ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В КОЛЬПОСКОПИИ: АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ ДЛЯ РАННЕЙ ДИАГНОСТИКИ ПРЕДОПУХОЛЕВЫХ ЗАБОЛЕВАНИЙ ШЕЙКИ МАТКИ

Леонидова Т.Н., Чистогов М.Д. Искусственный интеллект в кольпоскопии: автоматизированный анализ изображений для ранней диагностики предопухолевых заболеваний шейки матки. Вопросы практической кольпоскопии. Генитальные инфекции. 2026; 2: 60–64.
DOI 10.46393/27826392_2026_2_60–64

Резюме
Цель: разработка и валидация прототипа системы на основе искусственного интеллекта для автоматизированного ана- лиза цифровых кольпоскопических изображений с целью выявления предраковых состояний и рака шейки матки. Методы. Проведены разработка алгоритма унификации изображений, сбор и разметка датасета из 2525 кольпоскопи- ческих снимков от трех клиник-партнеров, обучение сверточных нейронных сетей (MobileNetV3 Large). Результаты. Прототип системы достиг точности классификации 95%, чувствительности 94% и специфичности 96% при различении трех категорий кольпоскопических картин: Normal (норма), LSIL (плоскоклеточное интраэпите- лиальное поражение низкой степени) и HSIL+ (плоскоклеточное интраэпителиальное поражение высокой степени и выше). Среднее время обработки одного изображения составило 0,65 секунды. Система способна обрабатывать более 5500 изображений в час при достаточной скорости интернет-соединения. Выводы. Разработанная система демонстрирует перспективность применения технологий глубокого обучения в он- когинекологии и может служить вспомогательным инструментом для поддержки врачебных решений при проведе- нии скрининговых исследований. Полученные результаты соответствуют уровню высококвалифицированного врача- специалиста и могут быть оптимизированы путем увеличения объема обучающей выборки.Введение Рак шейки матки (РШМ) остается одной из веду- щих причин смертности от онкологических заболе- ваний среди женщин в мире. По данным Всемирной организации здравоохранения, в 2020 г. было заре- гистрировано 604 тыс. новых случаев заболевания и 342 тыс. летальных исходов [1]. Особую озабочен- ность вызывает высокий уровень смертности среди женщин репродуктивного возраста: в Российской Фе- дерации смертность от РШМ среди женщин до 45 лет занимает первое место в структуре смертности от он- кологических заболеваний [2]. В подавляющем большинстве случаев РШМ раз- вивается из предраковых состояний, что позволяет осуществлять эффективный скрининг и раннюю ди- агностику. Ключевые факторы успешного лечения – своевременное выявление заболевания и раннее нача- ло адекватной терапии. Однако точность диагностики в значительной степени зависит от опыта и квалифи- кации врача, что приводит к значительной вариабель- ности результатов, особенно в регионах с дефицитом высокоспециализированных кадров [3–6]. Кольпоскопия является «золотым стандартом» диагностики при подозрении на патологию шейки матки. Тем не менее интерпретация кольпоскопиче- ских картин остается субъективной процедурой, тре- бующей от врача высокого уровня профессиональной подготовки и опыта [7–10]. В последние годы технологии искусственного ин- теллекта (ИИ) и глубокого обучения активно внедря- ются в различные области медицины, включая ме- дицинскую визуализацию. Автоматические системы анализа медицинских изображений на основе свер- точных нейронных сетей (CNN) продемонстрировали способность обнаруживать патологические измене- ния с чувствительностью и специфичностью, сопоста- вимыми или превышающими результаты, полученные квалифицированными врачами. Исследования пока- зали, что автоматическая оценка с использованием алгоритмов ИИ может выявить предраковые измене- ния шейки матки с площадью под ROC-кривой (area under curve, AUC) 0,94, что существенно превышает показатели экспертной оценки человека (AUC = 0,69) и традиционной цитологии (AUC = 0,71) [11, 12]. Материал и методы Дизайн исследования и сбор данных Исследование проводилось в две фазы на базе трех клиник Пермского края: ООО «Центр профи- лактики онкологических заболеваний «ОнкоПермь», АО «МЦ «Философия красоты и здоровья» и ООО «Линия жизни». На первой фазе (этап 1) было собрано и предва- рительно размечено 1111 цифровых кольпоскопиче- ских изображений. На второй фазе (этап 2) датасет был дополнен и проверен, в результате чего получено 2525 размеченных снимков. Классификация кольпоскопических картин Все изображения были распределены в соответ- ствии с международной классификацией в три груп- пы [4, 7, 9, 13, 10, 13]: 1) Normal – нормальная кольпоскопическая карти- на (895 изображений; обучение/валидация/тест – 655/100/140); 2) LSIL (low-grade squamous intraepithelial lesions) – пло- скоклеточное интраэпителиальное поражение низ- кой степени, включая CIN I (cervical intraepithelial neoplasia), соответствует аномальной кольпоско- пической картине 1-й степени (863 изображения; 623/100/140); 3) HSIL+ (high-grade squamous intraepithelial lesions) – плоскоклеточное интраэпителиальное поражение высокой степени, включая CIN II, CIN III, преин- вазивный рак (CIS – carcinoma in situ) (767 изобра- жений; 527/100/140), соответствует аномальной кольпоскопической картине 2-й степени. Разметка данных Разметку кольпоскопических изображений про- водил экспертный консилиум, состоявший из двух врачей акушеров-гинекологов с профессиональным опытом диагностики патологии шейки матки более 15 и 20 лет соответственно. Каждое изображение из обучающей и валидационной выборок было неза- висимо оценено каждым экспертом. В случае расхож- дений в диагнозе проводилось совместное обсужде- ние до выработки консенсусного решения. Использовалась виртуальная машина с процессо- ром Intel Core i5–8400 (2.80 GHz), 16 ГБ оперативной памяти и видеокартой Nvidia GeForce RTX 1070. Все изображения проверялись на соответствие требова- ниям качества (резкость, фокусировка) перед включе- нием в датасет. Предварительная обработка изображений Разработан алгоритм унификации изображений, позволяющий привести входящие снимки к едино- му формату 311 × 311 пикселей с использованием библиотеки OpenCV. Поддерживаемые форматы: .png, .bmp, .jpg; рекомендуемый размер исходного изобра- жения: от 480 × 640 до 1080 × 1920 пикселей. Разработка нейросетевых моделей В финальную модель включили каскад нейрон- ных сетей. Для бинарной классификации Normal/ Abnormal использовали архитектуру MobileNet, для классификации LSIL/HSIL – MobileNetV3 Large. Выбор данной архитектуры продиктован прежде все- го требованиями клинической практики: необходи- мостью обеспечения высокой диагностической точ- ности при возможности развертывания алгоритма в условиях первичного звена здравоохранения, вклю- чая мобильные скрининговые пункты и удаленные медицинские учреждения. MobileNetV3 Large представляет собой современ- ную архитектуру нейронной сети, специально раз- работанную для эффективного распознавания визу- альных образов при минимальных вычислительных затратах. В контексте кольпоскопической диагности- ки это означает, что модель способна надежно диффе- ренцировать нормальный эпителий, интраэпители- альные поражения низкой (LSIL) и высокой степени (HSIL), опираясь на визуальные маркеры, значимые для врача: характер сосудистого рисунка, особенности ацетобелого эпителия, наличие пунктации и мозаики. При этом алгоритм демонстрирует устойчивость к ва- риабельности качества изображений, что актуально при работе с данными, полученными на оборудова- нии разного класса [14]. Ключевым преимуществом MobileNetV3 Large для медицинской практики является возможность ее запуска на мобильных устройствах и встраиваемых системах без потери диагностической значимости. Модель может функционировать непосредственно на смартфонах, планшетах или портативных кольпо- скопах, обеспечивая анализ изображений в режиме реального времени без необходимости передачи дан- ных в облачные сервисы. Качество работы моделей оценивали по следую- щим параметрам: точность (accuracy), чувствитель ность (sensitivity), ROC-кривые (receiver operating characteristic), площадь под ROC-кривой (AUC). До- полнительно использовали специфичность и время обработки одного изображения. Результаты Характеристики датасета Итоговый датасет включал 2525 кольпоскопиче- ских изображений. Его характеристики представлены в табл. 1. Результаты классификации Система продемонстрировала высокую произво- дительность при бинарной классификации (Normal vs Abnormal) и при многоклассовой классификации (Normal, LSIL, HSIL+). Матрица ошибок (рис. 1) показывает распреде- ление правильно и неправильно классифицирован- ных изображений для бинарной классификации. ROC-кривая (рис. 2) и метрики чувствительности (табл. 2) демонстрируют высокую чувствительность и специфичность системы при различных пороговых значениях. Для многоклассовой классификации (Normal, LSIL, HSIL+) система также продемонстрировала вы- сокую эффективность. Матрица ошибок (рис. 3) по- казывает корректное разделение изображений между тремя классами. Анализ ROC-кривой (рис. 4) и метри- ки для многоклассовой классификации (табл. 3) пока- зали высокую точность для каждого класса патологий. Для многоклассовой классификации система про- демонстрировала высокую точность для выявления нормы и HSIL, а также максимальную чувствитель- ность и специфичность для диагноза HSIL. Обсуждение Полученные результаты соответствуют уров- ню высококвалифицированного врача-специалиста с многолетним опытом и превышают показатели, ко- торых можно ожидать от врача со средним уровнем квалификации. Чувствительность 94% при специфич- ности 96% свидетельствует о более высокой склонно- сти системы к выявлению патологических изменений, что является желательным свойством для скринин- гового инструмента. Высокая чувствительность – 94% – позволяет минимизировать число ложноот- рицательных результатов, что критически важно при применении скринингового инструмента, ког- да пропуск истинной патологии недопустим. Вместе с тем специфичность 96% означает, что практически все изображения будут оценены адекватно. По данным литературы, ИИ-системы для анали- за кольпоскопических изображений, разработанные компанией Intel в сотрудничестве с MobileODT, про- демонстрировали сопоставимые результаты [14]. Од- нако важным преимуществом разработанной нами системы является ее адаптация к российским клини- ческим условиям и изображениям, полученным с по- мощью отечественного оборудования. Кроме того, система прошла валидацию на независимом тестовом наборе данных, что подтверждает ее генерализуе- мость. Использование каскадной архитектуры ней- ронных сетей обеспечивает двухступенчатый про- цесс классификации, что снижает количество ошибок при классификации пограничных случаев. Заключение Нами разработана и валидирована система ИИ для автоматизированного анализа кольпоскопических изображений с высокими показателями точности, чувствительности и специфичности. Система демон- стрирует перспективность применения технологий глубокого обучения в практической онкогинеколо- гии и может служить вспомогательным инструментом для поддержки врачебных решений при проведении кольпоскопических скрининговых исследований. По- лученные результаты соответствуют уровню высоко- квалифицированного врача-специалиста и могут быть оптимизированы путем увеличения объема обуча- ющей выборки. Клиническое применение системы включает повышение эффективности ранней диагно- стики РШМ, поддержку принятия решений при про- ведении кольпоскопии, помощь при обучении врачей и совершенствовании их квалификации. Финансирование Работа выполнена при финансовой поддержке про- граммы Старт-ИИ ФГАНУ ЦИТИС (регистрационный номер проекта 122112100048-0). Конфликт интересов Авторы заявляют об отсутствии конфликта интересов.

Литература
1. World Health Organization. Global strategy to accelerate the elimination of cervical cancer as a public health problem. Available at: https://www.who.int/publications/i/ item/9789240014107 Состояние онкологической помощи населению Рос- сии в 2018 году. Под ред. А.Д. Каприна, В.В. Старин- ского, Г.В. Петровой. М.: МНИОИ им. П.А. Герце- на – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2019. 3. Руководство по амбулаторно-поликлинической по- мощи в акушерстве и гинекологии. Под ред. В.Н. Се- рова, Г.Т. Сухих, В.Н. Прилепской, В.Е. Радзинского. М.: ГЭОТАР-Медиа, 2016. 1136 c. 4. Апгар Б.С., Бротцман Г.Л., Спитцер М. Клиническая кольпоскопия. Практическое руководство. М.: Практи- ческая медицина, 2014. 5. Королёнкова Л.И., Ермилова В.Д. Зона трансформации шейки матки как объект канцерогенного действия ви- русов папилломы человека при возникновении церви- кальных интраэпителиальных неоплазий и инвазивно- го рака. Архив патологии. 2011; 73 (6): 33–37. 6. Королёнкова Л.И. Цервикальные интраэпителиальные неоплазии и ранние формы рака шейки матки: клини- ко-морфологическая концепция цервикального канце- рогенеза. М.: Практическая медицина, 2017. 300 c. 7. Краснопольский В.И., Зароченцева Н.В., Джиджи- хия Л.К. Кольпоскопия: руководство для практикую- щих врачей. 2-е изд., доп. и перераб. М.: МЕДпресс-ин- форм, 2023. 224 c. 8. Шейка матки, влагалище, вульва. Физиология, патоло- гия, кольпоскопия, эстетическая коррекция. Руковод- ство для практикующих врачей. Под ред. С.И. Рогов- ской, Е.В. Липовой. М.: StatusPraesens, 2014. С. 52–71. 9. International Federation of Cervical Pathology and Colposcopy (IFCPC). Availableat: www.ifcpc.org 10. Подзолкова Н.М., Роговская С.И., Акопова Е.С. Новые международные стандарты и классификации в кольпо- скопии. Российский вестник акушера-гинеколога. 2011; 11 (6): 79–83. 11. Хусаинов Р.Х. Искусственный интеллект превзошел экспертов в области выявления предраковых заболе- ваний шейки матки. Available at: https://medicalinsider. ru/news/iskusstvennyjj-intellekt-prevzoshel-ehkspertov- v-oblasti-vyyavleniya-predrakovykh-zabolevanijj-shejjki- matki/ 12. Нейронная сеть. В книге: Большая российская энци- клопедия. Т. 35. Под ред. Ю.С. Осипова. М.: Большая российская энциклопедия, 2004–2017. 13. Эрозия, эктопия и эктропион шейки матки. Клиниче- ские протоколы Минздрава Республики Казахстан. Ал- маты, 2015. 14. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2020. 480 с.