Возможности применения технологии искусственного интеллекта в оценке митотической активности гастроинтестинальных стромальных опухолей желудка
Резюме
Гастроинтестинальные стромальные опухоли (ГИСО) являются наиболее распространенным подтипом сарком мягких тканей, диагностика которых основывается на сочетании клинической картины, анатомической локализации опухоли и гистологического и иммуногистохимического (ИГХ) исследований. В данной работе рассматривается возможность применения технологий искусственного интеллекта (ИИ) для автоматизированного выявления митозов в гистологических изображениях ГИСО. Проведен обзор литературы по использованию ИИ в морфологической диагностике различных опухолей. В рамках исследования создан тестовый датасет из 220 оцифрованных гистологических стеклопрепаратов, размеченных на платформе CVAT. Для анализа митотической активности применена сверточная нейронная сеть YOLOv11, обученная на 300 эпохах. Оценка эффективности модели показала, что точность ее работы ограничена из-за небольшого количества обучающих данных. В будущем планируется расширение датасета и повышение качества распознавания патологических митозов.
Ключевые слова
- ГИСО
- искусственный интеллект
- митотическая активность
Дата поступления: 12.07.2025
Дата принятия в печать: 22.12.2025
Дата публикации: 16.04.2026
- WHO Classification of Tumours Editorial Board. WHO classification of tumours of the digestive system. 5th ed. France, Lyon: IARC; 2019.
- Mantese G. Gastrointestinal stromal tumor: epidemiology, diagnosis, and treatment. Curr Opin Gastroenterol. 2019;35(6):555-559. https://doi.org/10.1097/MOG.0000000000000584
- Kelly CM, Gutierrez Sainz L, Chi P. The management of metastatic GIST: current standard and investigational therapeutics. J Hematol Oncol. 2021;14:2. https://doi.org/10.1186/s13045-020-01026-6
- Blay JY, Kang YK, Nishida T, et al. Gastrointestinal stromal tumours. Nat Rev Dis Primers. 2021;7:22. https://doi.org/10.1038/s41572-021-00254-5
- Araujo T, Aresta G, Castro E, et al. Classification of breast cancer histology images using convolutional neural networks. PLoS One. 2017;12(6):e0177544. https://doi.org/10.1371/journal.pone.0177544
- Ehteshami Bejnordi B, Mullooly M, Pfeiffer RM, et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 2018;31(10):1502-1512. https://doi.org/10.1038/s41379-018-0073-z
- Jiang Y, Chen L, Zhang H, Xiao X. Breast cancer histopathological image classification using convolutional neural networks with small SE-ResNet module. PLoS One. 2019;14(3):e0214587. https://doi.org/10.1371/journal.pone.0214587
- Arvaniti E, Fricker KS, Moret M, et al. Automated Gleason grading of prostate cancer tissue microarrays via deep learning. Sci Rep. 2018;8(1):12054. https://doi.org/10.1038/s41598-018-30535-1
- Guan Q, Wang Y, Ping B, et al. Deep convolutional neural network VGG-16 model for differential diagnosing of papillary thyroid carcinomas in cytological images: a pilot study. J Cancer. 2019;10(20):4876-4882. https://doi.org/10.7150/jca.28769
- Wang Y, Guan Q, Lao I, et al. Using deep convolutional neural networks for multi-classification of thyroid tumor by histopathology: a large-scale pilot study. Ann Transl Med. 2019;7(18):468. https://doi.org/10.21037/atm.2019.08.54
- Teramoto A, Tsukamoto T, Kiriyama Y, Fujita H. Automated classification of lung cancer types from cytological images using deep convolutional neural networks. Biomed Res Int. 2017;2017:4067832. https://doi.org/10.1155/2017/4067832
- Coudray N, Ocampo PS, Sakellaropoulos T, et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 2018;24(10):1559-1567. https://doi.org/10.1038/s41591-018-0177-5
- Wei JW, Tafe LJ, Linnik YA, et al. Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Sci Rep. 2019;9(1):3358. https://doi.org/10.1038/s41598-019-40041-7
- Zhang L, Le L, Nogues I, et al. DeepPap: deep convolutional networks for cervical cell classification. IEEE J Biomed Health Inform. 2017;21(6):1633-1643. https://doi.org/10.1109/JBHI.2017.2705583
- Wu M, Yan C, Liu H, et al. Automatic classification of cervical cancer from cytological images by using convolutional neural network. Biosci Rep. 2018;38(6):BSR20181769. https://doi.org/10.1042/BSR20181769
- Kainz P, Pfeiffer M, Urschler M. Segmentation and classification of colon glands with deep convolutional neural networks and total variation regularization. PeerJ. 2017;5:e3874. https://doi.org/10.7717/peerj.3874
- Korbar B, Olofson AM, Miraflor AP, et al. Deep learning for classification of colorectal polyps on whole-slide images. J Pathol Inform. 2017;8:30. https://doi.org/10.4103/jpi.jpi_34_17
- Wang Y, Jiang Y, Xu H, Xiao C, Zhao K. Detection method of key ship parts based on YOLOv11. Processes. 2025;13(1):201. https://doi.org/10.3390/pr13010201
- Fu Y, Karanian M, Perret R, et al. Deep learning predicts patients outcome and mutations from digitized histology slides in gastrointestinal stromal tumor. NPJ Precis Oncol. 2023;7(1):71. https://doi.org/10.1038/s41698-023-00421-9
- Bertram CA, Aubreville M, Donovan TA, at al. Computer-assisted mitotic count using a deep learning-based algorithm improves interobserver reproducibility and accuracy. Vet Pathol. 2022;59(2):211-226. https://doi.org/10.1177/03009858211067478
Рекомендуем статьи по данной теме:
Электронная аускультация легких в пульмонологии: от клинического навыка к цифровой диагностике.Респираторная медицина. 2026;2(2):47-55
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Онкоскрининг и раннее выявление рака слизистой оболочки рта методом анализа фотоизображений с применением нейросетей.Российская стоматология. 2026;19(2):12-16
Оценка эффективности цифровых технологий и искусственного интеллекта для использования в режиме реального времени в скрининге рака шейки матки.Онкология. Журнал им. П.А. Герцена. 2026;15(3):43-49
Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами.Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26
Цифровые технологии в диагностике и лечении нарушений сна при посттравматическом стрессовом расстройстве.Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. 2026;126(5-2):87-94
Предиктивная эпилептология: формирование новой парадигмы управления эпилептическими приступами.Журнал неврологии и психиатрии им. С.С. Корсакова. 2026;126(5):14-20
Лапароскопическое внеслизистое удаление гастроинтестинальной стромальной опухоли желудка.Хирургия. Журнал им. Н.И. Пирогова. 2026;(5):124-132
Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173
Роль 3D-технологий и цифровых баз данных в современной судебной стоматологии (обзор литературы).Стоматология. 2026;105(2):60-64