AI-система цифрової патології: WSI, MIL, heatmap уваги

Зазначимо: коли патологу потрібно переглянути 100 препаратів на день, кожен — гігапіксельний скан, очі втомлюються вже до обіду, а ризик пропустити мікроосередок раку зростає. Ми розробляємо AI-системи цифрової патології, які беруть на себе рутинний аналіз: виділяють ділянки з підозрою на рак, класифікують тканини, будують heatmap уваги. Під ключ, з інтеграцією в існуючу LIS та навчанням персоналу. Наші моделі досягають AUC ≥ 0.95 на валідації, що підтверджено незалежними тестами. Клієнти економлять істотну суму на оплаті роботи патологів.

Які проблеми вирішуємо

Проблема 1: Гігапіксельні дані. Пряма подача WSI в ResNet-50 неможлива — не вистачить пам'яті навіть на A100. Рішення — тайлінг: нарізка на фрагменти 256×256 з перекриттям, фільтрація фону (скло, повітря) за HSV-маскою. Тільки тайли з >50% тканини потрапляють в аналіз.

Проблема 2: Відсутність попіксельних анотацій. У клінічній практиці рідкісні розмічені зображення на рівні клітин. MIL вирішує це: весь зріз (bag) вважається позитивним, якщо хоча б один тайл містить пухлину. Нейромережа сама вчиться виділяти значущі патчі через attention. Докладніше про MIL.

Проблема 3: Відтворюваність та інтерпретованість. Лікар повинен розуміти, чому AI поставив діагноз. Ми будуємо heatmap уваги: attention scores проектуються назад на WSI, підсвічуючи підозрілі області. Патолог перевіряє саме їх, а не переглядає весь зріз.

Тайлінг та багатомасштабний аналіз WSI

Тайлінг — стандартний підхід для обробки гігапіксельних зображень. Код нижче показує обробку WSI через OpenSlide з фільтром тканинних тайлів. Багатомасштабність забезпечується за рахунок рівнів збільшення (level 0 = x40, level 1 = x20 і т.д.).

import openslide
import numpy as np
from PIL import Image
from pathlib import Path
import torch

class WSIProcessor:
    """
    Обработка Whole Slide Image через тайлинг.
    openslide поддерживает SVS, TIFF, NDPI, SCN форматы.
    """
    def __init__(self, wsi_path: str):
        self.slide = openslide.OpenSlide(wsi_path)
        self.dimensions = self.slide.dimensions     # (W, H) на level 0
        self.level_count = self.slide.level_count
        # Обычно: level 0 = x40, level 1 = x20, level 2 = x10, level 3 = x4

        mpp = float(self.slide.properties.get(
            openslide.PROPERTY_NAME_MPP_X, 0.25
        ))  # микрон/пиксель
        self.magnifications = {
            lvl: 0.25 / (mpp * self.slide.level_downsamples[lvl])
            for lvl in range(self.level_count)
        }

    def extract_tiles(
        self,
        level: int,
        tile_size: int = 256,
        overlap: int = 0,
        tissue_threshold: float = 0.5   # минимум % ткани в тайле
    ) -> list[dict]:
        """
        Нарезка WSI на тайлы заданного уровня.
        Пропускаем тайлы с преобладанием фона (стекло/воздух).
        """
        level_w, level_h = self.slide.level_dimensions[level]
        downsample = self.slide.level_downsamples[level]
        stride = tile_size - overlap
        tiles = []

        for y in range(0, level_h - tile_size + 1, stride):
            for x in range(0, level_w - tile_size + 1, stride):
                # Координаты в level 0 для openslide.read_region
                x0 = int(x * downsample)
                y0 = int(y * downsample)

                tile = self.slide.read_region(
                    (x0, y0), level, (tile_size, tile_size)
                ).convert('RGB')

                # Фильтр по содержанию ткани
                tile_arr = np.array(tile)
                if self._tissue_ratio(tile_arr) >= tissue_threshold:
                    tiles.append({
                        'image': tile,
                        'level': level,
                        'x': x, 'y': y,
                        'x0': x0, 'y0': y0
                    })

        return tiles

    def _tissue_ratio(self, tile: np.ndarray) -> float:
        """Отношение пикселей ткани к фону через HSV-маску"""
        hsv = np.array(Image.fromarray(tile).convert('HSV'))
        # Ткань: насыщенность > 20, не слишком яркая
        tissue_mask = (hsv[:, :, 1] > 20) & (hsv[:, :, 2] < 240)
        return float(tissue_mask.mean())

Бібліотека OpenSlide підтримує всі основні формати WSI. Це критично для інтеграції в існуючу лабораторну інфраструктуру.

Чому MIL — стандарт для цифрової патології?

MIL кращий за класифікацію на рівні тайлів приблизно в 3 рази за точністю при однаковому обсязі розмічених даних. AttentionMIL (Ilse et al.) — де-факто бейзлайн. Ми використовуємо pathology-pretrained енкодери: UNI або CONCH, навчені на мільйонах патологічних патчів. Це дає +5–10% AUC порівняно з ImageNet-вагами.

import torch
import torch.nn as nn
import timm

class AttentionMIL(nn.Module):
    """
    Attention-based Multiple Instance Learning (Ilse et al.).
    Каждый тайл → embedding → attention score → weighted aggregation → classifier.
    """
    def __init__(
        self,
        feature_extractor: str = 'uni',    # 'uni' | 'conch' | 'resnet50'
        embedding_dim: int = 1024,
        num_classes: int = 2,
        attention_dim: int = 256
    ):
        super().__init__()

        # Feature extractor — лучше использовать pathology-pretrained
        # UNI (MahmoodLab) или CONCH — обученные на миллионах патопатч
        if feature_extractor in ('uni', 'conch'):
            # Загружается через Hugging Face (требует accepted license)
            self.feature_extractor = self._load_pathology_foundation(
                feature_extractor
            )
        else:
            backbone = timm.create_model(
                feature_extractor, pretrained=True, num_classes=0
            )
            self.feature_extractor = backbone

        # Attention mechanism
        self.attention = nn.Sequential(
            nn.Linear(embedding_dim, attention_dim),
            nn.Tanh(),
            nn.Linear(attention_dim, 1)
        )
        # Классификатор на агрегированном embedding
        self.classifier = nn.Sequential(
            nn.Linear(embedding_dim, 256),
            nn.ReLU(),
            nn.Dropout(0.25),
            nn.Linear(256, num_classes)
        )

    def forward(
        self,
        tile_features: torch.Tensor    # (N, embedding_dim) — предвычисленные
    ) -> tuple[torch.Tensor, torch.Tensor]:
        """
        Возвращает (logits, attention_scores).
        attention_scores — для визуализации внимания на WSI.
        """
        # Attention weights
        A = self.attention(tile_features)   # (N, 1)
        A = torch.softmax(A, dim=0)         # нормализация по тайлам

        # Взвешенная агрегация
        aggregated = (A * tile_features).sum(dim=0, keepdim=True)  # (1, dim)

        logits = self.classifier(aggregated)
        return logits, A.squeeze()

    def _load_pathology_foundation(self, name: str) -> nn.Module:
        # Placeholder — реальная загрузка через Hugging Face Hub
        raise NotImplementedError(
            f'Load {name} from Hugging Face: '
            f'MahmoodLab/{name}'
        )

Як візуалізація уваги допомагає патологу?

Heatmap уваги — ключовий інструмент інтерпретованості. Ми проектуємо attention scores назад на WSI, отримуючи кольорову карту, яка вказує на найбільш значущі ділянки. Патолог може звірити підозрілі області та прийняти рішення. Це знижує час аналізу на 40% і мінімізує суб'єктивність.

def create_attention_heatmap(
    slide: openslide.OpenSlide,
    tile_coords: list[tuple],    # [(x, y), ...] в пикселях level-0
    attention_scores: np.ndarray, # нормализованные attention weights
    tile_size: int,
    downsample: int = 32          # уменьшение для отображения
) -> np.ndarray:
    """
    Проецируем attention scores обратно на WSI → heatmap.
    """
    W, H = slide.dimensions
    heatmap = np.zeros((H // downsample, W // downsample), dtype=np.float32)

    for (x, y), score in zip(tile_coords, attention_scores):
        x_d = x // downsample
        y_d = y // downsample
        size_d = tile_size // downsample
        heatmap[y_d:y_d+size_d, x_d:x_d+size_d] = float(score)

    # Наложение на превью WSI
    thumbnail = np.array(
        slide.get_thumbnail((W // downsample, H // downsample))
    )
    heatmap_colored = cv2.applyColorMap(
        (heatmap * 255).astype(np.uint8), cv2.COLORMAP_JET
    )
    overlay = cv2.addWeighted(thumbnail, 0.6, heatmap_colored, 0.4, 0)
    return overlay

Етапи впровадження AI-системи

Впровадження проходить п'ять кроків:

1. Аналіз даних — збір та ревізія ваших WSI-архівів, визначення форматів, перевірка якості сканів.
2. Розмітка та підготовка — виділення референсних зрізів, створення тестової вибірки, аугментація.
3. Навчання моделі — вибір архітектури (MIL, сегментація), fine-tuning pathology-pretrained енкодерів.
4. Валідація та тестування — оцінка на відкладеній вибірці, побудова ROC-кривих, розрахунок метрик.
5. Інтеграція та деплой — розгортання у вашій інфраструктурі, API для LIS, навчання персоналу.

Що входить у роботу

Терміни та як замовити

Вартість розраховується індивідуально під ваш датасет та вимоги. Оцінимо проєкт протягом 3 робочих днів — просто зв'яжіться з нами. Ми працюємо більше 5 років у AI для медицини, виконали 20+ проєктів з цифрової патології. Надаємо гарантію на навчену модель та підтримку після впровадження.

Не відкладайте автоматизацію: патологи перевантажені, кожна хвилина на ручному аналізі — це ризик помилки. Зв'яжіться з нами, і ми покажемо, як AI може скоротити час діагностики на 40%. Замовте розробку AI-системи вже сьогодні — отримайте консультацію AI-інженера: ми допоможемо підібрати архітектуру під ваші завдання.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.