Мазок крови превращается в карту угроз: ИИ видит то, что теряется в рутине диагностики

Невидимые детали на мазке крови иногда решают судьбу диагноза, но человеческий глаз не всегда успевает за объёмом работы. В Кембридже представили ИИ-систему, которая помогает находить редкие и опасные клетки, включая признаки лейкемии, причём делает это устойчиво и с оценкой собственной уверенности. Разработчики считают, что такой подход может сократить число пропущенных или "сомнительных" случаев. Об этом сообщает Кембриджский университет.

Как работает CytoDiffusion и почему это не "обычный классификатор"

Новая система получила название CytoDiffusion и относится к генеративному ИИ — тому же классу технологий, который используют генераторы изображений. Вместо жёсткой сортировки по заранее заданным категориям она учится понимать весь диапазон того, как в норме выглядят клетки крови под микроскопом, и отмечает отклонения, которые выбиваются из привычной картины. Это важно в гематологии: иногда тревожные изменения выражены слабо — в форме, размере или структуре клетки — и легко теряются на фоне "обычных" вариантов нормы.

"У всех нас есть множество различных типов кровяных клеток, обладающих разными свойствами и разными ролями в нашем организме, — сказал Саймон Дельтадал из кафедры прикладной математики и теоретической физики Кембриджа, первый автор исследования. — Но знание того, как выглядит необычная или больная кровяная клетка под микроскопом, является важной частью диагностики многих заболеваний".

Почему врачи могут пропускать редкие клетки

Один стандартный мазок может содержать тысячи клеток — физически невозможно внимательно просмотреть каждую. На практике специалисту приходится быстро оценивать поле зрения и концентрироваться на подозрительных участках, а в пограничных случаях мнения экспертов могут расходиться. В такой ситуации ИИ рассматривается как "второй контур": он берёт на себя рутину и подсвечивает всё необычное для последующей проверки человеком.

"Люди не могут посмотреть все клетки в мазке — это просто невозможно, — сказал Дельтадал. — Наша модель может автоматизировать этот процесс, сортировать рутинные дела и выделять всё необычное для человеческого обзора."

Данные, тестирование и "осознание неопределённости"

CytoDiffusion обучили на более чем полумиллионе мазков крови из больницы Адденбрука в Кембридже — набор включал и частые типы клеток, и редкие примеры, которые обычно путают автоматические системы. В испытаниях модель показала высокую чувствительность к аномальным клеткам, связанным с лейкемией, и, по словам разработчиков, работала не хуже, а иногда чуть лучше экспертов. Отдельный акцент — способность системы количественно оценивать собственную неопределённость: это помогает не "давить" авторитетным ответом, когда данных недостаточно.

"Когда мы проверяли её точность, система была немного лучше, чем у людей, — сказал Дельтадал. — Но что действительно выделялось, так это в том, что он знал, когда это было неопределённо".

Разработчики подчёркивают, что речь не о замене врачей: цель — быстрее находить рискованные случаи, уменьшать нагрузку на специалистов и повышать стабильность первичного анализа. Следующий шаг — ускорение работы системы и проверка результатов на более разнообразных группах пациентов, чтобы подтвердить точность и справедливость подхода в разных клиниках.