Актуальность. Морфологическая диагностика новообразований щитовидной железы (ЩЖ) вызывает значительные трудности, что обусловлено субъективностью применяемых критериев, несовершенством классификаций, а также отсутствием единого подхода при вырезке операционного материала. На сегодняшний день необходим поиск новых решений, позволяющих повысить точность диагностики опухолей ЩЖ, оптимизировать временные затраты врача-патоморфолога, а также снизить сроки предоставления гистологического заключения. Применение искусственного интеллекта в разных сферах деятельности может позволить не только автоматизировать анализ гистологических препаратов опухолей ЩЖ, но и, возможно, выявить новые диагностические и прогностические критерии.

Материалы и методы. В исследование включено 966 пациентов (966 снимков), которым была проведена геми-/тиреоидэктомия в ГНЦ ФГБУ «НМИЦ эндокринологии» Минздрава России. В эксперименте участвовали случаи, в которых был определен один из двух диагнозов: доброкачественное или злокачественное новообразование ЩЖ. Классификация слайдов выполнялась с помощью метода Attention-MIL (Multiple-Instance Learning), позволяющего обрабатывать изображения гигапиксельного разрешения по частям, при этом используя только высокоуровневую разметку данных (без указания характерных областей интереса на изображении). В качестве архитектуры модели принятия решений использовалась искусственная нейронная сеть CLAM, для вычисления признаковых представлений сканов использовалась предварительно обученная нейросетевая модель CTransPath. Исходная выборка была разделена на обучающую и валидационную в соотношении 4:1, соответственно.

Результаты. На данный момент проведены несколько серий экспериментов по классификации слайдов с использованием только высокоуровневой разметки. Для оценки качества классификации была выбрана метрика ROC-AUC, поскольку она более информативна в случае несбалансированных выборок, а также для ее расчета не требуется подбирать порог для предсказанной моделью уверенности. В лучшем на данный момент эксперименте удалось достичь значения ROC-AUC=0,944 на валидационной выборке данных (193 слайда из 966). Кроме того, использованный метод позволяет выполнять визуализацию областей, внесших наибольший вклад в принятие решения моделью. По итогам обсуждения полученных данных врачами-патоморфологами было выявлено, что в большинстве случаев области, помеченные моделью как «важные», действительно являются таковыми. Однако были обнаружены и признаки переобучения модели на некоторые характерные детали изображений, проявляющиеся в редких случаях.

Заключение. Успешно подтверждена эффективность применения схемы Attention-MIL, разработан прототип инструмента визуализации, который поможет в детальном анализе и обосновании полученных результатов. Следующими этапами является расширение набора классов для решения задачи классификации, а также добавление дополнительных целевых переменных, отражающих важные факторы при постановке диагноза.