В журнале npj Digital Medicine опубликовано исследование, в котором представлен новый подход к диагностике заболеваний плаценты с использованием неконтролируемого машинного обучения. Метод анализирует пространственную организацию клеток в тканях плаценты, что позволяет выявлять патологические изменения без предварительной разметки данных. Исследователи применили алгоритмы кластеризации и анализа пространственных паттернов к изображениям гистологических срезов, полученным от пациенток с различными плацентарными патологиями, включая преэклампсию и задержку внутриутробного роста. Модель автоматически выделила характерные пространственные признаки, ассоциированные с конкретными заболеваниями, достигнув точности классификации до 92% по сравнению с экспертной оценкой патологов. Ключевое преимущество подхода — отсутствие необходимости в ручной аннотации данных, что значительно ускоряет внедрение метода в клиническую практику. Работа демонстрирует потенциал неконтролируемого обучения для объективной и воспроизводимой диагностики плацентарной патологии, что может улучшить прогнозирование исходов беременности и своевременное вмешательство. Авторы подчеркивают, что метод может быть адаптирован и для других тканевых патологий, открывая новые возможности для цифровой патологии в целом.