В последние годы искусственный интеллект (ИИ) и машинное обучение стали неотъемлемой частью развития клинической лабораторной диагностики. Эти технологии открывают новые горизонты для автоматизации, повышения точности и эффективности аналитических и диагностических процессов.
Искусственный интеллект в анализе изображений: от микроскопии мочи до морфологии крови
Одним из первых направлений внедрения ИИ в лабораторную практику стала автоматическая микроскопия мочи. Уже более 20 лет для этих целей применяются анализаторы, использующие нейронные сети для идентификации объектов на микрофотографиях. Такие системы обучаются на обширных библиотеках изображений элементов мочи, что позволяет им с высокой точностью распознавать патологические и нормальные структуры [1].
В гематологии современные решения позволяют автоматизировать морфологический анализ клеток крови. Эти системы предварительно классифицируют клетки по подтипам, основываясь на множестве морфологических характеристик [1].
Особого внимания заслуживает инновационное решение для автоматизации анализа мазков крови. Это приложение позволяет выполнять подсчет лейкоцитарной формулы без необходимости значительных вложений в оборудование. Проведенные исследования подтвердили, что точность и качество результатов, получаемых с помощью данного инструмента, не уступают показателям, достигаемым при ручном анализе специалистами [2].
Автоматизация гистологической диагностики: цифровые слайды и искусственный интеллект
Значительные успехи достигнуты в автоматизации работы с гистологическими препаратами. В 2018 г. были опубликованы результаты слепого рандомизированного исследования, сравнившего систему визуализации целых слайдов (Whole Slide Imaging, WSI) Philips IntelliSite Pathology Solution (PIPS) и традиционную микроскопию. Было доказано, что WSI не уступает обычной микроскопии по точности первичной диагностики биопсийного и резецированного материала для различных органов и типов образцов [3].
В 2017 г. FDA одобрило продажу PIPS, а в 2021 г. европейский регулятор разрешил использование программы Galen Prostate от Ibex Medical Analytics для анализа цифровых слайдов с целью выявления рака простаты. В 2020 г. лаборатория CorePlus Servicios Clínicos Patológicos провела тестирование Galen Prostate на 1301 препарате ткани простаты, оцифрованных с помощью сканеров 3DHISTECH. Результаты показали высокую точность: специфичность – 96,9%, чувствительность – 96,5%. Это позволило Управлению по контролю качества пищевых продуктов и лекарственных средств (Food and Drug Administration, FDA) присвоить продукту особый статус, ускоряющий его внедрение в клиническую практику [3, 4].
Контроль качества и предиктивная аналитика
Помимо автоматизации диагностики, ИИ открывает новые возможности для контроля качества лабораторных исследований. Современные системы используют математический мониторинг результатов пациентов (дельта-чек) для выявления ошибок идентификации проб, проблем с качеством образцов, со сбоями в работе оборудования и реагентов. Такой подход позволяет своевременно обнаруживать и предотвращать технологические ошибки, повышая надежность лабораторных данных [5].
Искусственный интеллект и машинное обучение становятся ключевыми инструментами в современной клинической лабораторной диагностике. Они позволяют автоматизировать рутинные процессы, повысить точность морфологической и гистологической диагностики, а также обеспечить высокий уровень контроля качества. Внедрение ИИ-решений способствует не только технологическому прогрессу, но и улучшению качества медицинской помощи для пациентов [1].
Литература
1. Евгина С.А., Гусев А.В., Шаманский М.Б., Годков М.А. Искусственный интеллект на пороге лаборатории. Лабораторная служба. 2022; 11 (2): 18-26. https://doi.org/10.17116/labs20221102118
2. Celly.AI: две революции для автоматизации в микроскопии. Хайтек. https://hightech.plus/2021/08/30/cellyai-dve-revolyucii-dlya-avtomatizacii-v-mikroskopii (accessed: November 26, 2021).
3. Mukhopadhyay S, Feldman M, Abels E et al. Whole Slide Imaging Versus Microscopy for Primary Diagnosis in Surgical Pathology. American Journal of Surgical Pathology. 2018; 42 (1): 39-52. https://doi.org/10.1097/pas.0000000000000948
4. First US. Lab Implements AI-based Solution for Cancer Detection in Pathology. https://ibex-ai.com/press/first-u-s-lab-implements-ai-based-solution-for-cancer-detection-in-pathology/ (accessed: November 26, 2021).
5. Mitani T, Doi S, Yokota S, Imai T, Ohe K. Highly accurate and explainable detection of specimen mix-up using a machine learning model. Clin Chem Lab Med. 2020; 58: 375-83. https://doi.org/10.1515/cclm-2019-0534
