Исследователи из Северо-Восточного университета США сравнили шесть моделей искусственного интеллекта на 3152 изображениях полипов кишечника. В работе, опубликованной в 2026 году, лучший визуальный трансформер распознал 69,7% предраковых зубчатых аденом. Лучший результат свёрточной нейросети составил 39,2%. Модели проверяли на одном наборе изображений, а не в клиническом испытании.

Что именно сравнивали

Команда сравнила три визуальных трансформера с тремя свёрточными нейросетями. Трансформеры учитывают связи между разными участками изображения, а свёрточные модели анализируют небольшие фрагменты. Все шесть моделей проверили по одной схеме: данные разделили на пять частей и по очереди использовали для обучения и проверки.

В набор MHIST вошли изображения двух типов полипов: гиперпластических, обычно доброкачественных, и зубчатых аденом, которые могут быть предраковыми. Площадь под ROC-кривой у лучшего трансформера составила 91,7%, у лучшей свёрточной сети — 88,7%. По данным Northeastern Global News, общая точность моделей достигла соответственно 86% и 80%.

Чувствительность показывает, какую долю случаев нужного типа распознала модель. Представим условную проверку на 100 изображениях с предраковыми аденомами: при чувствительности 69,7% модель отметила бы примерно 70 из них. Это пример для пояснения, а не отдельный результат исследования.

Сравнение показывает преимущество трансформера в работе с изображениями, но не доказывает, что такая система улучшит диагностику или исходы лечения. Модели проверили только на одном наборе данных, где одних типов полипов было больше, чем других. Авторы считают, что результат нужно проверить на других наборах. Команда уже начала сотрудничать с клиницистами для дальнейшего тестирования.

В 2025 году Американская гастроэнтерологическая ассоциация не рекомендовала ни широкое рутинное применение систем искусственного интеллекта при колоноскопии, ни отказ от него. Такие системы помогают находить полипы, но их влияние на предотвращение рака остаётся неясным. Новое исследование посвящено классификации изображений тканей и само по себе на этот вопрос не отвечает.

Для изучения публикаций по теме можно посмотреть услугу по подготовке научных статей.

Схема показывает набор изображений, сравниваемые архитектуры, способ проверки и чувствительность лучшей модели каждого типа.

Фото: Alicia_Harper / Pixabay