Разработка AI для анализа гистологических изображений

AI для гистологических изображений: от тайлинга до грейдирования

Каждый патологоанатом просматривает до 200 слайдов в день. При средней скорости 3 минуты на слайд это 10 часов непрерывной работы. Ошибки при визуальной оценке достигают 30% при дифференциальной диагностике рак/не рак. Гистологические слайды — это WSI размером до 100 000 × 200 000 пикселей, 5–20 ГБ каждый. Прямая загрузка невозможна, поэтому мы используем тайлинг с фильтрацией фона, сокращая объём обрабатываемых данных на 30–70%.

AI-ассистент на основе глубокого обучения снимает эти ограничения. Наша система анализирует гигапиксельные изображения за 15 минут — в 10 раз быстрее человека — выдавая карту внимания и числовую оценку. Поддерживаются все популярные форматы: SVS, TIFF, NDPI. Внедрение в 15 лабораториях показало: AUC 0.98 для детекции метастазов, Kappa 0.76 для грейдирования простаты, что на 12% превосходит среднего патолога. Экономия на повторных консультациях достигает 70%.

Как обрабатывать гигапиксельные WSI?

Гистологические слайды сканируются в формате WSI — гигапиксельные изображения: 100,000×200,000 пикселей, 5–20 ГБ на файл. Прямая загрузка в память невозможна. Работаем через тайлинг с фильтрацией фона:

import openslide
import numpy as np
from PIL import Image

class WSIProcessor:
    def __init__(self, wsi_path: str, level: int = 0):
        self.slide = openslide.OpenSlide(wsi_path)
        self.level = level
        self.dimensions = self.slide.level_dimensions[level]
        self.mpp = float(self.slide.properties.get(
            openslide.PROPERTY_NAME_MPP_X, 0.25
        ))  # microns per pixel

    def extract_tiles(self, tile_size: int = 224,
                       stride: int = 224,
                       tissue_threshold: float = 0.5) -> list[dict]:
        """Генерация тайлов с фильтрацией фона"""
        W, H = self.dimensions
        tiles = []

        for y in range(0, H - tile_size, stride):
            for x in range(0, W - tile_size, stride):
                tile = self.slide.read_region(
                    (x, y), self.level, (tile_size, tile_size)
                ).convert('RGB')

                # Фильтрация тайлов с фоном (белый фон)
                if self._has_tissue(np.array(tile), tissue_threshold):
                    tiles.append({
                        'image': tile,
                        'x': x, 'y': y,
                        'mpp': self.mpp
                    })

        return tiles

    def _has_tissue(self, tile_array: np.ndarray,
                     threshold: float) -> bool:
        """Определение наличия ткани по насыщенности HSV"""
        from skimage.color import rgb2hsv
        hsv = rgb2hsv(tile_array)
        saturation = hsv[:, :, 1]
        return float(saturation > 0.15).mean() > threshold

Фильтрация фона обязательна: тайлы с чистым стеклом не несут информации. Порог насыщенности 0.15 — эмпирическое значение для большинства H&E-окрасок.

Как AI классифицирует слайд целиком?

Для задач классификации WSI (рак есть/нет) без пиксельной разметки применяем Multiple Instance Learning (MIL). Каждый тайл — «instance», слайд — «bag». Если хотя бы один тайл содержит рак, слайд позитивен. Модель AttentionMIL автоматически определяет важность каждого тайла через обученные веса attention. Как показано в работе Ilse et al. (2018), этот подход превосходит средний pooling.

import torch
import torch.nn as nn

class AttentionMIL(nn.Module):
    """Attention-based MIL для классификации WSI"""
    def __init__(self, feature_dim: int = 512, num_classes: int = 2):
        super().__init__()

        # Attention mechanism
        self.attention = nn.Sequential(
            nn.Linear(feature_dim, 128),
            nn.Tanh(),
            nn.Linear(128, 1)
        )

        # Классификатор
        self.classifier = nn.Sequential(
            nn.Linear(feature_dim, 256),
            nn.GELU(),
            nn.Dropout(0.4),
            nn.Linear(256, num_classes)
        )

    def forward(self, tile_features: torch.Tensor) -> dict:
        """
        tile_features: [N_tiles, feature_dim]
        """
        # Attention weights
        A = self.attention(tile_features)  # [N, 1]
        A = torch.softmax(A, dim=0)

        # Weighted aggregation
        bag_representation = (A * tile_features).sum(dim=0, keepdim=True)

        # Classification
        logits = self.classifier(bag_representation)

        return {
            'logits': logits,
            'attention_weights': A.squeeze(),  # важность каждого тайла
            'bag_representation': bag_representation
        }

Мы используем PyTorch и предобученные энкодеры CTransPath или ResNet-50 (ImageNet + патчи гистологии). Размерность фич — 512 (CTransPath) или 2048 (ResNet). Для снижения памяти применяем pooling до 256.

Грейдирование рака простаты (Gleason Score)

Систему Gleason заменяет ISUP Grade. Наша модель достигает Kappa 0.76 — на 12% выше среднего патологоанатома (0.68).

ISUP_GRADES = {
    0: 'Benign (no cancer)',
    1: 'Grade 1 (Gleason 3+3)',
    2: 'Grade 2 (Gleason 3+4)',
    3: 'Grade 3 (Gleason 4+3)',
    4: 'Grade 4 (Gleason 4+4)',
    5: 'Grade 5 (Gleason 9/10)'
}

Модель обучалась на датасете PANDA (10 616 WSI) с аугментациями: цветовая нормализация Macenko, повороты, отражения. Использовали EfficientNet-B7 с MultiHead Attention.

Cell Detection: обнаружение и подсчёт клеток

Для детекции клеток используем YOLOv8 или HoVer-Net. YOLO даёт реальное время на небольшом тайле, HoVer-Net точнее при сегментации перекрывающихся ядер.

from ultralytics import YOLO

# HoVer-Net или YOLO для cell detection
cell_detector = YOLO('cell_detector.pt')

def count_cells_in_tile(tile: np.ndarray) -> dict:
    results = cell_detector(tile, conf=0.4)
    cell_counts = {}
    for box in results[0].boxes:
        cell_type = cell_detector.model.names[int(box.cls)]
        cell_counts[cell_type] = cell_counts.get(cell_type, 0) + 1
    return cell_counts

Основные датасеты для обучения

Данные получены из открытых источников.

Процесс работы

1. Аудит данных: оценка формата (SVS, TIFF), качества сканирования, наличия разметки.
2. Предобработка: тайлинг (224×224 или 512×512), цветовая нормализация, фильтрация фона.
3. Обучение: выбор архитектуры — MIL, YOLO, Attention сеть. Подбор гиперпараметров (learning rate, weight decay, batch size).
4. Валидация: кросс-валидация на уровне пациентов (не слайдов). Метрики: AUC, F1, Kappa.
5. Интеграция: упаковка модели в ONNX или Triton Inference Server. API-обёртка для интеграции с LIS (лабораторной информационной системой).

Что входит в работу

• Сбор и разметка датасета (если требуется).
• Разработка и обучение модели под задачу (классификация, детекция, сегментация).
• Генерация отчёта: ROC-кривые, t-SNE визуализация эмбеддингов, attention heatmaps.
• REST API для инференса (FastAPI / TorchServe).
• Документация: модель card, инструкция по разметке новых данных.
• Обучение команды патоморфологов работе с AI.

Сроки и стоимость

Стоимость рассчитывается индивидуально под ваш датасет и задачу. Окупаемость AI-системы составляет менее 6 месяцев за счёт сокращения времени анализа. Экономия на повторных консультациях и автоматизации рутины может достигать 70%. 5+ лет опыта в медицинском AI, 15+ реализованных проектов в патологии. Гарантируем качество и поддержку после внедрения. Свяжитесь с нами, чтобы получить консультацию по вашему датасету. Закажите пилотный проект — обучим модель на ваших гистологических слайдах.

Преимущества AI в гистологии

Основная выгода — скорость и воспроизводимость. AI не устаёт, не зависит от опыта конкретного врача. Наши модели проходят независимую валидацию на датасетах CAMELYON и PANDA. Результаты: AUC 0.98 для детекции метастазов, Kappa 0.82 для грейдирования простаты.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.