Выявление базальноклеточного рака кожи на полноформатных цифровых изображениях препаратов после микрографической хирургии по Мосу с использованием обучения со слабой разметкой

Введение: Микрографическая хирургия по Мосу (МХМ) является золотым стандартом лечения агрессивного базальноклеточного рака кожи, однако её успех зависит от опыта специалиста в интраоперационной интерпретации замороженных срезов.

Цель: Разработать фреймворк обучения со слабой разметкой на основе обучения на множестве экземпляров с использованием фундаментальной модели для патологии для автоматического выявления базальноклеточного рака кожи в замороженных срезах при МХМ.

Методы: Внутренний набор данных, включавший 995 полноформатных цифровых изображений препаратов после МХМ, был размечен на уровне стекла как содержащий опухоль (512 изображений) или не содержащий опухоли (483 изображения). Кроме того, на тестовом наборе были размечены области опухоли. Полноформатные изображения разделяли на фрагменты и кодировали с использованием признаков Prov-Gigapath в рамках обучения со слабой разметкой на множестве экземпляров. Эффективность оценивали по бинарной классификации на уровне стекла и по картам внимания, отображавшим локализацию областей опухоли; затем проводили валидацию на двух внешних наборах данных.

Результаты: Модель продемонстрировала почти идеальные диагностические характеристики: точность на внутреннем наборе данных составила 97,0%, площадь под ROC-кривой — 0,998. Карты внимания отображали области, значимые для диагностики, что повышало интерпретируемость модели (Intersection-over-Union = 0,41 ± 0,046; Dice = 0,58 ± 0,046). При внешней валидации модель также показала устойчивые результаты: точность 90–92%, площадь под ROC-кривой 0,92–0,95.

Ограничения: Во внешних наборах данных отсутствовала разметка областей опухоли.

Выводы: Полученные результаты подтверждают возможность применения искусственного интеллекта для анализа замороженных срезов при МХМ и обосновывают проведение проспективных исследований по оценке интеграции такого подхода в клинические рабочие процессы.