Ожидается, что каждый третий человек в течение жизни заболеет раком, что делает его серьёзной проблемой для здоровья человечества. Важнейшим показателем исхода рака является статус микросателлитов опухоли — стабильный или нестабильный. Он определяет стабильность ДНК в опухолях с точки зрения количества мутаций в микросателлитах.

Микросателлитный статус опухоли имеет важное клиническое значение, поскольку у пациентов с опухолями с высокой микросателлитной нестабильностью (MSI-H) результаты лечения обычно более обнадеживающие, чем у пациентов с опухолями со стабильной микросателлитной нестабильностью. Более того, опухоли с дефицитом белков репарации неспаренных оснований (клеток с мутациями в специфических генах , участвующих в исправлении ошибок, возникающих при копировании ДНК в клетке), хорошо реагируют на ингибиторы иммунных контрольных точек (ИКТ), но не обязательно на химиотерапию.

Поэтому врачи и эксперты рекомендуют проводить MSI-тестирование при впервые диагностированном раке желудка и колоректальном раке. В последние годы искусственный интеллект (ИИ) добился значительных успехов в этой области, и его внедрение в клинический процесс, как ожидается, обеспечит экономически эффективное и высокодоступное MSI-тестирование.

Хотя в ряде исследований для прогнозирования статуса MSI использовались методы глубокого обучения, такие как свёрточные нейронные сети и методы на основе преобразователя изображения, они не учитывают неопределённость прогноза. Более того, большинство из них не дают ключевой информации о реакции на ICI, что ограничивает их клиническое применение.

Устраняя эти недостатки, группа исследователей из США и Кореи, в числе которых Джэ-Хо Чонг из Медицинского колледжа Университета Ёнсе и Чонхён Кан из больницы Каннам Северанс при Медицинском колледже Университета Ёнсе, недавно совершила прорыв, предложив модель MSI-SEER. Эта инновационная байесовская модель, основанная на глубоком гауссовском процессе, анализирует изображения целых слайдов, окрашенных гематоксилином и эозином, в условиях слабо контролируемого обучения для прогнозирования статуса микросателлитов при раке желудка и колоректальном раке.

Центральным и отличительным достижением данного исследования является интеграция прогнозирования и количественной оценки неопределенности в модель ИИ. В частности, модель обладает способностью самостоятельно оценивать свою достоверность, оценивая предсказательную дисперсию с помощью метода Монте-Карло. Эта дисперсия затем преобразуется в байесовский показатель достоверности (БПК), который количественно оценивает надежность каждого прогноза.

В результате модель ИИ способна распознавать случаи, когда её прогнозы содержат высокую неопределённость, фактически «зная то, чего она не знает». В таких случаях система, получившая название MSI-SEER, автоматически помечает эти слайды с высокой неопределённостью для повторного анализа патологами, а не принимает самостоятельных решений. Новые результаты были доступны онлайн и опубликованы в журнале npj Digital Medicine 19 мая 2025 года.

«Это исследование предоставляет важную схему того, как модель ИИ, которая «знает, чего она не знает», что, в свою очередь, повышает общую надежность системы, может создать клиническую структуру взаимодействия ИИ и человека для более безопасного, надежного и полезного использования в реальных клинических условиях», — сказал профессор Чонг.

По словам профессора Чонга: «Мы провели обширную проверку с использованием нескольких крупных наборов данных, включающих пациентов из разных расовых групп, и обнаружили, что MSI-SEER достигает высочайших результатов в прогнозировании MSI за счет интеграции прогнозирования неопределенности».

Кроме того, модель продемонстрировала высокую точность прогнозирования ответа на ICI благодаря интеграции статуса MSI опухоли и соотношения стромы и опухоли. Более того, прогнозы на уровне плиток, полученные с помощью MSI-SEER, предоставили ключевую информацию о вкладе пространственного распределения областей MSI-H в микросреду опухоли и ответ на ICI.

«Мы считаем, что наша технология уже имеет потенциал для реального применения в качестве проспективного когортного наблюдения или своего рода клинических испытаний IV фазы. Долгосрочное значение этого исследования заключается в том, что оно не посвящено какой-то одной конкретной предиктивной модели ИИ. Скорее, оно имеет более широкое значение для понимания того, как алгоритмы ИИ могут анализировать клинические мультимодальные данные и создавать клинически применимые модели для прецизионной онкологической медицины», — объясняет профессор Чонг возможности своей инновации.

В целом, эта работа демонстрирует использование модели ИИ для разработки клинически применимого алгоритма прогнозирования ответа на ИКИ у пациентов с раком .