AI-интерпретация патологии (вычислительная патология)

01Обзор и цепочка создания стоимости

Маркеры: [EC: FDA De Novo / Breakthrough Device pathway + EU CE-MDR + IMI BIGPICTURE repository | OECD: Биотехнология и здоровье | Регулятор: FDA (США), EMA (ЕС), NMPA (Китай)]

Вычислительная патология применяет глубокое обучение к гигапиксельным изображениям цельных слайдов (WSI) окрашенных тканей — до 100 000 x 100 000 пикселей — для автоматизации микроскопического чтения, которое патологи выполняют вручную. По мере сокращения мирового кадрового резерва патологов на фоне роста числа биопсий системы ИИ-поддержки решений берут на себя рутинные задачи (подсчёт митозов, поиск метастазов в лимфоузлах, грейдинг Глисона рака простаты) и сжимают время диагноза с дней до минут, стандартизируя отчёты и подсвечивая подозрительные очаги тепловыми картами. Второй фронт — предсказание скрытой молекулярной генетики (микросателлитная нестабильность MSI, мутации BRAF, EGFR, экспрессия PD-L1) непосредственно по морфологии клеток, без дорогостоящего секвенирования. США лидируют в коммерциализации по пути FDA De Novo и Breakthrough Device, ЕС строит репозиторий IMI BIGPICTURE на 3 млн слайдов по регламенту CE-MDR, а Китай масштабирует облачную телепатологию для скрининга рака шейки матки, пищевода и лёгкого. Шесть организаций охватывают ИИ-софт (Paige.AI, PathAI, Owkin), сканеры и облачный воркфлоу (Philips) и популяционный скрининговый ИИ (Tencent Medical AI Lab, Infervision).

Ключевые направления AI-интерпретации патологии:

1. Детекция и грейдинг рака: модели CNN и визионных трансформеров локализуют микрометастазы и грейдируют опухоли (Глисон) на уровне согласия с патологом.
2. Предиктивная молекулярная патология: вывод статусов MSI, BRAF, EGFR и PD-L1 только по морфологии, без отдельного раунда секвенирования.
3. Attention multiple-instance learning: классификация цельного слайда, обученная только по слайд-уровневой метке диагноза, без разметки клеток.
4. Цифровой патологический воркфлоу и телепатология: высокопроизводительные сканеры и облачная интеграция с ЛИС направляют кейсы удалённым патологам.

Секторальная цепочка создания стоимости

[предметное стекло] ──> [сканер WSI] ──> [нарезка и извлечение признаков (ViT)]
                                                            │
                                              (агрегация attention-MIL)
                                                            │
                                                            ▼
[подпись патолога в ЛИС] <─── [тепловая карта опухоли и отчёт]

Уровни цепочки создания стоимости

Сквозные технологии сектора:

• whole-slide-imaging: гигапиксельные цифровые слайды (до 100 000 x 100 000 пикс при x40), сканируемые при 0,25 мкм/пикс для просмотра хроматина ядер.
• attention-multiple-instance-learning: слабо-контролируемая классификация слайда, обучаемая по одной слайд-уровневой метке через внимание к тысячам эмбеддингов патчей.
• self-supervised-vit-encoders: контрастивные самомониторинговые визионные трансформеры, дающие переиспользуемые 1024-мерные эмбеддинги патчей без ручной разметки.

02США

США лидируют в одобренной FDA AI-патологии, с первыми клиренсами De Novo и платформами предсказания биомаркеров PathAI.

Первенство Paige.AI, модели иммунотерапии PathAI, стандарты CAP/CLIA

• Paige.AI (Нью-Йорк, спин-офф Memorial Sloan Kettering): создала первый AI-патологический продукт, одобренный FDA (Paige Prostate), а в 2025 году получила статус FDA Breakthrough Device для Paige PanCancer Detect — ИИ-инструмента, подсвечивающего подозрительные опухолевые очаги по множеству тканей и органов на единой AI-first цифровой платформе.
• PathAI (Бостон): её мультимодальная платформа Path-IO (Pathology-driven Immunotherapy Optimization) объединяет патомику, радиомику и клинические данные для предсказания ответа на иммунотерапию при немелкоклеточном раке лёгкого, а PathAI Discovery поддерживает разработку биомаркеров PD-L1 и стромальных TIL для клинических триалов.
• Валидация CAP/CLIA: Американская коллегия патологов задаёт стандарты валидации алгоритмов для клинических CAP/CLIA-лабораторий, а американский венчурный капитал консолидирует AI-патологические стартапы.

03КНР

Китай ведёт популяционное развёртывание цифровой патологии в облаке в рамках программы «Здоровый Китай» и моделями гипермасштабного ИИ-скрининга.

Автоматическая цитология Tencent, ИИ лёгочных узлов Infervision, «Здоровый Китай»

• Tencent Medical AI Lab: опубликовала полностью автоматическую систему AI-проверки слайдов в Nature (январь 2026), выполняющую многофокусное сканирование цельного слайда для 3D-информации о клетках и авто-идентификацию аномальных клеток, валидированную на 1 124 образцах цервикальной жидкостной цитологии в четырёх центрах с высоким согласием с врачами; её ИИ Miying также скринит рак пищевода и лёгкого.
• Infervision (Пекин, основан в 2016): её ИИ InferRead выполняет субмиллиметровую детекцию лёгочных узлов (узлы ниже 5 мм, матовостеклянные компоненты и сосудистая конвергенция) с индивидуальной оценкой вероятности злокачественности, развёрнутую в китайских больницах вдоль пути пациента от скрининга до наблюдения.
• «Здоровый Китай»: национальная программа подключает региональные больницы к централизованным ИИ-патологическим серверам в Пекине и Шанхае, а китайские вендоры лидируют в сверхбыстрых роботизированных сканерах слайдов.

04ЕС

Европейский Союз сочетает жёсткий надзор GDPR и CE-MDR с крупнейшим в мире аннотированным репозиторием WSI и ведущими вендорами сканеров и облачного воркфлоу.

Облако Philips IntelliSite, федеративное обучение Owkin, BIGPICTURE

• Royal Philips (Нидерланды, NYSE: PHG): в марте 2026 года расширила портфель цифровой патологии облачным решением Philips IntelliSite Pathology Solution на HealthSuite (на базе AWS), интегрируя высокопроизводительные сканеры с ЛИС для патологических отделов больниц Западной Европы.
• Owkin (Франция): компания федеративного обучения, которая в отчёте Nature Medicine обучила модели глубокого обучения на мультибольничных гистопатологических данных без обмена слайдами пациентов, развивая обобщаемую патологию, пространственную транскриптомику и агентные ИИ-копилоты для исследователей.
• BIGPICTURE (IMI): консорциум Innovative Medicines Initiative собирает крупнейший репозиторий аннотированных цифровых слайдов (более 3 млн WSI) для обучения европейских ИИ-моделей в рамках GDPR и CE-MDR.

05Ведущие компании и научно-исследовательские институты

06Технологический стек и инновационные разработки

Стек сочетает цифровую патологию высокого разрешения с самомониторинговым глубоким обучением и слабо-контролируемой классификацией цельного слайда.

1. Сканирование цельного слайда и препроцессинг:
   • H&E-окрашенный срез биопсии сканируют на Leica Aperio GT 450 или Philips IntelliSite при объективе x40 (0,25 мкм/пикс) в файл .svs объёмом 1-3 ГБ; OTSU-порог выделяет ткань из фона, а ткань нарезают на патчи 512x512 для обработки на GPU.
2. Самомониторинговое кодирование визионным трансформером:
   • контрастивный самомониторинговый визионный трансформер (ViT), предобученный на миллионах немаркированных патчей, отображает каждый тайл 512x512 в 1024-мерный эмбеддинг, фиксируя текстуру хроматина ядер без ручной разметки.
3. Агрегация attention-MIL и тепловая карта:
   • слой внимания взвешивает эмбеддинги патчей, формируя слайд-уровневый вектор, по которому классификаторы выдают вероятность опухоли и предсказания молекулярных биомаркеров, а пиксельная тепловая карта накладывается на слайд для просмотра патологом в QuPath или Aperio ImageScope.

07Цепочки создания стоимости и пайплайны производства

Промышленный пайплайн ИИ-интерпретации WSI (CAP/CLIA + CE-MDR-комплаенс)

┌───────────────────────────┐      ┌───────────────────────────┐
│ 1. Сканирование WSI       │ ───> │ 2. Сегментация ткани      │
│    (Aperio GT 450, x40)   │      │    и нарезка 512x512      │
└───────────────────────────┘      └───────────────────────────┘
                                                  │
                                                  ▼
┌───────────────────────────┐      ┌───────────────────────────┐
│ 4. Агрегация              │ <─── │ 3. Извлечение признаков   │
│    attention-MIL          │      │    ViT (1024-эмбеддинги)  │
└───────────────────────────┘      └───────────────────────────┘
              │
              ▼
┌───────────────────────────┐      ┌───────────────────────────┐
│ 5. Тепловая карта опухоли │ ───> │ 6. Подпись патолога в ЛИС │
│    и предсказание маркеров│      │                           │
└───────────────────────────┘      └───────────────────────────┘

Этап 1: Сканирование цельного слайда

H&E-окрашенный срез сканируют на Leica Aperio GT 450 или Philips IntelliSite при объективе x40 (0,25 мкм/пикс), получая гигапиксельный .svs-файл объёмом 1-3 ГБ, сохраняющий детали хроматина ядер.

Этап 2: Сегментация ткани и нарезка

OTSU-порог отсекает белый фон и края стекла, выделяя ткань, которую затем разбивают на сетку патчей 512x512 пикселей под размер памяти GPU.

Этап 3: Самомониторинговое извлечение признаков

Каждый патч пропускают через контрастивный самомониторинговый визионный трансформер, получая 1024-мерный вектор эмбеддинга морфологии; энкодер переиспользуют для разных типов рака без переобучения.

Этап 4: Агрегация attention-MIL

Слой внимания вычисляет вес значимости каждого эмбеддинга патча и объединяет их в единый слайд-уровневый вектор признаков, допуская слабо-контролируемую классификацию только по слайд-уровневой метке диагноза.

Этап 5: Тепловая карта опухоли и предсказание биомаркеров

Классификаторы на слайд-векторе выдают вероятность опухоли, грейд Глисона и предсказанные статусы MSI/BRAF/EGFR/PD-L1, а пиксельную тепловую карту подозрительных очагов генерируют для наложения на исходный слайд.

Этап 6: Подпись патолога в ЛИС

Патолог открывает WSI с тепловой картой ИИ во вьюере (QuPath, Aperio ImageScope), подтверждает или корректирует находки и подписывает финальный отчёт в лабораторной информационной системе с совместным показом вывода ИИ.