Исследователи из Клиники Майо (Mayo Clinic) и их коллеги показали, что искусственный интеллект может анализировать стандартные патологические препараты и помогать классифицировать менингиомы — самые частые первичные опухоли головного мозга у взрослых.
Работа опубликована в журнале The Lancet Digital Health. Речь идёт о ретроспективном когортном исследовании: учёные изучали уже собранные данные пациентов, а не проверяли алгоритм в режиме реального времени при принятии врачебных решений.
Что такое менингиома и почему важен риск рецидива
Менингиома развивается из оболочек головного или спинного мозга. У одних пациентов такие опухоли растут медленно и после операции больше не возвращаются. У других ведут себя агрессивнее и могут рецидивировать — то есть появляться снова после лечения.
Для пациента это имеет большое значение. От риска рецидива зависит, как часто нужно проходить контрольные обследования, стоит ли обсуждать лучевую терапию после операции и насколько внимательно команда врачей должна наблюдать за изменениями.
Обычные препараты — новые данные
Авторы показали, что модели глубокого обучения — разновидность искусственного интеллекта, которая учится находить сложные закономерности в больших массивах данных, — могут извлекать важную информацию из стандартных препаратов, окрашенных гематоксилином и эозином. Это обычная окраска ткани, которую патологи давно используют для изучения опухолей под микроскопом.
Сейчас часть такой информации получают с помощью профилирования метилирования дезоксирибонуклеиновой кислоты. Метилирование — это химические метки на наследственном материале клетки, которые помогают понять биологические особенности опухоли. Такой анализ может быть очень полезен для уточнения диагноза и прогноза, но он требует специального оборудования, времени и доступен не во всех больницах.
Новый подход потенциально позволяет получить часть молекулярных и прогностических данных из уже имеющихся изображений ткани.
Как обучали алгоритм
Исследователи использовали образцы ткани, патологические изображения и клинические данные 672 пациентов. На этих материалах алгоритмы обучали распознавать подтипы менингиомы и прогнозировать вероятность её возвращения.
Важно, что модели работали не с экспериментальными снимками, а со стандартными изображениями, которые уже входят в обычную клиническую практику. Это делает идею особенно привлекательной для больниц, где сложные молекулярные тесты недоступны или выполняются слишком долго.
Чем это может помочь врачу и пациенту
Искусственный интеллект не заменяет врача-патолога и нейрохирурга. Его возможная роль — дать дополнительный слой информации: какая у опухоли биология, насколько высок риск рецидива и есть ли признаки неоднородности внутри самой опухоли.
Неоднородность опухоли означает, что разные её участки могут отличаться друг от друга по строению и поведению. Это важно, потому что именно такие различия иногда помогают объяснить, почему одни опухоли растут спокойнее, а другие возвращаются быстрее или хуже отвечают на лечение.
По данным исследования, прогнозы искусственного интеллекта оставались полезными даже после учёта традиционных факторов: степени злокачественности опухоли, полноты её удаления во время операции и возраста пациента.
Что говорит автор исследования
Геларех Заде (Gelareh Zadeh), руководитель отделения неврологической хирургии и главный медицинский директор Mayo Clinic Platform, отметила, что такие работы показывают силу цифровой патологии. По её словам, накопленные за последние два десятилетия знания о геномике и молекулярной биологии можно переносить в алгоритмы, которые анализируют обычные медицинские изображения.
Цель, по словам Геларех Заде (Gelareh Zadeh), — сделать такие алгоритмы простыми и доступными для использования в разных странах и медицинских системах.
Почему внедрять такой подход рано
Несмотря на многообещающие результаты, алгоритм ещё не готов для повседневного применения без дополнительной проверки. Авторы подчёркивают, что нужны проспективные исследования — такие, где модель оценивают заранее, на новых пациентах, и сравнивают её прогнозы с реальным течением болезни.
Это важная граница между научной разработкой и клиническим инструментом. Хороший результат на уже собранных данных не всегда означает, что система так же надёжно сработает в другой больнице, на других сканерах, при другом качестве препаратов или у пациентов с иными особенностями опухоли.
Что это значит для будущего онкологии
Если подход подтвердится, он может сделать персонализированную помощь доступнее. Персонализированная медицина — это лечение, которое учитывает особенности конкретной опухоли и конкретного пациента, а не только общий диагноз.
Для пациентов с менингиомой это может означать более точный прогноз после операции и более обоснованное решение о наблюдении или дополнительной терапии. Для врачей — ещё один инструмент, который помогает не пропустить опухоли с более высоким риском возврата.
Ранее МКБ-11 писал о другом подходе к более точной диагностике опухолей мозга — новом анализе крови, который может улучшить диагностику и мониторинг глиомы. Новая работа с искусственным интеллектом продолжает ту же линию: медицина движется к тому, чтобы видеть в опухоли не только её форму под микроскопом, но и более глубокие биологические признаки.
Литература
Landry A. P., et al. Deep learning for H&E-based meningioma molecular classification and outcome prediction: a retrospective cohort study // The Lancet Digital Health. — 2026. — DOI: 10.1016/j.landig.2026.100986.