ШІ вперше розрізняє 7 пухлин собак за цитологією: proof-of-concept на Inception-v3
На 91 цитологічному випадку (MGG, WSI) навчили Inception-v3 розпізнавати 7 пухлин собак плюс фон. На рівні тайлів точність 86,3%, на рівні ROI — 100% Top1, на рівні всього скла — 92,9% Top1. Це доказ концепції, не готовий до клініки інструмент.
Дослідження з Ліверпульського університету перевірило, чи здатен CNN автоматично класифікувати цитологію пухлин у собак на whole-slide images. Це перша робота, де модель тренували одразу на 7 діагностичних категоріях плюс клас фону.
Матеріал і метод. Відібрали 91 випадок з архіву — типові, морфологічно діагностичні пухлини, які підтвердили два дипломовані патологи. Класи: мастоцитома, лімфома, карцинома, саркома м'яких тканин, меланома, гістіоцитома, плазмоцитома. Погано диференційовані пухлини, які потребують гісто/ІГХ, виключили. Скельця фарбували May–Grünwald Giemsa, сканували при 400× (Aperio CS2). З кожного WSI вручну вибирали репрезентативний ROI, нарізали на тайли 512×512 без перекриття — вийшло 22 577 патчів. Розподіл робили строго case-wise на 3 фолди, щоб тайли одного пацієнта не потрапляли одночасно в train і test. Архітектура — ImageNet-pretrained Inception-v3, fine-tuning на 8 класів.
Результати. На рівні тайлів середня точність 86,3%, macro balanced accuracy 92,0%, macro F1 85,6%. Grad-CAM показав, що модель дивиться переважно на клітинні регіони, а не на артефакти чи фон. На рівні ROI з attention-guided inference — 100% Top1 (28/28). На рівні всього скла без attention — 92,9% Top1 (26/28), і правильний діагноз завжди був у топ-3.
Що це означає для практики. Два сценарії виглядають реалістично: підказка лікарю на конкретному ROI і повністю автоматичний скринінг усього скла. Але це proof-of-concept на курованому матеріалі з однієї установи, на «легких» добре диференційованих випадках. Справжній тест — складні, сумнівні та зовнішні випадки. До клінічного застосування ще далеко.