Новое исследование показывает, что алгоритмы искусственного интеллекта (ИИ) для поиска рака могут работать точнее, если анализируют снимки так же, как это делает врач-патологоанатом. Об этом сообщает издание Live Science. Многие современные ИИ-системы изучают лишь заранее выбранные участки образца ткани или разбивают весь снимок на фрагменты фиксированного размера.
Патологоанатом, напротив, действует более динамично: он перемещается по ткани, приближает и отдаляет изображение, задерживается на участках, вызывающих подозрение. Один снимок может содержать миллиарды пикселей, тогда как признаки рака занимают лишь крошечный фрагмент. Соавтор работы Чжи Хуан, доцент кафедры патологии и лабораторной медицины Пенсильванского университета, сравнил этот процесс с поисково-спасательным вертолётом. «Вы не начинаете с осмотра одного квадратного метра земли, — сказал Хуан в интервью Live Science. — Сначала вы сканируете местность, а затем приближаетесь для детального осмотра».
В исследовании, опубликованном в июле в журнале Nature, Хуан и его коллеги показали, что ИИ для обнаружения рака может работать лучше при таком «человеческом» подходе. Алгоритмы класса vision language models (визуально-языковые модели, VLM) испытывают трудности с первым этапом — беглым осмотром. Это связано с тем, что многие патологические ИИ-системы обучаются на том, что патологоанатомы оставляют в конце поиска: размеченном изображении с указанием места опухоли или официальном диагнозе. Вместо этого исследователи обучили новый ИИ на поисковом поведении патологоанатомов, назвав этот подход «Pathology-CoT» (сокращение от «chain of thought» — цепочка рассуждений). Он превращает наблюдаемые действия, включая перемещения и приближения специалистов, в обучающие данные.
Для сбора данных команда создала инструмент, записывающий, как патологоанатомы перемещаются по снимку и меняют увеличение. Исходные журналы, полученные от восьми специалистов, были неупорядоченными: врач мог отклоняться от нужной области, проскакивать зону интереса или подстраивать увеличение под себя. Чтобы очистить данные, исследователи отфильтровали случайные движения, сосредоточившись на моментах осознанного внимания, например на длительной задержке или плавном перемещении. Затем эти участки сравнили с данными отслеживания взгляда, чтобы убедиться, что программа фиксирует, куда действительно смотрит патологоанатом. Для каждого проверенного участка VLM также составляла краткое обоснование, почему его стоит изучить и какие признаки видны; специалисты могли принять, отредактировать или отклонить это обоснование, создавая дополнительные обучающие данные.
В итоге исследователи построили инструмент Pathology-o3. Он сканирует снимок в низком разрешении, с помощью модели, обученной на поведении патологоанатомов, выбирает участки для более внимательного изучения, а затем передаёт их увеличенные изображения VLM для анализа. При сравнении с другими универсальными ИИ-системами, включая OpenAI o3, алгоритм Pathology-o3 правильно определил снимки с раком в 100% случаев. Однако среди снимков, которые он счёл положительными, 15,5% оказались в действительности отрицательными. Для OpenAI o3 эти показатели составили 87,5% и 53,3% соответственно. Исследователи намеренно настроили Pathology-o3 так, чтобы он скорее отмечал подозрительный участок для повторной проверки, чем пропускал рак, что может объяснять долю ложных срабатываний, отметил Хуан.
По словам Мохаммада Асади, специалиста по данным из Стэнфордского университета, не участвовавшего в работе, приемлемость такого уровня ложных тревог зависит от способа применения системы. Она недостаточно точна для самостоятельной постановки диагноза, но может быть полезна, чтобы указать человеку на участки снимка, требующие дополнительной проверки. Исследователи также повторили тест на независимом наборе данных: Pathology-o3 правильно определил положительные снимки в 97,6% случаев, а среди отмеченных им как положительные 37,1% оказались отрицательными. Для Хуана главный результат заключается в том, что «недостающий ингредиент всё это время находился в больницах». Систему пока не сравнивали напрямую с патологоанатомами, и, по словам Хуана, правильный вопрос не в том, превосходит ли она специалиста, а в том, сможет ли врач, работающий с ней, выявлять больше случаев рака и делать это быстрее. Следующий эксперимент команды как раз и предназначен для проверки этого.