Штучний інтелект навчився оцінювати «агресивність» плоскоклітинного раку шкіри, як і дерматологи

Команда дерматологів та експертів з машинного навчання розробила простий алгоритм комп'ютерного зору, який використовує клінічні фотографії пухлин для прогнозування ступеня (або «агресивності») плоскоклітинного раку шкіри. Команда навчила модель на наборі даних підтверджених випадків, а потім порівняла її ефективність з результатами досвідчених дерматологів. Результатом є точність експертного рівня за трирівневою шкалою агресивності, що відкриває шлях для точнішого хірургічного планування без необхідності додаткових інвазивних процедур.

Ключові показники

• Дослідження: 1829 клінічних фотографій крупним планом підтвердженого плоскоклітинного раку шкіри.
• Тестування: 300 зображень; порівняно з оцінками 7 незалежних дерматологів.

Що це означає для практики?

• Передопераційна стратифікація ризику (рішення щодо часу та обсягу видалення) може стати більш об'єктивною, навіть якщо передопераційна біопсія не виконується рутинно.
• Згода між окремими лікарями була лише «помірною» – а ШІ показав точність, порівнянну з колективною експертною оцінкою, що зменшує мінливість рішень.

Передумови дослідження

Плоскоклітинний рак шкіри (пПКШ) є одним із найпоширеніших видів раку людини; у значної частини пацієнтів перебіг сприятливий, але у деяких пацієнтів пухлина демонструє інвазивний ріст, метастазування та рецидиви. Ключовим клінічним завданням є якомога раннє розрізнення випадків низького ризику від потенційно агресивних, щоб своєчасно розширити обсяг лікування, включити візуалізацію та скоротити затримку в терапії. Поточні рекомендації все частіше враховують стратифікацію ризику під час планування тактики, але досі немає єдиних «простих» маркерів, які були б однаково надійними за всіх умов.

Однією з найважливіших прогностичних ознак є гістологічний ступінь диференціації пухлини (добра/помірна/погана). Менш диференційовані плоскоклітинні карциноми пухлини (ПКР) частіше асоціюються з несприятливими результатами, включаючи регіональні та віддалені метастази. Однак ця ознака зазвичай доступна лише після біопсії або після видалення, що створює «сліпу пляму» на передопераційному етапі – саме тоді, коли приймаються рішення про терміновість втручання та ширину полів резекції. В останні роки з'явилися дослідження, які показують, що інтеграція цифрових методів та штучного інтелекту в оцінку гістопатології може покращити точність стратифікації ризику та відтворюваність висновків.

У реальній практиці попередня біопсія плоскоклітинного раку перед видаленням проводиться не завжди, а суб'єктивна клінічна оцінка агресивності на основі візуальних ознак піддається міжекспертній варіабельності. Це збільшує ймовірність недооцінки ризику та затримки оптимального лікування. На цьому тлі зростає інтерес до неінвазивних інструментів, які могли б приблизно передбачити «агресивність» пухлини на основі клінічних фотографій ще до гістології – як додатковий сигнал для хірургів та дерматоонкологів на етапі планування.

В останні роки штучний інтелект у дерматології швидко просунувся від дермоскопії до аналізу звичайних клінічних фотографій, паралельно розробляючи великі відкриті набори даних та систематичні огляди для перевірки порівнянності алгоритмів з лікарями у розпізнаванні низки уражень шкіри. Однак перенесення цих підходів на «передопераційну» стратифікацію плоскоклітинного раку шкіри лише починається: необхідні надійні моделі, стійкі до відмінностей у пристроях візуалізації, фототипах шкіри та умовах освітлення, а також проспективні дослідження, що демонструють вплив на реальні клінічні результати.

На цьому тлі поточна робота в JAAD International пропонує практичну ідею: використовувати комп'ютерний зір для приблизної оцінки ступеня плоскоклітинного раку легень (ХПКР) за клінічними фотографіями та порівняти точність цієї оцінки з думкою дерматологів. Якщо підхід виявиться надійним у багатоцентрових даних, він може стати простим, неінвазивним доповненням до передопераційного планування, особливо в умовах, коли передопераційна біопсія не проводиться регулярно.

Як працює алгоритм і які функції важливі

Модель являє собою класичний конвеєр машинного зору, навчений розрізняти три рівні диференціації пухлини на основі клінічних зображень. Автори окремо проаналізували, які візуальні характеристики пов'язані з більш агресивним ростом, і визначили два фактори ризику, які більш ніж удвічі збільшують ймовірність «високої» або «середньо-високої» агресивності.

Важливі візуальні маркери

• Виразкова поверхня.
• Плоский рельєф вогнища.

Технічні деталі підходу

• Дані: клінічні фотографії пацієнтів дерматологічного відділення університетської клініки (2015-2023).
• Три класи диференціації для навчання/валідації; пряме порівняння з дерматологами-людьми на тих самих зображеннях.

Навіщо це потрібно пацієнтам і хірургам?

У реальній клініці хірургічне втручання при підозрі на плоскоклітинний рак часто проводиться без попередньої біопсії: весь матеріал після видалення відправляється на гістологічне дослідження. Це створює невизначеність: якщо недооцінити агресивність, можуть бути вибрані занадто вузькі поля резекції, і втручання може бути заплановано пізніше, ніж необхідно. Алгоритм забезпечує додатковий сигнал ризику «неінвазивного» типу вже на етапі планування, допомагаючи швидше планувати операції та вибирати ширші поля там, де це виправдано.

Кому це буде особливо корисно?

• Для хірургів та дерматоонкологів, які планують обсяг та терміновість видалення.
• Для клінік без рутинної передопераційної біопсії, де клінічна оцінка є основним орієнтиром.

Що потрібно для впровадження

• Стандартизована клінічна візуалізація та інтеграція алгоритмів у робочий процес перед плануванням операції для пацієнта.
• Валідація додаткових багатоцентрових наборів даних та локальне калібрування для конкретної популяції закладу.

Сильні сторони та обмеження

Дослідження спирається на живі клінічні зображення та пряме порівняння з практикуючими дерматологами, що підвищує зовнішню застосовність результатів. Водночас автори наголошують на необхідності подальшого вдосконалення та тестування моделі в різних центрах, на різних приладах візуалізації та у пацієнтів з різними фототипами шкіри – перш ніж рекомендувати широке використання.

Що вам сподобалося в дизайні?

• Репрезентативні клінічні дані, взяті з реального потоку пацієнтів.
• Порівняння із сімома експертами, а не із «середньою» відповіддю одного лікаря.

Що зараз стримує впровадження?

• Умови одного закладу та потенційні упередження (умови освітлення, камери, місцеві характеристики пацієнтів).
• Необхідні проспективні дослідження впливу алгоритму на реальні результати (повторні операції, рівень рецидивів, затримки лікування).

Контекст: Місце роботи в загальному ландшафті штучного інтелекту в дерматології

Ця робота вписується в швидкозростаючу галузь неінвазивної стратифікації ризику немеланомного раку шкіри. Поряд із цифровою дерматоскопією та гістопатологією на слайдах, клінічна фотографія залишається найдоступнішим сигналом – і саме тут прості, інтерпретовані моделі можуть найшвидше підвищити точність медичних рішень. Незалежні звіти університетських та галузевих ЗМІ підкреслюють, що метою є не «заміна лікаря», а стабілізація якості передопераційної оцінки там, де помітні розбіжності між експертами.

Практичні висновки на сьогодні

• Алгоритм вже демонструє експертний рівень у трирівневій оцінці агресивності на основі фотографій.
• Відповідними пілотними методами є передопераційні консультації та сортування хірургічного втручання у пацієнтів з підозрою на плоскоклітинний рак шкіри.

Що перевірити далі

• Багатоцентрові проспективні дослідження з клінічними кінцевими точками.
• Поєднання клінічної фотографії з дерматоскопією/гістологією для гібридних моделей ризику.

Джерело: JAAD International - Оцінка диференціації плоскоклітинного раку шкіри: підхід машинного навчання. DOI: 10.1016/j.jdin.2025.07.004.