Введение

Эозинофильный эзофагит (ЭоЭ) — это хроническое медленно-прогрессирующее воспалительное заболевание пищевода, характеризующееся выраженной эозинофильной инфильтрацией слизистой оболочки пищевода, развитием субэпителиального и подслизистого фиброза, клинически проявляющееся такими симптомами, как дисфагия, обтурация пищевода пищевым комком у взрослых, а также трудностями с приемом пищи, болью в животе или рвотой у детей [1—4]. В России ЭоЭ внесен в список орфанных заболеваний [5]. Проведение эндоскопического исследования с биопсией пищевода является основным способом подтверждения диагноза ЭоЭ. Наличие соответствующей клинической картины и не менее 15 эозинофилов в поле зрения при большом увеличении (ПЗБУ) или ≥15 эозинофилов на 0,3 мм² в биоптате при отсутствии других причин для инфильтрации тканей пищевода эозинофилами является общепризнанным диагностическим стандартом [1, 2]. Метод подсчета эозинофилов при ЭоЭ изначально разработан, когда использовались оптические микроскопы с малым и большим увеличением (обычно ×15 и ×40). Поскольку патологоанатомические отделения сейчас постепенно переходят к использованию цифровой оптической микроскопии [6], эксперты предлагают обновить определение ЭоЭ, чтобы учесть новые возможности цифровой патоморфологии. Для подтверждения диагноза ЭоЭ авторы рекомендуют учитывать пиковое количество эозинофилов ≥15 на 0,3 мм² в биоптате вместо их количества в ПЗБУ, поскольку площадь поля зрения у производителей микроскопов может различаться [2].

Пиковое эозинофильное число (ПЭЧ) остается ключевым гистологическим критерием в международных рекомендациях по диагностике ЭоЭ. Гистологическая оценка ЭоЭ до сих пор в основном проводится традиционными методами без цифровых инструментов. Однако этот процесс имеет ряд ограничений. Например, ПЗБУ, в котором подсчитываются эозинофилы, может иметь выраженную вариабельность в зависимости от используемого оборудования и варьировать между наблюдателями. Размер и площадь ПЗБУ могут существенно различаться от 0,13 до 0,37 мм² в зависимости от используемого микроскопа, что является ключевым фактором вариабельности результатов оценки ПЭЧ. Повторная гистологическая оценка, которую следует делать через 8—12 нед после начала лечения, является лучшим способом оценки эффективности лечения ЭоЭ. В ситуации ручного подсчета и необходимости динамической оценки ПЭЧ модели машинного обучения (МО) могли бы помочь патологоанатомам более точно диагностировать ЭоЭ, а лечащим врачам оценивать эффективность терапии. В этом контексте модели МО могли бы обеспечить более точный подсчет эозинофилов и лучше оценивать другие признаки повреждения пищевода до и во время лечения, уменьшая потенциальные ошибки традиционных методов световой микроскопии [2, 7—13].

Так, в систематическом обзоре применения искусственного интеллекта (ИИ) для оценки ЭоЭ обобщены следующие наблюдения: несмотря на высокую точность полученных результатов, наборы данных для обучения моделей МО не являются общедоступными, в том числе для внешней валидации; исследователи применяли относительно устаревшие алгоритмы и архитектуры (например, ResNet50), но не использовали современные алгоритмы и подходы из области компьютерного зрения, например, трансформерные модели; инструменты на основе ИИ, разработанные исследователями для оценки биоптатов, расчета ПЭЧ и оценки тяжести ЭоЭ, не имеют открытого исходного кода и не могут использоваться другими врачами в клинической практике. Модели МО и алгоритмы глубокого обучения могли бы помочь менее опытным эндоскопистам, патологоанатомам и гастроэнтерологам, которые только начинают работать с таким редким заболеванием, как ЭоЭ [14].

Современные модели компьютерного зрения известны своей высокой скоростью обработки, обеспечивающей обнаружение объектов практически в реальном времени. Это особенно важно, когда патологоанатомам необходимо быстро анализировать и интерпретировать изображения гистологических препаратов размером несколько сотен гигапикселей [15].

Таким образом, представляется актуальным применить модель МО с трансформерной архитектурой, например, YOLO11 [16] и ее дообученную версию для оценки гистологических изображений и подсчета ПЭЧ при ЭоЭ, поскольку это не сделано в предыдущих исследованиях. Дополнительная ценность заключается в оценке цифровых гистологических изображений, которые несколько различаются из-за вариабельности методов окрашивания, фиксации и нарезки тканей в условиях рутинной клинической практики.

Предметом исследования являются медицинские изображения (отсканированные изображения гистологических препаратов без идентификационных данных) пациентов с ЭоЭ, а объектом исследования — клетки пищевода и эозинофилы на изображениях.

Цель исследования — оценить эффективность модели МО с трансформерной архитектурой YOLO11 (и ее дообученной версии) для автоматизированной сегментации и детекции эозинофилов на гистологических изображениях с различным качеством фиксации, окрашивания тканей и срезов в условиях рутинной клинической практики, для улучшения точности диагностики эозинофильного эзофагита.

В данной работе представлены промежуточные результаты (рис. 1, а): архитектура решения, первые результаты оценки эффективности модели МО для сегментации гистологических изображений и детекции эозинофилов.

Рис. 1. Обзор процедуры подготовки данных, обучения модели YOLO11 и предсказания (инференс) расположения эозинофилов на гистологических изображениях WSI.

а — промежуточные результаты; б — план перспективных исследований в соответствии с целью работы. ПЭЧ — пиковое эозинофильное число.

Дизайн

Исследование представляет собой многоцентровый ретроспективный анализ медицинских изображений, полученных методом полного сканирования стекол (whole slide imaging —WSI), что позволяет перевести изображения патологоанатомических препаратов в цифровой формат. В нашем случае любые идентификационные данные были автоматически удалены перед сохранением изображений для последующей обработки.

Верхнеуровневая архитектура решения представлена на рис. 1. Гистологические изображения WSI в формате файлов svs перед обучением модели МО были размечены обученным исследователем, который отметил расположение как интактных, так и неинтактных эозинофилов. Обученная модель многоклассовой семантической сегментации получает изображение WSI в качестве входных данных, сегментирует его, может подсчитывать два типа эозинофилов (интактные и неинтактные), определять область с наибольшим количеством интактных эозинофилов, подсчитывать их значение и вычислять пиковое количество эозинофилов в ПЗБУ (показатель ПЭЧ). В данной публикации представлены: архитектура решения, первые результаты оценки эффективности модели МО для сегментации гистологических изображений и детекции эозинофилов по ключевым стандартным метрикам (см. рис. 1, а). В дальнейшем будут завершены эксперименты по определению ПЭЧ и сравнению результатов работы модели с заключениями врачей-патологоанатомов (см. рис. 1, б).

Материал и методы

Работа проводилась с мая 2024 по апрель 2025 г. в 3 центрах: 1) НИУ «Высшая школа экономики», факультет компьютерных наук (научный руководитель — младший научный сотрудник Е.А. Трофимова); 2) ГБУЗ «ГКБ № 31 им. академика Г.М. Савельевой ДЗМ»; 3) ФГАУ «НМИЦ здоровья детей» Минздрава России.

Подготовка данных

Медицинские изображения получены в центрах 2) и 3) в ходе обследования 43 взрослых в возрасте 18—61 год и 17 детей в возрасте 1—17 лет с подтвержденным диагнозом ЭоЭ, предоставивших информированное добровольное согласие, прошедших необходимое клиническое обследование, эзофагогастродуоденоскопию с биопсией слизистой оболочки пищевода и морфологическим исследованием. Биоптаты дистального, среднего или проксимального отделов пищевода (1—3 образца на анатомическую область) от каждого пациента были помещены в формалин 10%; затем ткань обработана и залита в парафиновые блоки. Срезы толщиной 4 мкм помещены на предметные стекла и окрашены гематоксилином и эозином. Стекла отсканированы на сканере Aperio («Leica Biosystems Imaging, Inc», США) при увеличении ×40 (эквивалентно большому увеличению ×400) и сохранены в формате SVS. Каждое стекло с тканью пищевода проанализировано врачом-патологоанатомом, специализирующимся также на гастроинтестинальной патологии, для определения ПЭЧ в ПЗБУ (при увеличении ×400). Информация о ПЭЧ сохранена в электронном заключении и медицинской документации соответствующих медицинских учреждений. Диагноз ЭоЭ подтвержден для каждого случая врачом-гастроэнтерологом или врачом-аллергологом с большим опытом диагностики и лечения пациентов с ЭоЭ. В большинстве случаях биопсия выполнена до и во время лечения ЭоЭ для оценки результатов терапевтических вмешательств. Клинические, лабораторно-инструментальные данные, виды и результаты лечения в данной работе не анализировались.

Семантическая разметка изображений (выделение классов объектов)

Изображения WSI в формате SVS — 8 стекол с образцами ткани пищевода от 6 пациентов с подтвержденным диагнозом ЭоЭ — использованы для семантической разметки в специализированном приложении QuPath [17]. Всего размечено 54 среза ткани из 653 (~8% от общего набора данных); на каждом стекле обычно расположено от 3 до 12 срезов ткани из соответствующего отдела пищевода. Эти изображения аннотированы обученным опытным исследователем по заранее подготовленному протоколу разметки изображений. Полигоны (плоские многоугольники) на изображении отнесены к одному из трех классов с использованием инструмента «кисть (brush)» в приложении QuPath: (1) интактные эозинофилы (eos), определяемые как эозинофилы с видимыми интенсивно-красными/эозинофильными цитоплазматическими гранулами и четко выраженным ядром; (2) неинтактные эозинофилы (eosg), определяемые как эозинофилы без видимого ядра, или большие группы внеклеточных эозинофильных гранул; (3) ткань пищевода/фон (Tissue). Класс Tissue аннотирован с помощью специально созданного скрипта пороговой обработки в QuPath, а результаты вручную проверены для удаления неправильно назначенных автоматических аннотаций для класса Tissue. Качество разметки оценено независимо двумя врачами-патологоанатомами путем выборочной проверки изображений. Результаты разметки экспортировали в файлы GeoJSON. Подготовленный набор данных (датасет) использовали для обучения модели многоклассовой семантической сегментации с трансформерной архитектурой — YOLO11 [16].

В приведенном нами решении использовалась обработка на основе патчей (нарезка изображений на квадраты одинакового размера, соответствующего ПЗБУ или 0,3 мм², сдвиг с определенным шагом и др.) для эффективного масштабирования и возможности работы с огромными размерами изображений (около 0,3—0,5—1 гигабайта). Этот подход помогает оптимизировать использование оперативной памяти, сохраняя скорость обработки. Использование хорошо поддерживаемых инструментов (QuPath и YOLO11) гарантирует, что система адаптируема для будущих улучшений и расширений, таких как дополнительная разметка изображений или обновления модели. Описанный метод подходит для обработки сотен или даже тысяч WSI изображений, что делает проект масштабируемым и легким в обслуживании. В целом, архитектура и процесс работы с данными соответствуют современной методологии CRISP-ML(Q) [18]. Оценка качества модели МО основана на стандартных метриках [19], таких как индекс Жаккара (Intersection over Union — IoU), точность (precision), полнота/чувствительность (recall), F1-мера (F1-score/measure). Эти метрики имеют решающее значение для оценки сегментации, особенно при анализе медицинских изображений, когда точность критически важна.

Результаты

Разметка изображений, предварительная обработка и подготовка набора данных

Всего 653 среза ткани в файлах формата SVS от 60 пациентов с подтвержденным диагнозом ЭоЭ автоматически размечены в программе QuPath с присвоением метки класса «Tissue». Вручную проанализированы и размечены 54 из 653 изображений срезов ткани, как описано выше. Ручная разметка 1 файла SVS при наличии большого количества эозинофилов в биоптате могла занимать до 10 ч чистого времени (рис. 2).

Рис. 2. Пример изображения части среза ткани пищевода, ручная аннотация в приложении QuPath.

Размечено 3116 интактных эозинофилов на всем изображении, состоящем из 4 срезов; красным цветом обозначены метки класса «eos» (интактные эозинофилы с четко видимым ядром и гранулами в цитоплазме), зеленым цветом — метки класса «eosg» (эозинофильные гранулы или эозинофилы без видимого ядра).

Процесс подготовки набора данных начинался с предварительной обработки файлов SVS и извлечения патчей необходимого размера. После этого аннотации конвертировались из файла GeoJSON, сохранялись в формате, подходящем для обучения модели YOLO11 и сегментации. Код на языке Python сохранял как изображения, так и соответствующие им аннотации, генерировал файлы для ручной проверки точности аннотаций, распределения классов и сегментации объектов. Распределение патчей по выборкам (обучающая, валидационная и тестовая) анализировалось для обеспечения баланса.

Патчи изображений без эозинофилов были включены, но составляли только 10% набора данных для поддержания баланса между «пустыми» и аннотированными областями. Рандомизация выборки патчей использовалась для обеспечения их случайного распределения между этими наборами, сохраняя разнообразие в данных. Этот шаг важен для подтверждения равномерности разделения и сбалансированности датасета по различному типу патчей, что необходимо для обучения модели, которая будет иметь хороший уровень обобщения для работы с ранее незнакомыми данными (неразмеченными изображениями WSI в формате SVS).

Процесс обучения модели

Обучение модели проводилось на компьютере следующей конфигурации: процессор Ryzen 9 7900X, видеокарта NVIDIA RTX 4070 Ti Super 16 GB, оперативная память 64 GB. Модель обучалась в течение 150 эпох, что является разумным количеством для тонкой настройки модели. Для обучения использовались патчи изображений размером 448×448 пикселей, что обеспечивало баланс между детализацией и потреблением памяти. Размер батча составил 128 (количество образцов изображений для обучения модели, обрабатываемое за 1 итерацию). Параметр patience был установлен на 25; если производительность модели на валидации не улучшалась в течение 25 эпох, обучение останавливалось досрочно для предотвращения переобучения. Все выходные данные в процессе обучения (логи, версии модели и т.д.) сохранялись. Дополнительно использовалась аугментация данных (цветовые, геометрические преобразования и др.) для получения устойчивых результатов обучения. Диаграммы с кривыми потерь и метриками производительности помогали отслеживать сходимость модели.

Результаты обучения модели

Показатели точности (precision) и полноты (recall) для ограничивающих рамок (bounding boxes) стабильно улучшались, а показатель recall заметно увеличивался и составил 0,97669 на 150 эпохе, что свидетельствует об очень высокой чувствительности модели к целевым областям на изображении, то есть к эозинофилам. Точность (precision) и полнота (recall) для масок на изображении стабильно увеличивались, что критически важно для обнаружения малых и нерегулярных паттернов эозинофилов на изображениях. Показатель средней точности (mean average precision, mAP) для обнаружения масок mAP50 (M) и mAP50-95 (M) увеличивался, но более скромно, чем для ограничивающих рамок; mAP50 (В) и mAP50-95 (В) для ограничивающих рамок также увеличивался, что указывало на улучшение детекции и сегментации по мере обучения. При этом F1-мера составила 0,93 для масок и 0,95 для ограничивающих рамок. Функция потерь на валидации не достигала очень высоких значений и продемонстрировала небольшое снижение по мере обучения, что означает потенциально хорошую обобщаемость модели для оценки «незнакомых» изображений (рис. 3).

Рис. 3. Диаграммы результатов ключевых метрик процедуры обучения модели YOLO11 после завершения 150 эпох.

По оси X указано количество эпох обучения модели, по оси Y — значение соответствующей метрики для ограничивающих рамок (B) и масок (М).

Показатель коэффициента сходства Жаккара (IoU) достиг 0,94. Это указывает на высокую эффективность модели в точной локализации и сегментации эозинофилов на гистологических изображениях. Поскольку модель также хорошо работает с точки зрения точности и полноты как для ограничивающих рамок, так и для масок, это дополняет ее возможности сегментации, обеспечивая четкое и точное определение границ эозинофилов. Примеры патчей изображений с детекцией и сегментацией эозинофилов представлены на рис. 4.

Рис. 4. Примеры патчей изображений с детекцией и сегментацией эозинофилов в валидационной выборке.

а — исходное изображение; б — маски для классов «eos», красный цвет — (интактные эозинофилы внутри эпителия) и «eosg», зеленый цвет — (эозинофильные гранулы); в — исходное изображение с наложенными масками; г — все изображения с серыми рамками, показаны ограничивающие рамки и маски для классов «eos» и «eosg» (рядом с цветной рамкой указана вероятность детекции класса).

Далее выполнена предварительная оценка поведения модели на новых неразмеченных изображениях для определения необходимости в дополнительной разметке изображений и дообучении модели.

Инференс (или вывод) в контексте моделей МО относится к процессу применения обученной модели к новым данным для получения предсказаний и выводов. Для инференса и предсказания интактных эозинофилов внутри эпителиального слоя пищевода на новых изображениях использовалось ядро (kernel) размером с ПЗБУ площадью 0,3 мм², что соответствует 2144×2144 пикселей (548 мкм×548 мкм) с итерацией по изображению с шагом 500×500 пикселей для нахождения максимального количества эозинофилов в пределах границ ПЗБУ, что в дальнейшем будет использоваться нами для подсчета ПЭЧ и выходит за рамки данной публикации. Каждое ПЗБУ разбивалось на патчи размером 448×448 пикселей, с шагом 424×424 пикселя, в том числе, чтобы учесть возможность нахождения эозинофилов на краях гистологического среза. Затем каждый патч подавался в сеть модели и сегментировался. Наконец, все ограничивающие рамки и маски сегментации патчей объединялись в единый GeoJSON файл для просмотра WSI в приложении QuPath и визуальной оценки качества работы модели. Примеры работы модели на новых изображениях представлены на рис. 5, а—г.

Рис. 5. Примеры работы модели (инференс) на новых изображениях.

а — ограничивающие рамки и маски для класса «eos» (интактные эозинофилы внутри эпителия); б — нет детекции эозинофилов, которые располагаются очень близко, в виде скоплений или «наслаиваются» друг на друга (увеличенный участок изображения в белой рамке); в — модель не сегментирует эозинофилы, которые расположены в просвете кровеносных сосудов/капилляров; г — не детектируются ядра эозинофилов без гранул в цитоплазме.

При визуальной оценке качества сегментации новых изображений, на которых модель ранее не обучалась, мы сделали следующие выводы: 1) модель не сегментирует и не детектирует эозинофилы, которые располагаются очень близко, в виде скоплений или «наслаиваются» друг на друга (см. рис. 5, б); 2) участки с эозинофильными гранулами детектируются хуже, чем интактные эозинофилы с четко выраженными ядрами, что не критично и не будет влиять на определение ПЭЧ; 3) модель не сегментирует эозинофилы, которые расположены в просвете кровеносных сосудов/капилляров (см. рис. 5, в), что благоприятно для точного подсчета именно интраэпителиально расположенных эозинофилов и определения ПЭЧ; 4) не детектируются ядра эозинофилов без гранул в цитоплазме (см. рис. 5, г), что важно для корректного определения ПЭЧ.

Обсуждение

В настоящем исследовании мы обучили и валидировали модель YOLO11 для автоматизированного обнаружения и сегментации эозинофилов на гистологических изображениях пищевода. Модель продемонстрировала высокую эффективность с показателем полноты (recall) 0,97669 и коэффициентом сходства Жаккара (IoU) 0,94, что свидетельствует об очень хорошей способности точно локализовать и сегментировать эозинофилы в эпителиальном слое пищевода.

Согласно недавнему систематическому обзору [14], существующие исследования по применению ИИ для гистологической оценки ЭоЭ демонстрируют accuracy в диапазоне 87—99% и полноту/чувствительность (recall) от 0,825 до 1,0. Часть предыдущих работ была сосредоточена на бинарной классификации наличия или отсутствия ЭоЭ, в то время как наша модель обеспечивает более детальный анализ, включающий не только детекцию, но и точную сегментацию отдельных эозинофилов. Особого внимания заслуживает способность нашей модели дифференцировать интраэпителиальные эозинофилы от эозинофилов, находящихся в просвете кровеносных сосудов. Это свойство имеет критическое значение для точного определения ПЭЧ — ключевого диагностического критерия ЭоЭ. Данное преимущество особенно важно в контексте клинической практики, когда точность подсчета интраэпителиальных эозинофилов напрямую влияет на диагностические решения.

В ходе оценки качества работы модели на новых данных мы выявили ряд ограничений, что означает необходимость дальнейшей доработки. В частности, отмечена сниженная эффективность при работе со скоплениями эозинофилов и участками с эозинофильными гранулами. Эти наблюдения согласуются с выводами авторов [10], которые также отмечали сложности в детекции малых и близко расположенных структур на гистологических изображениях. Так, на рис. 5, а четко видно, что детектируются и сегментируются только интактные эозинофилы (класс «eos»), но не эозинофильные гранулы (класс «eosg»). В настоящее время это сложно рассматривать как ограничение работы модели, поскольку детекция эозинофильных гранул/неинтактных эозинофилов не требуется для подсчета ПЭЧ и подтверждения диагноза ЭоЭ. Отсутствие детекции скоплений эозинофилов может также негативно повлиять на подсчет ПЭЧ и оценку наличия эозинофильных абсцессов в биоптатах пищевода.

Наши результаты в целом согласуются с таковыми в работе [11], в которой предложена модель на основе глубокой нейронной сети с многоклассовой сегментацией и динамической сверткой, способная обрабатывать WSI. Авторы использовали огромную когорту из 1066 WSI изображений от 400 пациентов из разных медицинских учреждений. Модель достигла accuracy 94,75%, чувствительности 94,13%, специфичности 95,25% и среднего значения IoU 0,93. В нашей работе получены сопоставимые результаты на гораздо меньшем объеме данных с использованием современной модели YOLO11, которая раньше не применялась для сегментации WSI изображений при таком редком заболевании, как ЭоЭ. Это дает большую надежду для качественного обучения моделей МО при ограниченной доступности данных, особенно когда речь идет о редких заболеваниях.

Достигнутые нами показатели точности и полноты для обнаружения как ограничивающих рамок, так и масок демонстрируют постепенное улучшение в процессе обучения модели, что указывает на ее способность к эффективному обучению и адаптации. Это согласуется с результатами, представленными в систематическом обзоре [14], в котором также отмечена важность постепенного улучшения показателей точности при обучении моделей глубокого обучения для анализа гистологических изображений.

Следует отметить, что функция потерь на валидации не достигала очень высоких значений и продемонстрировала небольшое снижение по мере обучения, что свидетельствует о потенциально хорошей обобщаемости модели для оценки новых изображений. Однако, как и в большинстве исследований, включенных в систематический обзор [14], в нашей работе требуется дальнейшая внешняя валидация на более широкой выборке пациентов из нескольких медицинских учреждений для подтверждения обобщаемости результатов.

Из дополнительных ограничений наших промежуточных результатов следует отметить: 1) небольшую долю аннотированных изображений (54 из 663), составляющих датасет, что означает необходимость дальнейшей дополнительной разметки; 2) отсутствие контрольной группы (изображений биоптатов без признаков ЭоЭ) и сравнения автоматизированного подсчета ПЭЧ с результатами ручной оценки данного показателя патологоанатомами потенциально уменьшает применимость предварительных результатов в клинической практике.

Заключение

Разработанное нами решение на основе модели YOLO11 представляет собой шаг вперед в автоматизации гистологической оценки эозинофильного эзофагита, предлагая высокоточный исследовательский инструмент для анализа эозинофильной инфильтрации, а именно автоматизированного обнаружения и сегментации эозинофилов на гистологических изображениях пищевода. Модель продемонстрировала высокую эффективность с показателем полноты (recall) 0,97669 и коэффициентом сходства Жаккара (IoU) 0,94, что свидетельствует об очень хорошей способности точно локализовать и сегментировать эозинофилы в эпителиальном слое пищевода.

Перспективным направлением дальнейших исследований в соответствии с первоначальной целью нашей работы будет разметка дополнительного набора WSI изображений, дообучение модели YOLO11 и эксперименты с моделями, в основе которых лежит относительно новая концепция визуальных трансформеров (vision transformer). Результаты сегментации и определения пикового количества эозинофилов необходимо будет ретроспективно сравнить с пиковым эозинофильным числом, которое определили патологоанатомы при проведении световой микроскопии (см. рис. 1, б). Кроме стандартных показателей оценки эффективности моделей МО необходимо будет использовать метрики, приближенные к условиям рутинной практики, например, сравнить время работы инференса модели и время, которое врач-патологоанатом затрачивает для определения пикового эозинофильного числа. Возможная интеграция нашей модели с другими методами анализа гистологических и даже видеоэндоскопических изображений позволит создать более комплексный подход к оценке эозинофильного эзофагита. Это особенно актуально в свете выводов систематического обзора [14] о необходимости разработки интегрированных решений, объединяющих различные аспекты диагностики эозинофильного эзофагита.

Дальнейшая валидация и совершенствование предложенного подхода могут способствовать его внедрению в клиническую практику как надежного вспомогательного инструмента для врачей-гастроэнтерологов и врачей-патологоанатомов.

Участие авторов:

Концепция и дизайн исследования — Астафьев А.В., Маслёнкина К.С., Трофимова Е.А., Зуенко Д.О.

Сбор и обработка материала — Астафьев А.В., Маслёнкина К.С., Михалева Л.М., Зуенко Д.О., Кайбышева В.О., Лохматов М.М., Будкина Т.Н., Куликов К.А., Илансская М.В., Макарова С.Г., Вязанкина С.С., Мокрицкий А.И., Федоров Е.Д.

Написание текста — Астафьев А.В., Маслёнкина К.С., Кайбышева В.О., Будкина Т.Н.

Редактирование — Астафьев А.В., Маслёнкина К.С., Кайбышева В.О., Будкина Т.Н.

Авторы заявляют об отсутствии конфликта интересов.

Authors contribution:

Concept and design of the study — Astaf’ev A.V., Maslenkina K.S., Trofimova E.A., Zuenko D.O.

Data collection and processing — Astaf’ev A.V., Maslenkina K.S., Mikhaleva L.M., Zuenko D.O., Kaibysheva V.O., Lokhmatov M.M., Budkina T.N., Kulikov K.A., Ilansskaya M.V., Makarova S.G., Vyazankina S.S., Mokritskii A.I., Fedorov E.D.

Text writing — Astaf’ev A.V., Maslenkina K.S., Kaibysheva V.O., Budkina T.N

Editing — Astaf’ev A.V., Maslenkina K.S., Kaibysheva V.O., Budkina T.N.