Диагностика рака молочной железы всё чаще становится цифровой. Патоморфолог по-прежнему остаётся главным специалистом, который оценивает ткань под микроскопом, но рядом с ним появляется новый инструмент — искусственный интеллект. Он может быстрее находить подозрительные участки, подсчитывать биомаркеры и снижать расхождения между врачами при оценке сложных препаратов.
Новый обзор опубликован в журнале Journal of Clinical and Translational Pathology. Авторы рассматривают, как искусственный интеллект применяется именно в патологии молочной железы: от поиска метастазов в лимфатических узлах до оценки прогноза и ответа на лечение.
Что такое искусственный интеллект в патологии
Искусственный интеллект — это не одно устройство и не «электронный врач». Это набор вычислительных методов, которые помогают программе находить закономерности в данных.
Алгоритм — это последовательность правил или действий, по которым программа решает задачу. Модель — это уже обученная система, которая после анализа большого количества примеров может распознавать похожие ситуации в новых данных. Архитектура модели — это её внутренняя структура: условно говоря, схема того, как данные проходят через вычислительную систему.
Машинное обучение — подход, при котором программа учится на примерах. Глубокое обучение — более сложный вариант машинного обучения, использующий нейронные сети. Нейронные сети — это математические модели, вдохновлённые принципом связей между нервными клетками, но они не являются копией человеческого мозга.
В патологии такие системы чаще всего работают с цифровыми изображениями гистологических препаратов. Гистология — это исследование тканей под микроскопом. Сейчас всё чаще стекла сканируют целиком, получая так называемые изображения всего препарата. После этого алгоритм может анализировать ткань на экране, искать опухолевые клетки, оценивать их расположение и особенности.
От простых правил к глубокому обучению
Первые компьютерные системы в патологии были основаны на правилах: программа искала заранее заданные признаки, например форму ядра клетки или интенсивность окрашивания. Такие подходы помогали стандартизировать отдельные измерения, но плохо справлялись с разнообразием реальных опухолей.
Современные модели глубокого обучения обучаются на больших наборах изображений. Они могут распознавать сложные сочетания признаков, которые трудно описать простыми правилами. Например, система может учитывать архитектуру ткани, форму клеток, плотность опухолевых структур и особенности окружающей микросреды.
Микросреда опухоли — это всё, что находится вокруг раковых клеток: иммунные клетки, сосуды, соединительная ткань и сигнальные молекулы. Она может влиять на рост опухоли и чувствительность к лечению.
Где искусственный интеллект уже полезен
Одна из наиболее изученных задач — поиск метастазов рака молочной железы в лимфатических узлах. Метастазы — это очаги опухоли, появившиеся после распространения раковых клеток из первичной опухоли. Лимфатические узлы часто проверяют, чтобы понять стадию болезни и выбрать лечение.
Алгоритмы могут помогать находить очень маленькие очаги опухолевых клеток, которые легко пропустить при большом объёме материала. Это не отменяет работу врача, но может служить «вторыми глазами» и снижать риск пропуска.
Ещё одно направление — Ноттингемская градация. Ноттингемская градация — это система оценки злокачественности рака молочной железы по строению опухоли, особенностям клеточных ядер и числу делящихся клеток. Чем выше степень, тем агрессивнее обычно ведёт себя опухоль. Искусственный интеллект может сделать такую оценку более воспроизводимой, то есть менее зависимой от субъективных различий между специалистами.
Также системы применяют для различения доброкачественных и злокачественных поражений. Доброкачественные образования не обладают способностью к инвазивному росту и метастазированию, тогда как злокачественные могут проникать в окружающие ткани и распространяться по организму.
Биомаркеры: точность имеет значение
Отдельная область — автоматическая оценка биомаркеров. Биомаркеры — это измеримые признаки опухоли, которые помогают выбрать лечение или оценить прогноз.
При раке молочной железы особенно важны рецепторы эстрогена, рецепторы прогестерона, белок HER2 и показатель Ki-67. Рецепторы эстрогена и прогестерона показывают, может ли опухоль зависеть от гормональных сигналов. HER2 — белок, избыточное количество которого может ускорять рост опухоли, но также делает возможным таргетное лечение. Ki-67 отражает, насколько активно клетки делятся.
Оценка этих маркеров влияет на выбор терапии: гормонального лечения, противо-HER2-препаратов, химиотерапии или их сочетания. Поэтому автоматизация подсчёта может быть полезной, особенно если она снижает разброс между лабораториями и врачами.
Прогноз и подбор лечения
Обзор также описывает применение искусственного интеллекта для прогноза и стратификации риска. Стратификация риска — это разделение пациентов на группы в зависимости от вероятности рецидива, прогрессирования или ответа на лечение.
Алгоритмы могут объединять данные о ткани опухоли, клинические сведения, результаты иммуногистохимии и молекулярные показатели. Иммуногистохимия — лабораторный метод окрашивания ткани, который помогает выявлять конкретные белки в клетках.
Наиболее перспективными считаются мультимодальные модели. Мультимодальная модель анализирует не один тип данных, а несколько: например, изображение опухоли, генетические данные, текст медицинского заключения и клиническую историю пациента. Фундаментальные модели — это крупные системы, обученные на огромных массивах данных, которые затем можно адаптировать под разные медицинские задачи.
В идеале такие подходы могут поддержать персонализированную медицину — подбор лечения с учётом особенностей конкретной опухоли и конкретного пациента.
Почему «чёрный ящик» опасен в медицине
В клинике важно не только получить ответ, но и понять, почему система его дала. «Чёрным ящиком» называют модель, которая выдаёт результат, но её внутреннее решение трудно объяснить врачу.
Для патологии это серьёзная проблема. Если алгоритм сообщает, что участок подозрителен, врач должен видеть, на какие признаки программа обратила внимание. Иначе сложно оценить ошибку, проверить вывод и объяснить решение пациенту.
Поэтому авторы подчёркивают значение объяснимого искусственного интеллекта. Объяснимый искусственный интеллект — это подход, при котором система показывает, какие области изображения или признаки повлияли на её вывод. Это особенно важно для доверия, обучения, контроля качества и юридической ответственности.
Генеративный искусственный интеллект — отдельная категория систем, которые могут создавать текст, изображения или другие данные. В патологии такие инструменты могут помочь с описанием, обучением или интеграцией данных, но их нужно использовать особенно осторожно: они могут убедительно формулировать ошибочные выводы.
Что мешает внедрению
Даже сильная модель в научной статье не всегда готова к реальной больнице. Для внедрения нужны качественные данные, проверка на разных группах пациентов, стандартизация окрашивания и сканирования, защита персональных данных, понятная ответственность и совместимость с рабочим процессом лаборатории.
Есть и риск смещения. Смещение возникает, когда модель обучали на данных одной группы пациентов, одного типа оборудования или одной лаборатории, а затем применяют в другой среде. В этом случае точность может снизиться.
Кроме того, цифровая патология требует инфраструктуры: сканеров, серверов, защищённых хранилищ, программного обеспечения и обученного персонала. Это стоит денег и меняет привычную работу лаборатории.
Что это значит для пациентов
Для пациента главный смысл таких технологий не в том, что диагноз будет ставить машина. Скорее, искусственный интеллект может помочь врачу работать точнее и быстрее: не пропустить небольшой метастаз, стандартизировать оценку биомаркеров, быстрее обработать большой объём материала и лучше сопоставить тканевые признаки с прогнозом.
Но окончательное клиническое решение остаётся за медицинской командой. Патоморфолог оценивает препарат, онколог сопоставляет заключение с данными обследований, хирургическим лечением, стадией болезни и состоянием пациента.
Искусственный интеллект в патологии молочной железы становится не заменой специалиста, а партнёром: он берёт на себя трудоёмкие и повторяющиеся задачи, а врач сохраняет контроль, клиническое мышление и ответственность.
Та же логика заметна и в других областях медицины: искусственный интеллект всё чаще используют как инструмент раннего анализа больших массивов данных, а не как самостоятельного врача. Ранее сообщалось, что искусственный интеллект помог выявлять новые жалобы пациентов на препараты по сообщениям в интернете, что показывает, как вычислительные методы могут дополнять традиционную медицинскую оценку.
Литература
Hu Y. et al. Artificial Intelligence in Breast Pathology: Recent Advances in Multimodal Models, Explainability, and Clinical Applications // Journal of Clinical and Translational Pathology. 2026. DOI: 10.14218/JCTP.2026.00007.