Проекты участницы
Суть проекта
Два ключевых блока:
Виртуальное окрашивание — трансформация окрашенного гематоксилином и эозином (H&E) в ИГХ-эквивалент с помощью алгоритмов генеративного ИИ (в частности, диффузионные модели) с дальнейшим определением биомаркеров рецепторов эстрогена (ER), прогестерона (PR) и эпидермального фактора роста второго типа (HER2). Срок выдачи молекулярного диагноза сокращается с 5–7 дней до нескольких часов.
Анализ микроокружения опухоли — автоматическая детекция и классификация (на основе передовых технологий ИИ) клеток воспалительного инфильтрата, объективная количественная оценка опухоль-инфильтрирующих лимфоцитов (TILs) — независимого прогностического фактора при раке молочной железы.
Целевая аудитория
Пациентки с раком молочной железы — прямые конечные бенефициары;
Централизованные патоморфологические лаборатории;
Частные клинические сети;
Лаборатории удалённых регионов и телепатологические службы, не имеющие доступа к ИГХ-оборудованию
«Зрелость» проекта
Результаты проекта
1. Модели обучены и валидированы на 100 пациентах с верифицированными диагнозами
2. Аннотировано 109 180 клеточных ядер с двойной экспертной разметкой
3. AUC 86–92% для предсказания ER, PR, HER2
4. Одновременное виртуальное окрашивание и морфологический анализ клеток одновременно — прямых аналогов на рынке нет
Проект поддержан Российским научным фондом (РНФ), Номер проекта 25-71-10088 (Алгоритмы компьютерного зрения с использованием генеративного искусственного интеллекта для анализа гистологических данных в задачах персонализированной медицины)
В перспективе 6–9 месяцев:
1. Анализ целого препарата (whole-slide image) без ручного выбора области
2. Предсказание молекулярного подтипа опухоли и PD-L1-статуса напрямую из H&E-среза
3. Интеграция с МИС, ЛИС и PACS; интерактивный просмотрщик для патолога
Реализация проекта
Этапы реализации:
1. Формирование уникальных наборов аннотированных клинических данных с привлечение экспертов патологов и ученых в области обработки данных (сделано)
2. Разработка и валидация передовых алгоритмов генеративного ИИ в области виртуального окрашивания (в частности, обучение I2I Diffusion Bridges моделей) на аннотированных клинических данных (сделано)
3. Пилотное внедрение — подключение к сканерам в пилотных медорганизациях (сделано)
4. Расширенная клиническая валидация — масштабирование когорты, публикации
5. Интеграция с МИС/ЛИС/PACS и тиражирование на онкоцентры, удалённые регионы, частные сети