на основе ИИ крайне перспективны в качестве помощников патоморфологов. Но какие трудности им еще предстоит преодолеть?

Одним из недостатков большинства существующих сегодня патоморфологических ИИ экспертного уровня является разница в пороговых значениях, используемых для постановки диагноза РПЖ. Эти алгоритмы делают заключение о злокачественности изменений в биопсийном материале только, если 10 и более% тканей на препарате имеют признаки рака. В то время как врачи патоморфологи руководствуются более низкими пороговыми значениями и диагностируют РПЖ при обнаружении 1 и менее% ткани, оцененной как злокачественная.

Такие высокие пороговые значения в работе алгоритмов ИИ выбраны не случайно, а направлены на снижение количества ложноположительных результатов. Например, атрофические или воспалительные изменения в ткани предстательной железы могут быть восприняты ИИ как злокачественные, если не научить его правильно классифицировать различные патологии. Поэтому наша команда PathVision.ai обучает свою нейросеть выявлять и классифицировать не только РПЖ, но и другие патологические состояния, которые можно обнаружить при исследовании тканей простаты.

К другому ограничению повсеместного внедрения приложений на основе ИИ в клиническую практику относится сложность их использования за пределами учреждений, в которых они были разработаны и обучались. Это может быть связано с различиями на доаналитическом этапе, например, с особенностями окрашивания гистологических препаратов в конкретном лечебной учреждении или качеством сканированных изображений. Для того, чтобы приложение подошло для работы любого лечебного учреждения также важна возможность установки алгоритма ИИ на различные устройства. Наша нейросеть адаптирована для работы на компьютерах, цифровых сканерах и даже может выполнять свои функции через веб-интерфейс.

Еще одной распространенной проблемой является переобучение ИИ. Алгоритм может демонстрировать хорошую производительность на обучающих и даже тестовых датасетах, но при этом выдавать ошибочные заключения при работе с новыми данными в реальных условиях. Этот феномен вызван тем, что ИИ может выявлять в наборах данных для обучения случайные закономерности, которые не имеют диагностической значимости.

Для того, чтобы точность алгоритма не страдала от доаналитических различий и феномена переобучения, требуется испытание ИИ в рамках многоцентрового хорошо спланированного исследования. Именно такую проверку пройдет наша нейросеть перед внедрением в реальную практику работу врачей-патоморфологов.

Системы ИИ могут оказать реальную помощь врачам-патоморфологам в их работе — отфильтровывать доброкачественные случаи от злокачественных, давать второе мнение или отмечать на препарате области, требующие особого внимания врача. Это позволит снизить нагрузку на патологов, уменьшить частоту диагностических ошибок и сократить время принятия решения. Однако ИИ тоже могут совершать ошибки в своей работе, зачастую отличающиеся о тех, которые допустил бы человек. Поэтому наибольшую пользу можно получить от комбинированного подхода, когда опыт патоморфолога и возможности ИИ работают вместе.