В Сибири мы привыкли к тому, что техника должна работать безотказно. При -40°C нет права на ошибку – либо система функционирует, либо люди остаются без тепла. Тот же принцип применим к медицинским технологиям: когда речь идёт о раке лёгких, который убивает 1,8 миллиона человек в год, алгоритмы должны работать точно и надёжно.
Недавно провёл анализ двух принципиально разных подходов к диагностике рака лёгких с помощью искусственного интеллекта. Результаты оказались неожиданными – каждая технология показала себя лучше в своей области.
Проблема, которую решаем
Рак лёгких коварен тем, что его часто обнаруживают слишком поздно. А для эффективного лечения нужно знать не только стадию болезни, но и какие именно гены «сломались» в опухоли. От этого зависит, какие препараты помогут пациенту.
Сейчас для получения генетической информации делают биопсию – берут кусочек опухоли через прокол или операцию. Процедура рискованная, особенно если пациент ослаблен. Поэтому учёные пытаются научить компьютеры «видеть» генетические мутации прямо на КТ-снимках.
Звучит как фантастика, но технологии радиогеномики уже показывают реальные результаты. Правда, подходов существует множество, и важно понимать, какой когда использовать.
Два противника на ринге
Для сравнения взял две принципиально разные технологии:
FMCIB+XGBoost – это как опытный рентгенолог, который всю жизнь смотрел именно на лёгкие. Система предварительно обучена на 11 тысячах медицинских снимков опухолей. Она знает, как выглядят КТ-изображения, понимает медицинскую специфику.
Dinov2+ABMIL – это универсал, который сначала изучил миллионы обычных фотографий из интернета, а потом переучился на медицинские задачи. Система использует технологию самообучения и механизм «внимания» – может фокусироваться на важных деталях изображения.
Проверял обе технологии на двух задачах: поиск мутаций в генах KRAS и EGFR (это важные «поломки», влияющие на лечение) и определение стадии рака.
Битва за точность: результаты испытаний
Поиск генетических мутаций
Здесь специализированная система FMCIB+XGBoost показала явное превосходство:
При поиске мутаций KRAS точность составила 84,6% против 77,3% у универсальной системы. Но главное различие – в способности находить положительные случаи. FMCIB правильно выявила 40,6% всех мутаций, а Dinov2 практически не смогла их обнаружить (0%).
С мутациями EGFR картина похожая: FMCIB достигла точности 88,3% и нашла почти половину всех мутаций (49,2%), в то время как Dinov2 снова показала нулевую чувствительность при точности 79,8%.
Это как сравнивать опытного сибирского механика, который всю жизнь чинил дизельные генераторы, с универсальным инженером. В экстремальных условиях опыт решает всё.
Определение стадии рака
А вот здесь произошёл неожиданный поворот. При работе с новыми, незнакомыми данными из другой клиники универсальная система Dinov2+ABMIL показала лучшие результаты:
Точность определения T-стадии (размер и распространение опухоли): 79,7% против 72,6% у специализированной системы. Система также лучше балансировала между выявлением всех случаев и избеганием ложных тревог.
При определении N-стадии (поражение лимфоузлов) Dinov2 тоже лидировала: 70,4% точности против 64,3%.
Практические выводы
После анализа результатов стало понятно: нет универсального решения. Каждая технология хороша для своих задач.
Для поиска генетических мутаций однозначно стоит использовать FMCIB+XGBoost. Система обучена на профильных медицинских данных и умеет выявлять тонкие особенности, связанные с генетическими «поломками». В клинической практике это означает возможность назначать таргетную терапию без биопсии.
Для определения стадии рака, особенно при работе с данными из разных клиник и регионов, лучше подходит Dinov2+ABMIL. Её способность адаптироваться к новым условиям делает систему более надёжной в реальной медицинской практике.
Что это значит для медицины
Результаты исследования показывают путь к созданию гибридных систем диагностики. Представьте: врач загружает КТ-снимок пациента в систему, которая автоматически определяет стадию рака с помощью универсального алгоритма, а затем проверяет наличие ключевых мутаций специализированной моделью.
Такой подход может существенно ускорить диагностику и снизить количество инвазивных процедур. Особенно это важно для отдалённых регионов, где доступ к специалистам ограничен.
Технологии должны работать не только в идеальных лабораторных условиях, но и в суровой реальности российской медицины – с разным оборудованием, различными протоколами съёмки, нехваткой времени у врачей.
Взгляд в будущее
Исследование подтверждает главный принцип: правильный выбор инструмента зависит от конкретной задачи. Как в инженерии – для каждой работы нужен свой инструмент.
Следующий шаг – создание интегрированных систем, которые будут автоматически выбирать оптимальный алгоритм в зависимости от поставленной задачи. Но до этого ещё предстоит решить множество технических проблем, связанных со стандартизацией данных и обеспечением надёжности систем.
Пока же важно понимать: искусственный интеллект в медицине – это не замена врачу, а мощный инструмент, который может сделать диагностику быстрее и точнее. Главное – правильно этим инструментом пользоваться.
