Команда Политехнического университета Валенсии и Университета Валенсии разработала модель глубокого обучения, которая различает саркому Юинга и другие опухоли с похожей микроскопической картиной. Об этом 8 октября 2026 года сообщила Technical University of Valencia в материале MedicalXpress. В публикации в International Journal of Molecular Sciences для модели указаны общая точность 91,6% и чувствительность 97,1% при распознавании саркомы Юинга.

Образцы из четырёх больниц

Для обучения и оценки системы использовали 1926 оцифрованных гистологических образцов от 729 пациентов. Материал поступил из четырёх больниц Испании и Италии. В набор вошли 517 случаев саркомы Юинга и образцы других опухолей. На изображении, сопровождавшем публикацию, показаны тканевые микроматрицы. Это стекла, на которых для сравнения размещают небольшие фрагменты разных образцов.

Саркома Юинга чаще встречается у детей, подростков и молодых взрослых. Под микроскопом её клетки могут напоминать клетки рабдомиосаркомы, хондросаркомы, синовиальной саркомы и некоторых других опухолей. Поэтому одного сходства ткани бывает недостаточно: патологу могут понадобиться дополнительные исследования, в том числе иммуногистохимия.

По данным исследовательской команды, модель правильно классифицировала 91,6% случаев в целом. Чувствительность для саркомы Юинга составила 97,1%. Это означает, что система распознала как саркому Юинга 97,1% образцов, которые относились к этому типу опухоли. При различении саркомы Юинга и рабдомиосаркомы авторы указали пограничную частоту ошибки 1,96%.

Почему модель не заменяет патолога

Эти цифры описывают работу системы на оцифрованных образцах, а не готовый диагноз для пациента. В доступном сообщении нет подробностей о том, как материал разделяли на обучающую и тестовую части. Также не подтверждена проверка инструмента в обычном клиническом рабочем процессе. Полный текст статьи в предоставленном пакете недоступен, поэтому состав выборок и расчёт метрик нельзя проверить подробнее.

Смысл модели в том, чтобы дать патологу предварительную подсказку. Если биопсия небольшая, ткани может не хватить на все возможные анализы. Система указывает на вероятный тип опухоли, после чего специалист выбирает исследования, которые помогут подтвердить или опровергнуть это предположение.

Представим условный случай: на цифровом изображении признаки похожи сразу на саркому Юинга и рабдомиосаркому. Инструмент относит образец к первой группе с высокой вероятностью. Патолог не принимает результат за окончательный диагноз, а использует его, чтобы направить ограниченный материал на подходящие иммуногистохимические тесты. Если их результаты не совпадут с подсказкой модели, решение пересматривают.

Модель распознаёт статистические сочетания признаков на изображении, но не оценивает весь клинический контекст и не заменяет дополнительные анализы. Поэтому авторы описывают ИИ как объективную диагностическую поддержку, а не как замену патолога. В больницах, где нет быстрого доступа ко всему набору молекулярных тестов, такая подсказка может помочь определить дальнейшую проверку. Для подготовки научной статьи по этим результатам отдельно потребовалось бы описать дизайн проверки и ограничения, которых в новостном сообщении нет.

Схема показывает, как ИИ анализирует цифровое изображение биопсии и помогает патологу выбрать дальнейшие исследования

Фото: Edward Jenner / Pexels