Применение искусственного интеллекта в патологической анатомии

Развитие цифровых технологий и алгоритмов компьютерного зрения расширяет возможности использования искусственного интеллекта (ИИ) в патологической анатомии. Нейросети, основанные на глубоком обучении (ГО), успешно разрабатываются и применяются для выполнения задач, связанных с диагностикой и классификацией опухолей, идентификацией иммуногистохимических маркеров, морфометрии. Применение ИИ не только способствует объективизации диагностического процесса, но и снижает нагрузку на врача-патологоанатома, позволяя концентрироваться на более сложных случаях. Несмотря на это, существуют ограничения внедрения нейросетей в рутинную патологоанатомическую практику, включающие финансовые и юридические трудности, а также недоверчивое отношение к автоматической диагностике у врачей и пациентов. В обзоре литературы представлена информация об ИИ, машинном обучении (МО) и архитектурах нейросетей, а также об их интеграции в практику врача-патологоанатома. Перечислены программные продукты, использующиеся для количественных морфологических исследований, диагностики и прогнозирования заболеваний. Совокупность разработанных программ на основе ИИ указывает на значительный интерес и актуальность их использования в патологоанатомической практике и открывает новые границы в персонифицированной медицине.

1. Hunter B., Hindocha S., Lee R.W. The role of artificial intelligence in early cancer diagnosis. Cancers (Basel). 2022;14(6):1524. https://doi.org/10.3390/cancers14061524

2. Fang B., Yu J., Chen Z., Osman A.I., Farghali M., Ihara I et al. Artificial intelligence for waste management in smart cities: a review. Environ. Chem. Lett. 2023;1–31. Online ahead of print. https://doi.org/10.1007/s10311-023-01604-3

3. Onyema E.M., Almuzaini K.K., Onu F.U., Verma D., Gregory U.S., Puttaramaiah M. et al. Prospects and challenges of using machine learning for academic forecasting. Comput. Intell. Neurosci. 2022;5624475. https://doi.org/10.1155/2022/5624475

4. Лимановская О.В., Алферьева Т.И. Основы машинного обучения: учебное пособие. Екатеринбург: Изд-во Урал. ун-та; 2020:88. URL: https://elar.urfu.ru/bitstream/10995/88687/1/978-5-7996-3015-7_2020.pdf (05.11.2024).

5. Du X.L., Li W.B., Hu B.J. Application of artificial intelligence in ophthalmology. Int. J. Ophthalmol. 2018;11(9):1555–1561. https://doi.org/10.18240/ijo.2018.09.21

6. Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. https://doi.org/10.1038/nature21056

7. Уткин Л.В., Мелдо А.А., Ипатов О.С., Рябинин М.А. Медицинские интеллектуальные системы на примере диагностики рака легкого. Известия ЮФУ. Технические науки. 2018;8(202):241–249. https://doi.org/10.23683/2311-3103-2018-8-241-249

8. Dietz R.L., Hartman D.J., Zheng L., Wiley C., Pantanowitz L. Review of the use of telepathology for intraoperative consultation. Expert Rev. Med. Devices. 2018;15(12):883–890. https://doi.org/10.1080/17434440.2018.1549987

9. Wong S.T. Is pathology prepared for the adoption of artificial intelligence? Cancer Cytopathol. 2018;126(6):373–375. https://doi.org/10.1002/cncy.21994

10. Shafi S., Parwani A.V. Artificial intelligence in diagnostic pathology. Diagn. Pathol. 2023;18(1):109. https://doi.org/10.1186/s13000-02301375-z

11. Røge R., Riber-Hansen R., Nielsen S., Vyberg M. Proliferation assessment in breast carcinomas using digital image analysis based on virtual Ki67/cytokeratin double staining. Breast Cancer Res. Treat. 2016;158(1):11–19. https://doi.org/10.1007/s10549-016-3852-6

12. Stålhammar G., Fuentes Martinez N., Lippert M., Tobin N.P., Mølholm I., Kis L. et al. Digital image analysis outperforms manual biomarker assessment in breast cancer. Mod. Pathol. 2016;29(4):318–329. https://doi.org/10.1038/modpathol.2016.34

13. Araújo T., Aresta G., Castro E., Rouco J., Aguiar P., Eloy C. et al. Classification of breast cancer histology images using convolutional neural networks. PLoS ONE. 2017;12(6):e0177544. https://doi.org/10.1371/journal.pone.0177544

14. Bejnordi B.E., Mullooly M., Pfeiffer R.M., Fan S., Vacek P.M., Weaver D.L. et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod. Pathol. 2018;31(10):1502–1512. https://doi.org/10.1038/s41379-0180073-z

15. Mercan C., Aksoy S., Mercan E., Shapiro L.G., Weaver D.L., Elmore J.G. Multi-instance multi-label learning for multi-class classification of whole slide breast histopathology images. IEEE Trans. Med. Imaging. 2018;37(1):316–325. https://doi.org/10.1109/TMI.2017.2758580

16. Yoshida H., Shimazu T., Kiyuna T., Marugame A., Yamashita Y., Cosatto E. et al. Automated histological classification of whole-slide images of gastric biopsy specimens. Gastric Cancer. 2018;21(2):249– 257. https://doi.org/10.1007/s10120-017-0731-8

17. Wang S., Zhu Y., Yu L., Chen H., Lin H., Wan X., Fan X. et al. RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification. Med. Image Anal. 2019;58:101549. https://doi.org/10.1016/j.media.2019.101549

18. Gertych A., Swiderska-Chadaj Z., Ma Z., Ing N., Markiewicz T., Cierniak S. et al. Convolutional neural networks can accurately distinguish four histologic growth patterns of lung adenocarcinoma in digital slides. Sci. Rep. 2019;9(1):1483. https://doi.org/10.1038/s41598018-37638-9

19. Wei J.W., Tafe L.J., Linnik Y.A., Vaickus L.J., Tomita N., Hassanpour S. Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Sci. Rep. 2019;9(1):3358. https://doi.org/10.1038/s41598-019-40041-7

20. Bulten W., Kartasalo K., Chen P.C., Strom P., Pinckaers H., Nagpal K. et al. Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge. Nat. Med. 2022;28(1):154–163. https://doi.org/10.1038/s41591-021-01620-2

21. Wild P.J., Catto J.W., Abbod M.F., Linkens D.A., Herr A., Pilarsky C. et al. Artificial intelligence and bladder cancer arrays. Verh. Dtsch. Ges. Pathol. 2007;91:308–319.

22. Yu K.H., Zhang C., Berry G.J., Altman R.B., Re C., Rubin D.L. et al. Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features. Nat. Commun. 2016;7:12474. https://doi.org/10.1038/ncomms12474

23. Kumar N., Tafe L.J., Higgins J.H., Peterson J.D., de Abreu F.B., Deharvengt S.J. et al. Identifying associations between somatic mutations and clinicopathologic findings in lung cancer pathology reports. Methods Inf. Med. 2018;57(1):63–73. https://doi.org/10.3414/ME17-01-0039

24. Steiner D.F., MacDonald R., Liu Y., Truszkowski P., Hipp J.D., Gammage C. et al. Impact of deep learning assistance on the Histopathologic review of lymph nodes for metastatic breast Cancer. Am. J. Surg. Pathol. 2018;42(12):1636–1646. https://doi.org/10.1097/PAS.0000000000001151

25. Bejnordi B.E., Veta M., van Diest P.J., van Ginneken B., Karssemeijer N., Litjens G. et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA. 2017;318(22):2199–2210. https://doi.org/10.1001/jama.2017.14585

26. Yuan Y. Modelling the spatial heterogeneity and molecular correlates of lymphocytic infiltration in triple-negative breast cancer. J. R. Soc. Interface. 2015;12(103):20141153. https://doi.org/10.1098/rsif.2014.1153

27. Bychkov D., Linder N., Turkki R., Nordling S., Kovanen P.E., Verrill C. et al. Deep learning based tissue analysis predicts outcome in colorectal cancer. Sci. Rep. 2018;8(1):3395. https://doi.org/10.1038/s41598-01821758-3

28. Geessink O.G., Baidoshvili A., Klaase J.M., Bejnordi B.E., Litjens G.J., van Pelt G.W. et al. Computer aided quantification of intratumoral stroma yields an independent prognosticator in rectal cancer. Cell Oncol. 2019;42(3):331–41. https://doi.org/10.1007/s13402-019-00429-z

29. Hegde N., Hipp J.D., Liu Y., Emmert-Buck M., Reif E., Smilkov D. et al. Similar image search for histopathology: SMILY. NPJ Digit Med. 2019:2:56. https://doi.org/10.1038/s41746-019-0131-z

30. Lujan G.M., Savage J., Shana'ah A., Yearsley M., Thomas D., Allenby P. Digital pathology initiatives and experience of a large academic institution during the Coronavirus Disease 2019 (COVID-19) pandemic. Arch. Pathol. Lab. Med. 2021;145(9):1051–1061. https://doi.org/10.5858/arpa.2020-0715-SA

31. Черных Е.Е. Искусственный интеллект в здравоохранении России: современное состояние и уголовно-правовые риски. Вестник Санкт-Петербургского университета МВД Роcсии. 2020;4(88):127–131. https://doi.org/10.35750/2071-8284-2020-4-127131

32. Жуков О.Б., Щеплев П.А., Игнатьев А.В. Искусственный интеллект в медицине: от гибридных исследований и клинической валидации до разработки моделей применения. Андрология и генитальная хирургия. 2019;20(3):00-00. https://doi.org/10.17650/2070-9781-201920-2-00-00

33. Campanella G., Hanna M.G., Geneslaw L., Miraflor A., Silva V.W., Busam K.J. et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat. Med. 2019;25(8):1301–1309. https://doi.org/10.1038/s41591-019-0508-1