Когда ИИ начинает учиться на нескольких примерах, цифровая патоморфология выходит на новый этап масштабирования
Исследователи Гонконгского университета науки и технологий представили систему PRET, способную распознавать различные виды рака по минимальному числу размеченных образцов. Если заявленные результаты подтвердятся в клинической практике, это может изменить экономику внедрения ИИ в патологической диагностике: вместо отдельных моделей под каждую опухоль рынок получит более универсальные решения с меньшими требованиями к данным, времени и вычислительным ресурсам.
 |
| Одна модель вместо десятков узких алгоритмов: PRET показывает новый подход к онкодиагностике |
PRET предлагает другой путь: не обучать модель заново под каждую опухоль
Патоморфология остается одним из ключевых звеньев онкологической помощи. Именно анализ тканей помогает подтвердить диагноз, уточнить тип опухоли и выбрать дальнейшую тактику лечения. Но во многих странах система испытывает одинаковое давление: дефицит специалистов, рост числа биопсий и увеличение объема сложных случаев.
На этом фоне ИИ давно рассматривается как инструмент разгрузки лабораторий. Однако до сих пор существовало серьезное ограничение: большинство моделей требуют массивных размеченных датасетов под каждую конкретную задачу. Для одного сценария нужен один массив изображений, для другого — новый цикл подготовки данных, разметки и обучения.
PRET предлагает иную архитектуру. Система использует принцип контекстного обучения, известный по современным языковым моделям: алгоритм получает несколько примеров и адаптируется непосредственно в процессе анализа. Это снижает зависимость от длительного переобучения под каждый новый тип опухоли.
По сути, речь идет о переходе от «узкоспециализированных ИИ-инструментов» к более универсальной платформенной модели для цифровой патологии.
Результаты Nature Cancer показывают высокий потенциал универсальной модели
По данным авторов, PRET протестировали на 23 международных наборах данных из Китая, США и Нидерландов. Они охватывали 18 типов рака и разные диагностические задачи: скрининг, сегментацию и классификацию опухолей.
Сообщается, что по большинству задач точность превысила 97%, а в 20 сценариях система показала результаты выше существующих методов. Отдельно отмечены:
- скрининг колоректального рака — до 100% точности
- сегментация опухолей пищевода — около 99,5%
- выявление метастазов в лимфатических узлах — около 98,7%
Особенно важен не только сам уровень метрик, но и то, что результаты достигались при использовании минимального числа размеченных примеров. Для отрасли это означает потенциальное сокращение одного из самых дорогих ресурсов — экспертной разметки данных врачами в журнале Nature Cancer.
Почему рынок медицинского ИИ давно ждал именно такой поворот
Большая часть медицинского ИИ упирается не в качество алгоритмов, а в экономику внедрения. Собрать тысячи валидных гистологических изображений, согласовать доступ к данным, стандартизировать сканы, организовать разметку и пройти проверку качества — долгий и дорогой процесс.
Из-за этого многие разработки остаются локальными проектами отдельных клиник или пилотами без масштабирования.
Если универсальные модели типа PRET смогут работать стабильно, рынок получит более низкий порог входа для новых диагностических сценариев и ускорение выхода ИИ из пилотов в рутинную практику.
Если универсальные модели типа PRET смогут работать стабильно, рынок получит сразу несколько изменений: ниже порог входа для новых диагностических сценариев, быстрее запуск решений под редкие опухоли, меньше зависимость от гигантских датасетов и выше интерес инвесторов.
Где клиники почувствуют эффект раньше всего
Наиболее быстрый эффект возможен не в полном замещении врача, а в сценариях поддержки решений.
PRET и подобные системы могут использоваться как «второй просмотр»: подсветка подозрительных зон, сортировка приоритетных случаев, предварительный скрининг отрицательных образцов, ускорение поиска микрометастазов. Это снижает рутинную нагрузку и помогает врачу сосредоточиться на сложных случаях.
Для лабораторий важна и скорость внедрения. Если не требуется многомесячное дообучение модели под каждый новый кейс, цикл запуска продукта может заметно сократиться.
Почему осторожность пока важнее восторга
Несмотря на впечатляющие цифры, это еще не готовая замена клинической практике. Авторы сами указывают на необходимость дальнейшей клинической валидации и оценки работы в реальных условиях.
Это критично, потому что лабораторная среда сложнее академических датасетов. В реальности есть различия в окраске препаратов, качестве сканирования, протоколах подготовки материала и структуре потока пациентов.
Кроме того, регуляторы и клиники будут оценивать не только точность, но и воспроизводимость, устойчивость ошибок, прозрачность решений и интеграцию в рабочие процессы. Именно поэтому ближайший сценарий рынка — не автономный диагноз, а надежный ассистент врача-патоморфолога.
Российская цифровая патология уже движется в том же направлении
В России также развиваются решения для онкоморфологии. Один из примеров — проект Первого МГМУ им. И.М. Сеченова совместно с Medical Neuronets и Московской городской онкологической больницей №62 для выявления метастазов колоректального рака в лимфатических узлах.
Это важный сигнал: локальный рынок не находится вне глобального тренда. Российские разработчики уже работают с прикладными задачами цифровой патологии, где ИИ помогает ускорять просмотр препаратов и повышать точность маршрутизации внимания врача.
Что это меняет для фармрынка, диагностики и коммерческой стратегии
Для фармацевтической отрасли подобные технологии важны шире, чем кажется. Современная онкология increasingly зависит от точной стратификации пациента: морфология, молекулярные маркеры, подтип опухоли, прогноз ответа на терапию.
Чем быстрее и точнее диагностика, тем эффективнее работает рынок таргетных препаратов и персонализированной терапии. Это означает рост значения связки «лекарство + диагностика» и усиление роли companion diagnostics.
Следующий шаг — от картинки к прогнозу и генетике
Авторы указывают, что дальнейшее развитие PRET может включать прогнозирование течения заболевания и анализ генетических мутаций.
Если это удастся реализовать, патоморфологическое изображение станет не только подтверждением диагноза, но и источником прогностической информации. Тогда цифровой слайд начнет конкурировать по ценности с частью молекулярных тестов или станет их предварительным фильтром.
Данная публикация предназначена для специалистов здравоохранения и участников фармрынка. Аналитические выводы редакции носят информационный характер и не являются призывом к самолечению или заменой очной консультации врача. При работе с лекарственными препаратами необходимо руководствоваться официальной инструкцией и мнением профильного специалиста. Полный текст дисклеймера.