Foundation model аналізує тканину ендометрію, щоб оцінити шанси IVF: що показав тест

Дослідники перевірили, чи може foundation model знаходити в гістологічних зображеннях ендометрію ознаки, пов’язані з народженням дитини після циклу екстракорпорального запліднення. Модель UNI2-h, яка вже мала загальні знання з цифрової патології, виявилася стабільнішою за ResNet-18, навчений безпосередньо на невеликій вибірці. Але робота має важливе обмеження: зовнішній тест перевіряв фазу циклу, а не фактичне народження.

Яку проблему намагаються розв’язати

Стан ендометрію впливає на імплантацію ембріона, однак звичайна гістологічна оцінка залежить від інтерпретації патолога. Автори хотіли з’ясувати, чи можна автоматично витягти з пофарбованих зрізів відтворювані ознаки, пов’язані з кумулятивним народженням живої дитини в межах циклу IVF.

Вони порівняли дві стратегії. Перша — ResNet-18, попередньо навчений на ImageNet і далі донавчений від початку до кінця на фрагментах гістологічних слайдів. Друга — великий UNI2-h, попередньо навчений на гістопатології. Його основну частину не змінювали: модель лише витягала ознаки, а поверх них навчали простий лінійний або багатошаровий класифікатор.

ResNet-18 добре запам’ятав внутрішню вибірку, але зламався назовні

На внутрішньому тесті, де відомим результатом було народження, whole-slide ResNet-18 отримав AUROC 0,84 і збалансовану точність близько 76%. Однак на зовнішній вибірці його AUROC впав до 0,44 — приблизно рівня випадкового сортування або гірше. Автори пояснюють це відмінностями в підготовці тканини, фарбуванні, сканерах, біології вибірок і невеликим обсягом даних.

UNI2-h із глобальним усередненням ознак і MLP-класифікатором мав скромніший внутрішній AUROC 0,74, зате у зовнішньому фазовому тесті — 0,90. Це не означає, що він передбачає народження з точністю 90%. Зовнішня група перевіряла здатність відрізнити зразки певної фази циклу від інших, тобто споріднену, але іншу задачу.

Фокус на зоні контакту з ембріоном

Команда окремо аналізувала люмінальний епітелій — поверхню, з якою взаємодіє ембріон під час імплантації. Регіони доводилося розмічати вручну, а навчальних фрагментів було приблизно у 25 разів менше, ніж у повнослайдовому підході. Попри це, моделі зберегли порівнянну здатність розрізняти групи.

Це може означати, що біологічно обґрунтований вибір ділянки іноді компенсує нестачу даних. Але теплові карти уваги не показали однієї стабільної структури, яка пояснювала б прогноз. Без такого пояснення важко відрізнити справжній тканинний сигнал від особливостей конкретної лабораторії чи сканера.

Більше параметрів не дало кращого прогнозу

Комбінація результатів двох гістологічних моделей досягла AUROC 0,80. Коли до неї додали вік, індекс маси тіла, товщину ендометрію та рівні двох гормонів, показник зменшився до 0,77. Модель лише на цих п’яти клінічних змінних мала AUROC близько 0,52 і не відрізнялася від випадкової.

Це не доводить, що клінічні дані непотрібні для IVF. Радше невелика вибірка не дозволила показати додаткову користь, а набір змінних і спосіб їх поєднання могли бути недостатніми. У машинному навчанні додавання ознак може погіршити узагальнення, якщо даних мало або сигнал слабкий.

Що це означає для пацієнтів

Наразі — нічого, що можна було б використовувати для особистого рішення. Модель не є медичним тестом, не пройшла зовнішню перевірку на результатах народження в іншій клініці й не порівнювалася як готовий інструмент із рішеннями репродуктологів. Малий розмір вибірки також робить оцінки нестабільними.

Наукове значення роботи інше: вона демонструє, що foundation model може переносити загальні гістологічні представлення в неонкологічну задачу й бути стійкішим до зміни середовища, ніж модель, навчена з нуля на одному центрі. Наступні кроки — більші багатоцентрові когорти, однаковий кінцевий результат у внутрішньому та зовнішньому тестах, автоматизована розмітка тканинних зон і перевірка того, чи справді інструмент покращує клінічні рішення.

Джерело: PLOS Digital Health, Nianbo Xu та співавтори. Текст перекладено й адаптовано українською. Стаття й використані оригінальні фігури поширюються за CC BY 4.0.