ИИ без кода в диагностике рака молочной железы: как Google Teachable Machine справляется с задачами гистопатологической классификации

Разработка и применение систем искусственного интеллекта в диагностике онкологических заболеваний стремительно набирает обороты. Особенно это актуально в сфере гистопатологии рака молочной железы, где точность и согласованность заключений критически важны для правильного выбора лечения. Однако традиционные подходы сталкиваются с рядом проблем: от субъективной интерпретации данных до дефицита квалифицированных специалистов. В этом контексте интерес представляет использование решений на базе ИИ без программирования, таких как Google Teachable Machine (GTM), для задач медицинской классификации.

Новое пилотное исследование оценивает, насколько эффективно GTM может классифицировать гистопатологические изображения молочной железы по четырем категориям: нормальные ткани, доброкачественные изменения, карцинома in situ и инвазивная карцинома. В отличие от сложных платформ глубокого обучения, GTM позволяет обучать модели прямо в браузере, без необходимости владения языками программирования и наличия мощного оборудования. Это особенно ценно для клиник и лабораторий с ограниченными ресурсами.

В рамках исследования использовался открытый набор данных из 380 изображений, окрашенных гематоксилином и эозином. Обучающая выборка включала 85% изображений, остальные 15% были отведены на внутреннюю проверку. Дополнительно проведено внешнее тестирование на 39 независимых изображениях. Модель обучалась с использованием предварительно настроенных параметров: 50 эпох, размер пакета 16, скорость обучения 0,0001.

Результаты внутренней валидации показали высокую точность: 88,3% в среднем по всем классам. Особенно хорошо модель распознавала нормальные и доброкачественные ткани. Однако при внешнем тестировании общая точность снизилась до 76,9%, что, по мнению авторов, связано с небольшим объемом выборки и отсутствием аугментации данных. Наиболее уязвимой оказалась классификация инвазивной карциномы: при высокой точности (1,00) отзыв составил лишь 0,56, что означает, что почти половина инвазивных случаев не была распознана.

Интересно, что модель показала способность к самостоятельному выявлению морфологических особенностей, несмотря на отсутствие ручной настройки. Она использовала встроенное трансферное обучение на базе предварительно обученной сети MobileNet. Однако ограниченные возможности по регуляризации, отсутствию перекрестной проверки и невозможность тонкой настройки архитектуры говорят о том, что для клинического применения этого недостаточно.

Платформа GTM при этом имеет ряд очевидных плюсов: доступность, простота использования, отсутствие необходимости в кодировании и быстрая интеграция. Это делает её привлекательной для образовательных и пилотных задач, а также для прототипирования в условиях, где доступ к ИИ-экспертам или высокопроизводительным вычислительным ресурсам ограничен.

Исследование также поднимает важные вопросы интерпретируемости моделей. Поскольку GTM не предоставляет встроенных инструментов объяснимого ИИ, таких как Grad-CAM или тепловые карты активации, пользователям остаётся лишь догадываться, какие признаки послужили основанием для принятия решения. Это снижает доверие со стороны врачей и может стать барьером на пути внедрения в клиническую практику.

Важными направлениями для дальнейших исследований остаются: увеличение объема и разнообразия тренировочных данных, внедрение продвинутых архитектур глубокого обучения, использование аугментации изображений, регуляризации, перекрестной проверки, а также интеграция объяснимых подходов. Только в этом случае можно говорить о реальной клинической ценности подобных решений.

Таким образом, Google Teachable Machine представляет собой интересную альтернативу для начальных этапов создания диагностических моделей в гистопатологии. Она может использоваться как учебный инструмент или в качестве основы для прототипирования в медицинских проектах. Однако для достижения надежности и точности, приемлемой для клинической диагностики, необходимо значительно доработать как саму модель, так и методологию её обучения.