Диагностика хронических энтеропатий у кошек — это та область, где даже опытные патологоанатомы могут спорить часами. Низкодифференцированная кишечная Т-клеточная лимфома (LGITL) и лимфоплазмацитарный энтерит (LPE) настолько похожи под микроскопом, что различить их порой невозможно. Но команда исследователей из Frontiers in Veterinary Science предложила решение, которое может изменить всё — искусственный интеллект.
Когда морфология обманывает
Проблема диагностики этих состояний кроется в их коварной схожести. Авторы исследования отмечают, что гистопатология остаётся золотым стандартом, но высокая межнаблюдательская вариабельность делает постановку диагноза настоящим испытанием. Именно поэтому исследователи решили обратиться к сверточным нейронным сетям (CNN) — технологии, которая уже произвела революцию в медицинской диагностике.
Для своего пилотного исследования авторы ретроспективно проанализировали 161 эндоскопическую биопсию кишечника от кошек с диагнозами LGITL или LPE. Образцы были повторно оценены двумя сертифицированными ветеринарными патологоанатомами согласно стандартным протоколам с использованием окраски гематоксилин-эозином и иммуногистохимии. Спорные случаи исключили из анализа, чтобы обеспечить максимальную точность обучающего датасета.
Исследователи применили архитектуру InceptionV3 CNN с трансферным обучением к 8026 вручную отобранным фрагментам изображений размером 1024×1024 пикселя, полученным с оцифрованных H&E-препаратов. Обучение включало балансировку фрагментов и аугментацию изображений с использованием 5-кратной кросс-валидации.
Результаты, которые впечатляют
Финальный датасет составил 142 случая: 104 LPE и 38 LGITL. На тестовой выборке из 23 случаев нейросеть продемонстрировала поразительные результаты. Средняя точность на уровне отдельных фрагментов составила 85,3% при кросс-валидации, при этом Grad-CAM анализ показал, что сеть фокусируется именно на богатых лимфоцитами областях — то есть "смотрит" туда же, куда и опытный патологоанатом.
Но самое впечатляющее началось на уровне постановки окончательного диагноза. Используя систему мажоритарного голосования по фрагментам, нейросеть корректно диагностировала ~95% случаев всего за 1 минуту 20 секунд. Для сравнения: три сертифицированных патологоанатома показали среднюю точность ~85% за 9 минут работы.
Особенно интересной находкой стало то, что единственный случай, который неверно классифицировала нейросеть, также был ошибочно диагностирован двумя из трёх патологоанатомов. Это говорит о том, что ИИ не просто "угадывает", а действительно анализирует те же диагностически значимые признаки, что и специалисты.
Авторы исследования подчёркивают, что полученные результаты демонстрируют сильный потенциал CNN-анализа как инструмента поддержки диагностики для дифференциации LGITL от LPE. Исследователи планируют дальнейшую оптимизацию модели и расширение датасета для повышения производительности.
Это исследование открывает новую эру в ветеринарной патологии, где искусственный интеллект может стать надёжным помощником врача, особенно в сложных диагностических случаях, требующих высокой точности и скорости принятия решений.