вычислительная патология

Статья, опубликованная в npj Digital Medicine 1 сентября 2026 года, рассматривает перспективы и барьеры на пути клинического внедрения пространственной омики и вычислительной патологии в онкологии. Авторы анализируют, как интеграция высокопроизводительных методов пространственного профилирования тканей (таких как пространственная транскриптомика и протеомика) с алгоритмами машинного обучения и глубокого обучения на гистопатологических изображениях открывает новые возможности для точной диагностики, прогнозирования ответа на терапию и выявления новых биомаркеров. В работе обсуждаются ключевые технологические достижения, включая мультимодальные модели, способные объединять морфологическую информацию с молекулярными данными, что повышает точность предсказательных моделей. Особое внимание уделяется проблемам стандартизации протоколов, воспроизводимости результатов, регуляторным требованиям и необходимости валидации на крупных многоцентровых когортах. Авторы подчеркивают, что, несмотря на впечатляющие результаты в исследовательских условиях, для реального клинического применения необходимы совместные усилия патологов, онкологов, специалистов по данным и регуляторных органов. Статья также затрагивает вопросы интерпретируемости моделей ИИ и доверия со стороны врачей, а также экономической эффективности внедрения таких технологий в рутинную практику. В заключение предлагаются конкретные дорожные карты и рекомендации по ускорению перехода от лабораторных разработок к клиническому использованию, что может существенно изменить подходы к лечению рака и персонализированной медицине.

Исследование посвящено решению критической проблемы воспроизводимости иммуногистохимического (ИГХ) анализа опухолевых тканей при сравнении результатов из разных лабораторий. Авторы протестировали технологию внутрислайдной калибровки, которая использует шкалу концентрации от 0 до 100% с применением первичных суррогатных и вторичных антител для создания стандартизированной кривой осаждения DAB. В ходе эксперимента проводился анализ реакций p53 в биоптатах глиобластомы (GB, IDH-wildtype), выполненный двумя независимыми патологоанатомическими отделениями с последующей цифровизацией при 40-кратном увеличении. Методология включала извлечение признаков интенсивности и текстуры с помощью пакета EBImage в R, а также применение алгоритмов снижения размерности UMAP и кластеризации DBSCAN. Результаты показали, что без калибровки наблюдались значительные различия в паттернах кластеризации интенсивности и текстуры между лабораториями. Однако применение внутрислайдной калибровки в сочетании с полиномиальной регрессией позволило гармонизировать данные примерно на 90%. Данная технология играет ключевую роль в вычислительной патологии, обеспечивая объективность диагностических оценок и поддержку принятия решений в нейроонкологии на основе данных.

Авторы предлагают стандартизированную иерархическую модель для описания данных в вычислительной патологии, устраняя путаницу между биологическими единицами, лабораторными препаратами и цифровыми данными. Внедрение этого фреймворка на основе стандарта DICOM позволит повысить воспроизводимость исследований и упростить внедрение ИИ-моделей в клиническую практику.

Статья представляет собой комплексный обзор использования цифровой патологии и ИИ-ориентированных рабочих процессов в клинических испытаниях. Рассматриваются преимущества внедрения цифровой патологии, практические применения ИИ и вычислительной патологии, а также регуляторные аспекты. Описывается интеграция геномики, ИИ, анализа изображений и радиологии для улучшения результатов клинических испытаний.