Клинико-морфологическая значимость индекса Ki-67 при медуллярной карциноме щитовидной железы с применением цифрового анализа изображений

Бондаренко Е.В. Балясин М.В. Першина-Милютина А.П. Магомедов Х.Х. Дзампаева К.Ш. Калинин Д.В.

Журнал: Саратовский научно-медицинский журнал @ssmj

Рубрика: Патологическая анатомия

Статья в выпуске: 3 т.22, 2026 года.

Бесплатный доступ

Цель: оценить клинико-морфологическую значимость индекса Ki-67 при медуллярной карциноме щитовидной железы (МКЩЖ) с использованием автоматизированного цифрового анализа иммуногистохимических изображений. Материал и методы. Проведено ретроспективное одноцентровое исследование 102 пациентов с гистологически подтвержденной МКЩЖ (2020–2024 гг.). Ki-67 определяли автоматизированно с помощью конвейера инстанс-сегментации ядер (Cellpose-SAM, InstanSeg) с постобработкой в QuPath. Пациентов стратифицировали на группы Ki-67<5% и Ki-67≥5%; показатели сравнивали критериями Манна — Уитни и Фишера с поправкой Бонферрони. Результаты. Из 102 пациентов 12 (11,8%) имели Ki-67≥5%. В этой группе чаще выявлялись мужской пол (58,3% против 23,3%; p=0,017), более высокий индекс массы тела (p=0,005), а также лимфатическая (66,7% против 21,3%; p=0,002), сосудистая (58,3% против 15,9%; p=0,003) и периневральная (25,0% против 2,3%; p=0,012) инвазии. После поправки Бонферрони значимыми оставались лимфатическая и сосудистая инвазии. Модель InstanSeg достигла F1-score 0,774. Заключение. Повышение Ki-67≥5% при МКЩЖ ассоциировано с агрессивным инвазивным фенотипом. Цифровой анализ обеспечивает воспроизводимую оценку Ki-67 и перспективен для стандартизации диагностики.

медуллярная карцинома щитовидной железы \ Ki-67 \ цифровая патология \ глубокое обучение \ нейроэндокринная опухоль \ иммуногистохимия

Короткий адрес: https://sciup.org/149152411

IDS: 149152411   |   УДК: 616.441-006.6   |   DOI: 10.15275/ssmj2203427

Clinicopathological significance of the Ki-67 index in medullary thyroid carcinoma assessed by automated digital image analysis

Objective: to evaluate the clinical and morphological significance of the Ki-67 index in medullary thyroid carcinoma (MTC) using automated digital analysis of immunohistochemical images. Materials and methods. A retrospective single-centre study included 102 patients with histologically confirmed MTC (2020–2024). Ki-67 was determined automatically using a nuclei instance-segmentation pipeline (Cellpose-SAM, InstanSeg) with post-processing in QuPath. Patients were stratified into Ki-67<5% and Ki-67≥5% groups; variables were compared using the Mann — Whitney U test and the Fisher exact test with Bonferroni correction. Results. Of 102 patients, 12 (11.8%) had Ki-67≥5%. This group more frequently showed male sex (58.3% vs 23.3%; p=0.017), higher body mass index (p=0.005), and lymphatic (66.7% vs 21.3%; p=0.002), vascular (58.3% vs 15.9%; p=0.003) and perineural (25.0% vs 2.3%; p=0.012) invasion. After Bonferroni correction, lymphatic and vascular invasion remained significant. The InstanSeg model reached an F1-score of 0.774. Conclusion. A Ki-67 index≥5% in MTC is associated with an aggressive invasive phenotype. Digital image analysis provides reproducible Ki-67 assessment and is promising for standardising diagnosis.

Текст научной статьи Клинико-морфологическая значимость индекса Ki-67 при медуллярной карциноме щитовидной железы с применением цифрового анализа изображений

EDN: ZWPSGR                                                                           Original article

Введение. Медуллярная карцинома (МКЩЖ) щитовидной железы (ЩЖ) представляет собой нейроэндокринную опухоль, происходящую из парафолликулярных С-клеток ЩЖ и характеризующуюся выраженной клинико-морфологической гетерогенностью; на ее долю приходится от 1 до 5% всех злокачественных новообразований ЩЖ [1, 2]. Несмотря на относительно низкую распространенность, МКЩЖ отличается вариабельным клиническим течением — от индолентных форм до агрессивных вариантов с ранним лимфо- и гематогенным метастазированием [3]. В настоящее время основным методом лечения остается хирургический, однако прогноз заболевания существенно различается даже среди пациентов со сходными стадиями TNM (tumor, nodus, metastasis), что указывает на необходимость поиска дополнительных морфологических и молекулярных маркеров стратификации риска [4].

В последние годы значительное внимание уделяется оценке пролиферативной активности опухоли. Рекомендованным маркером ее оценки является Ki-67 – ядерный белок, экспрессируемый в фазах активного клеточного цикла [5]. Согласно Международной системе градации медуллярной карциномы щитовидной железы (International Medullary Thyroid Carcinoma Grading System — IMTCGS), индекс Ki-67≥5%, наличие опухолевого некроза и митотический индекс ≥5 митозов на 2 мм2 рассматриваются как критерии высокозлокачественной (high-grade) МКЩЖ, причем для установления этой степени достаточно хотя бы одного из них [6]. В основополагающей работе B. Xu и соавт. в изучаемой когорте была выявлена доля high-grade МКЩЖ (примерно 24,8%) и ее корреляция со сниженной общей выживаемостью, болезнь-специ-фической выживаемостью, выживаемостью без отдаленных метастазов и без локорегионарных рецидивов [6]. Сходные результаты получены при независимой переоценке другими авторами [7, 8], что подтвердило прогностическую состоятельность предложенной системы. При этом во всех исследованиях наиболее часто встречающимся параметром стадирования являлся показатель Ki-67, однако ни в одном из них не проводилась изолированная оценка этого параметра как предиктора неблагоприятного течения.

Показано, что повышение индекса Ki-67 ассоциировано со снижением общей и безрецидивной выживаемости, развитием отдаленных метастазов и более агрессивным течением заболевания [6, 7]. Вместе с тем оценка Ki-67 при МКЩЖ остается методологически неоднородной. Использование различных подходов к подсчету, вариабельность иммуногистохимических (ИГХ) протоколов и интерпретации существенно ограничивают воспроизводимость результатов и их сопоставимость между исследованиями. Несмотря на то что межнаблюдательная согласованность оценки Ki-67 в рамках IMTCGS оказалась высокой [9], наибольшие расхождения закономерно возникают вблизи порогового значения 5%.

В исследовании S. Nadeem и соавт. оценивались и сравнивались различные методы подсчета Ki-67

  • [10] . Принимая во внимание неоднозначность показателей при разных техниках и длительность «ручного» подсчета даже опытными специалистами, авторы стремились найти более быструю и не менее точную альтернативу, в том числе с помощью машинных ассистентов (DeepLIIF, Leica Aperio Nuclear). Все вспомогательные методы имели практически идеальную корреляцию с «ручным» подсчетом, однако трудности возникали в случаях с Ki-67 в диапазоне от 3 до 7%; в спорных ситуациях «ручной» подсчет остается обязательным [10]. Помимо этого, авторами обнаружено, что более высокий индекс сопряжен с худшим прогнозом вне зависимости от метода анализа, тогда как корреляции уровня пролиферации Ki-67 с соматическими или герминальными мутациями RET (REarranged during Transfection) и RAS (Retrovirus Associated DNA Sequences ) не отмечено [10].

В связи с этим особый интерес представляет применение методов цифровой патологии и автоматизированного анализа изображений. Использование алгоритмов инстанс-сегментации и моделей глубокого обучения потенциально позволяет повысить объективность и стандартизировать количественную оценку Ki-67 при МКЩЖ [11]. Однако число исследований, посвященных автоматизированному анализу индекса Ki-67 именно при данной опухоли, остается ограниченным.

Растущая популярность использования машинного обучения в диагностике и ведéнии пациентов связана со значительным облегчением рутинных задач в практике современного врача. Так, в работе A. Dy и соавт. был применен инструмент для оценки пролиферативной активности Ki-67 при раке молочной железы: одни и те же специалисты анализировали случаи с помощью встроенного ассистента и без него, и точность определения индекса Ki-67 оказалась значимо выше при использовании машинных ассистентов [12]. Хотя данный подход невозможно напрямую перенести на МКЩЖ, он указывает на целесообразность новых работ по автоматизации вычисления Ki-67. Открытая программная платформа для количественного анализа цифровых изображений QuPath не является нейронной сетью, тем не менее в нее могут быть интегрированы различные модели глубокого обучения. Преимущества такого подхода перед рядом альтернативными решениями подтверждены независимыми исследованиями. При сопоставлении нескольких платформ цифрового анализа изображений, включая QuPath, показана высокая межплатформенная и межоператорская воспроизводимость количественной оценки Ki-67 (коэффициент внутриклассовой корреляции до 0,97) [13]. В отдельной работе, посвященной именно нейроэндокринным опухолям, предложены и клинически валидированы оптимальные настройки автоматизированного подсчета Ki-67 средствами QuPath, что подтверждает применимость данной платформы для опухолей рассматриваемого гистогенеза [14]. Кроме того, систематический обзор и метаанализ, посвященный нейроэндокринным неоплазиям, продемонстрировал, что цифровые методы подсчета Ki-67 в целом обеспечивают более высокую стандартизацию и воспроизводимость по сравнению с ручным подсчетом [15]. Совокупность этих данных наряду с открытым исходным кодом, широким распространением в патоморфологическом сообществе и возможностью гибкой интеграции сторонних TorchScript-моделей сегментации (в том числе InstanSeg) обосновывает выбор QuPath в качестве программной среды постобработки в настоящем исследовании.

Следует подчеркнуть, что ни один метод машинного подсчета не может заменить оценку врачом-специалистом и рассматривается только как помощник, повышающий точность и ускоряющий проводимый анализ [12].

Цель — оценить клинико-морфологическую значимость индекса Ki-67 при МКЩЖ с использованием автоматизированного цифрового анализа ИГХ-изображений.

Материал и методы. Дизайн исследования. Проведено ретроспективное одноцентровое клиникоморфологическое исследование пациентов с МКЩЖ с последующим цифровым анализом ИГХ-экспрессии Ki-67. Группы формировались по уровню пролиферативной активности опухоли (Ki-67<5% и Ki-67≥5%).

Место и время проведения исследования. Исследование выполнено на базе ФГБУ «Национальный медицинский исследовательский центр эндокринологии им. академика И.И. Дедова» Минздрава России (далее — ФГБУ «НМИЦ эндокринологии им. акад. И.И. Дедова» Минздрава России). Период включения пациентов: с 2020 по 2024 г.

Изучаемая популяция и критерии отбора. Изучалась одна популяция — пациенты с гистологически подтвержденной МКЩЖ. Выборка формировалась путем сплошного включения наблюдений, удовлетворявших критериям отбора.

Критерии включения:

гистологически подтвержденная МКЩЖ;

наличие архивного операционного материала;

доступные клинические и морфологические данные;

возможность проведения ИГХ-исследования Ki-67 и последующего цифрового анализа изображений.

Критерии исключения:

недостаточное качество гистологических препаратов;

выраженные артефакты окрашивания;

отсутствие достаточного объема опухолевой ткани для анализа.

Методы. Иммуногистохимическое исследование. ИГХ-исследование проводили на автоматизированном иммуногистостейнере Leica Bond III (Leica Biosystems Melbourne Pty Ltd., Австралия) по стандартным протоколам, рекомендованным производителем. Для ИГХ-анализа использовали моноклональные антитела к Ki-67 (клон MIB-1, разведение 1:150; Dako, Дания). Все результаты первично были оценены с помощью микроскопа Leica DM4000 (Leica Microsystems, Германия) в ручном режиме. Подсчет индекса пролиферативной активности по Ki-67 проводили в «горячих» точках. Далее цифровые изображения выбранных областей препаратов получали с помощью камеры Leica DFC490 при увеличениях 200 и 400; для препаратов при увеличении 200 размер изображения составлял 3264×2448 пикселей.

Программно-аппаратная платформа цифрового анализа. Эксперименты проводились на рабочей станции под управлением ОС Windows (Intel Core i7/ i9 13-го или 14-го поколения, ~4,45–5,25 ГГц). Среда разработки — Anaconda (conda), язык Python. Основные библиотеки: Cellpose-SAM (подготовка масок) [16], InstanSeg (финальная инстанс-сегментация) [17] и QuPath (постобработка и измерения, скрипты на Groovy/Java) [18].

Формирование датасета. Использовались цифровые препараты срезов, окрашенных антителами к Ki-67, сканированные при увеличении 200. Датасет составил 73 изображения при увеличении 200. Из каждого изображения извлекались патчи размером 512×512 пикселей; итоговый обучающий набор содержал 2555 пар «изображение — маска». Для разрешения при увеличении 400 отдельная модель не обучалась: применялась модель при увеличении 200 с даунсемплингом в среде QuPath, что обеспечивало приемлемое качество сегментации. Размер патча 512×512 пикселей выбран как компромисс между объемом контекстной информации и стабильностью обучения; значение пиксельного размера задано равным 0,25 мкм/px, что соответствует оптической калибровке сканера при увеличении 200.

Итеративная разметка масок (Cellpose-SAM). Разметку масок ядер проводили в несколько итераций для максимального охвата вариабельности препаратов: (1) инициализация — запуск Cellpose-SAM на исходных изображениях для получения первичных масок ядер; (2) обучение базовой модели — на 73 центрально кадрированных патчах 256×256 пикселей обучена первая модель Cellpose (100 эпох); (3) применение и коррекция — модель применялась ко всем изображениям целиком, артефакты сегментации устранялись вручную; (4) итеративное переобучение — на полных изображениях проводилось обновление масок и повторное обучение с нарастающим включением скорректированных данных вплоть до достижения приемлемого качества; финальная модель Cellpose обучалась 250 эпох.

Обучение модели InstanSeg. InstanSeg — алгоритм инстанс-сегментации на основе эмбеддингов, обеспечивающий высокую точность и эффективность (снижение времени обработки не менее чем на 60% по сравнению с аналогами) и полную переносимость через TorchScript-сериализацию [17]. Применялась «агрессивная» аугментация (отражения, ротации, вариации яркости и контраста, эластичные деформации), компенсирующая ограниченный объем аннотированных данных. Ключевые гиперпараметры обучения приведены в табл. 1.

Таблица 1

Ключевые гиперпараметры обучения модели InstanSeg

Параметр

Значение

Обоснование

Число эпох

Размер батча (batch size)

Тип аугментации

Размер тайла Пиксельный размер

Цель (target)

350

4 «агрессивная» (heavy) 512 px 0,25 мкм/px N (ядра)

Обеспечивает сходимость при имеющемся объеме датасета Ограничение объема VRAM; стабильный градиент Компенсация малого размера датасета Стандарт для гистологических патчей Калибровка для увеличения 200× Сегментация ядер

Примечание. VRAM — видеопамять; px — пиксель; N (nuclei) — режим сегментации ядер.

Метрика качества и постобработка в QuPath. В качестве основной метрики использовался F1-score (среднее гармоническое точности и полноты) для задачи инстанс-сегментации ядер, вычисляемый на тестовой выборке (15% датасета) после каждой эпохи; данная метрика стандартна для оценки детекции и сегментации клеток в цифровой патологии. Дополнительно отслеживались train loss и test loss. Из 2555 пар «изображение — маска» тестовую выборку (15%) составили 383 пар, обучающую — оставшиеся 85% (≈2172 пары). Разбиение на обучающую и тестовую подвыборки проводилось на уровне исходных изображений: все патчи, относящиеся к одному исходному изображению, целиком попадали либо в обучающую, либо в тестовую подвыборку, что исключало пересечение между ними.

После экспорта финальной модели InstanSeg производилась ее интеграция с QuPath через соответствующее расширение [18]. В среде QuPath разработаны отдельные скрипты для препаратов при увеличениях 200 и 400, осуществляющие запуск сегментации на полных изображениях, измерение морфометрических параметров ядер (площадь, периметр, интенсивность DAB-канала), бинарную классификацию ядер на Ki-67-позитивные и Ki-67-негативные, а также экспорт результатов измерений в табличном формате.

Анализ в подгруппах. Пациенты были распределены на 2 группы в зависимости от уровня изучаемого ядерного белка: Ki-67<5% и Ki-67≥5%. Пороговое значение 5% выбрано в соответствии с IMTCGS, где Ki-67≥5% рассматривается как один из критериев высокозлокачественной МКЩЖ [6].

Статистический анализ. Статистический анализ проведен с использованием языка программирования R v.4.2.2 (R Foundation for Statistical Computing, Австрия) и пакета Statistica 12 (TIBCO Software Inc., США). Описательная статистика количественных данных представлена в виде медиан и интерквартильных размахов (Me [Q1; Q3]), качественных — в виде абсолютных (абс.) и относительных частот (%). Сравнение 2 независимых групп по количественным данным выполняли с помощью критерия Манна — Уитни (U-критерия); по категориальным признакам — с помощью двустороннего точного критерия Фишера и критерия Фишера — Фримена — Холтона. Критический уровень статистической значимости принят равным 0,05. При множественных сравнениях применялась поправка Бонферрони путем коррекции критического уровня значимости. Величины p приведены как целое и тысячные.

Статистическому сравнению подвергались исключительно клинико-морфологические группы Ki-67<5% и Ki-67≥5% (табл. 2). Сравнение между пациентами «с гистологически подтвержденным диагнозом»и «без подтверждения» не проводилось, поскольку гистологическая верификация МКЩЖ являлась обязательным критерием включения для всех 102 пациентов исследования.

Этическая экспертиза. Протокол исследования одобрен локальным этическим комитетом ФГБУ «НМИЦ эндокринологии им. акад. И.И. Дедова» Минздрава России (протокол №1 от 15.01.2025).

Результаты. Характеристика выборки. В исследование включены 102 пациента с МКЩЖ, среди которых 28 (27,5%) мужчин и 74 (72,5%) женщины. Медиана возраста пациентов составила 54 года [41; 65], медиана индекса массы тела (ИМТ) — 27,75 кг/м2 [23,35; 32,0]. По данным ультразвукового исследования наиболее часто определялась категория EU-TIRADS 5 (European Thyroid Imaging Reporting and Data System) — у 67 (69,1%) пациентов; медиана максимального размера опухолевого узла составила 12 мм [9; 19]. Согласно цитологической классификации Bethesda, преобладали категории Bethesda V — 49 (52,7%) и Bethesda VI — 34 (36,6%).

Распределение пациентов по классификации TNM (8-е издание) было представлено преимущественно ранними стадиями: T1a — 46 (45,1%), T1b — 36 (35,3%), T2 – 13 (12,7%), T3a — 5 (4,9%), T3b — 1 (1,0%), T4 – 1 (1,0%). Метастатическое поражение регионарных лимфатических узлов (N1a/N1b) выявлено у 31 (30,7%) пациента. Лимфатическая инвазия (L1) определялась у 27 (26,7%) пациентов, сосудистая инвазия (V1) — у 21 (21,0%), периневральная инвазия (Pn1) — у 5 (5,1%). Медиана индекса Ki-67 в общей выборке составила 1,35% [0,63; 2,2].

Клинико-морфологические параметры в зависимости от уровня Ki-67. Для оценки клиникоморфологической значимости индекса Ki-67 пациенты были распределены на 2 группы: Ki-67≥5% ( n =12) и Ki-67<5% ( n =90). Медиана Ki-67 в группе ≥5% составила 7,4% [5,8; 12,1], в группе <5% — 1,05% [0,6;

Таблица 2

Клинико-морфологические характеристики пациентов с медуллярной карциномой щитовидной железы в зависимости от уровня индекса Ki-67

Показатель, абс. (%)*

Ki-67

p

≥5% ( n =12)

<5% ( n =90)

Мужской пол

7 (58,3)

21 (23,3)

0,017

ИМТ, кг/м2

33,4 [29,9; 35,5]

26,75 [23,2; 31,5]

0,005

Стадия T3a–T4

3 (25,0)

4 (4,4)

–

N1b

5 (41,7)

12 (13,5)

–

Лимфатическая инвазия (L1)

8 (66,7)

19 (21,3)

0,002

Сосудистая инвазия (V1)

7 (58,3)

14 (15,9)

0,003

Периневральная инвазия (Pn1)

3 (25,0)

2 (2,3)

0,012

Примечание. *Кроме 2-й строки ИМТ — данные представлены как Me [ Q 1; Q 3]. Сравнение качественных показателей выполнено с помощью двустороннего точного критерия Фишера, количественных — посредством критерия Манна — Уитни. После поправки Бонферрони статистически значимыми оставались различия по лимфатической и сосудистой инвазиям. «–» — различие статистически не значимо. T, N — категории классификации TNM (8-е издание); L1 – лимфатическая инвазия; V1 – сосудистая инвазия; Pn1 – периневральная инвазия.

1,8]. Результаты сравнительного анализа представлены в табл. 2.

У пациентов с Ki-67≥5% чаще встречался мужской пол — 58,3% против 23,3% в группе Ki-67<5% ( p =0,017). Медиана ИМТ в группе Ki-67≥5% была выше — 33,4 кг/м2 [29,9; 35,5] против 26,75 кг/м2 [23,2; 31,5] ( p =0,005). При анализе распространенности опухолевого процесса отмечена тенденция к более высокой частоте местнораспространенных форм: стадии T3a–T4 определены у 25,0% пациентов группы Ki-67≥5% и у 4,4% пациентов группы Ki-67<5%. Метастатическое поражение лимфатических узлов категории N1b также чаще встречалось при Ki-67≥5% — у 41,7% против 13,5%.

Наиболее выраженные различия выявлены при оценке признаков инвазивного опухолевого роста. Лимфатическая инвазия (L1) определялась у 66,7% пациентов с Ki-67≥5% и только у 21,3% пациентов с Ki-67<5% ( p =0,002). Сосудистая инвазия (V1) выявлялась у 58,3% против 15,9% ( p =0,003), периневральная инвазия (Pn1) — у 25,0% против 2,3% ( p =0,012). После поправки Бонферрони статистически значимыми сохранялись различия по лимфатической и сосудистой инвазиям, что свидетельствует о взаимосвязи повышенной пролиферативной активности опухоли с признаками агрессивного инвазивного фенотипа.

Наблюдение за данной группой пациентов было на протяжении от 1 до 180 мес с оценкой уровня кальцитонина крови. Уровень кальцитонина ≥10 пг/мл отмечался у 62% (5 человек) пациентов с Ki-67≥5% и у 15 % (10 человек) пациентов с Ki-67<5%. Несмотря на то что p =0,007, отмечается тенденция к различию между группами, свидетельствующая об отсутствии биохимической ремиссии у пациентов с более высоким уровнем пролиферативной активности опухоли.

Результаты цифрового анализа изображений: динамика обучения. Обучение модели InstanSeg проводилось в течение 350 эпох; функция потерь устойчиво снижалась на протяжении всего процесса. Наилучший F1-score на тестовой выборке достиг 0,774 на эпохе 300, при этом минимальный test loss зафиксирован в той же точке. Начальное значение train loss составило 5,34, финальное — 0,55 (снижение примерно в 9,8 раза).

Сходимость и стабильность. В диапазоне эпох 15–50 наблюдалось быстрое снижение потерь и одновременный рост F1-score с 0,487 до ~0,73. После эпохи 50 обе кривые потерь приобрели стабильно плоский профиль с умеренными флуктуациями, характерными для процедур с агрессивной аугментацией и малым размером батча. На последних 50 эпохах (300–350) среднее значение F1-score составило 0,766±0,004, что свидетельствует о достижении плато и отсутствии существенного переобучения. Сближение кривых train loss и test loss подтверждает удовлетворительную генерализующую способность модели на ненаблюдавшихся данных.

Качество и визуализация сегментации. Достигнутый максимальный F1-score 0,774 соответствует уровню, типичному для специализированных моделей инстанс-сегментации в гистологии, обученных на ограниченных датасетах с агрессивной аугментацией. Качественный анализ выходных масок подтверждает прогрессирующее улучшение сегментации: на эпохе 0 наблюдались грубые нечеткие контуры с многочисленными ложноположительными объектами, тогда как к эпохе 299–300 контуры ядер стали четкими, перекрывающиеся объекты разграничены, а ложные детекции сведены к минимуму. InstanSeg, в отличие от моделей на основе скользящего окна, реализует разграничение перекрывающихся ядер через эмбеддинговое пространство, что особенно актуально для высокопролиферирующих опухолей с плотно упакованными клетками.

Интеграция в рабочий процесс QuPath. Финальная модель экспортирована в формате расширения InstanSeg для QuPath. Скрипты на Groovy обеспечивают пакетную обработку сканов при увеличении 200 и 400, автоматическое извлечение морфометрических и колориметрических признаков ядер и расчет индекса Ki-67 на уровне отдельных областей интереса (region of interest, ROI) и целых сканов. Примеры сегментации ядер и результатов измерений при увеличении 200 представлены на рис. 1 и 2 на с. 432, при увеличении 400 – на рис. 3 и 4 на с. 433. Применение модели к препаратам при увеличении 400 без дообучения (посредством даунсемплинга внутри QuPath) демонстрирует приемлемую точность, что свидетельствует об удовлетворительной генерализующей способности обученной модели. Ключевые параметры эксперимента обобщены в табл. 3.

Обсуждение. Полученные результаты согласуются с растущим массивом данных, подтверждающих

Таблица 3

Ключевые параметры эксперимента по автоматизированной сегментации

Параметр

Значение

Объем датасета (изображения)

Объем датасета (патчи 512×512 пикселей)

73 (×200)

2 555 пар «изображение — маска»

Архитектура

Число эпох обучения

Лучший F1-score (тест)

InstanSeg (инстанс-сегментация на основе эмбеддингов)

350

0,774 (эпоха 300)

Финальный F1-score (эпоха 350)

0,764

Среднее F1 (эпохи 300–350)

0,766±0,004

Снижение train loss

5,34 → 0,55 (× ~9,8)

Снижение test loss

4,51 → 0,41 (× ~11)

Разрешение применения

Среда постобработки

×200 (нативное), ×400 (даунсемплинг) QuPath + расширение InstanSeg

Примечание. px — пиксель; F1-score — среднее гармоническое точности и полноты; train/test loss — значения функции потерь на обучающей и тестовой выборках соответственно.

Рис. 1. Пример сегментации ядер, ×200. Ki-67-позитивные (темноядерные) и Ki-67-негативные клетки идентифицируются раздельно. Здесь и далее рис. 2–4: все изображения получены авторами, ранее не публиковались

Рис. 2. Пример результатов измерений, ×200

прогностическую роль пролиферативной активности при МКЩЖ. В основополагающем многоцентровом исследовании B. Xu и соавт. (327 пациентов) высокозлокачественная МКЩЖ, определяемая в том числе по Ki-67≥5%, выявлялась в 24,8% случаев и независимо ассоциировалась со снижением общей, болезнь-специфической, безметастатической и безрецидивной выживаемости [6]. В нашей выборке доля пациентов с Ki-67≥5% составила 11,8%, что ниже, чем в исходной когорте IMTCGS и в ряде валидационных работ, где она варьировала от 15 до 48% [7, 8, 19, 20]. Это различие, вероятно, отражает преобладание ранних стадий заболевания в нашей выборке, набранной в специализированном центре.

Особое значение имеет выявленная нами связь Ki-67≥5% с сосудистой и лимфатической инвазиями. Аналогичные ассоциации недавно описаны в китайской когорте (140 пациентов) Z. Zhang и соавт., где Ki-67≥5% значимо коррелировал с большим размером опухоли, более высокой стадией T/N, бóльшим

Рис. 3. Пример сегментации ядер, ×400 (модель обучена на препаратах ×200). DAB — 3,3′-диаминобензидин

Рис. 4. Пример результатов измерений, ×400

объемом метастатического поражения лимфатических узлов и сосудистой инвазией [19]. Сопоставимые данные получены E.D. Rossi и соавт., показавшими корреляцию экспрессии Ki-67 с размером опухоли и сосудистой инвазией [21]. Эти результаты согласуются и с самим исследованием B. Xu и соавт., в котором сосудистая инвазия наряду с возрастом и стадией являлась независимым прогностическим фактором при многофакторном анализе [6]. Таким образом, связь повышенной пролиферативной активности с инвазивным фенотипом представляется устойчивой и воспроизводимой в географически различных когортах.

Вместе с тем литература неоднородна, и наши данные следует интерпретировать с осторожностью. В работе E. Vissio и соавт. (111 пациентов) при изолированном анализе ни митотический индекс, ни Ki-67 не коррелировали с рецидивом, тогда как самостоятельную прогностическую значимость демонстрировал лишь опухолевый некроз; прогностическая ценность достигалась только при комбинировании параметров в рамках IMTCGS [8]. Сходным образом V. Rai и соавт. отметили дискордантность между долей опухолей с высоким Ki-67 (60%) и повышенной митотической активностью (20%) [20]. Эти наблюдения подчеркивают, что Ki-67 не следует рассматривать изолированно: оптимальная стратификация достигается при интеграции нескольких морфологических параметров. Данный подход реализован в прогностической номограмме Y.A. Aksoy и соавт., объединившей Ki-67, лимфоваскулярную инвазию, стадию и другие признаки и продемонстрировавшей высокую дискриминирующую способность (площадь под кривой — 0,94) [22]. Отсутствие в нашем исследовании данных о митотическом индексе и некрозе ограничивает возможность прямого отнесения наблюдений к категориям IMTCGS и является закономерным предметом дальнейшей работы.

Цифровой анализ изображений и автоматизация оценки Ki-67. Одной из основных проблем оценки Ki-67 при МКЩЖ остается межнаблюдательная вариабельность, особенно при пограничных значениях индекса пролиферации. Williams J.F. и соавт. показали высокую согласованность оценки Ki-67 в рамках IMTCGS (κ Коэна 0,86) [9], однако наибольшие расхождения закономерно возникают вблизи порога 5%. S. Nadeem и соавт. при сравнении ручного подсчета с автоматизированными платформами получили почти идеальную корреляцию (κ Коэна 0,88– 0,98), но выявили расхождения именно в диапазоне Ki-67 3–7% — то есть вблизи порога, имеющего решающее значение для градации [10]. Это особенно важно, поскольку медиана Ki-67 в нашей общей выборке (1,35%) и пограничные значения у части пациентов попадают в зону наибольшей диагностической неопределенности.

Наши результаты согласуются с немногочисленными работами, посвященными цифровой оценке Ki-67 именно при МКЩЖ. D.B. Behrman и соавт. при сравнении цифрового анализа в QuPath с ручным подсчетом на 85 случаях МКЩЖ получили очень высокую корреляцию ( R =0,989), при этом точность была выше в высокозлокачественных случаях ( R =0,99), чем в низкозлокачественных ( R =0,71); основными трудностями оставались оптимизация детекции клеток, перекрывающиеся ядра и тканевые артефакты [11] — те же ограничения, с которыми столкнулись и мы при разработке конвейера. J.A. Houpt и соавт. при оценке Ki-67 в нейроэндокринных опухолях желудочно-кишечного тракта показали, что цифровые методы (включая QuPath) повышают точность только в части случаев, а основными барьерами внедрения остаются временные затраты и корректный выбор «горячих точек» [23]. Полученный нами максимальный F1-score 0,774 для задачи инстанс-сегментации ядер соответствует значениям, типичным для специализированных моделей, обученных на ограниченных выборках, и согласуется с заявленным для InstanSeg преимуществом в эффективности при сопоставимой точности [17].

В настоящей работе использован многоэтапный алгоритм автоматизированной сегментации ядер с применением Cellpose-SAM, InstanSeg и программной среды QuPath. Применение автоматизированного анализа позволило минимизировать субъективность оценки и обеспечить воспроизводимый количественный подсчет Ki-67. Интеграция модели в QuPath обеспечивает возможность пакетной обработки полнослайдовых изображений (whole slide images) и потенциально может быть адаптирована для рутинной морфологической практики. При этом в полном соответствии с выводами цитируемых работ автоматизированный подсчет следует рассматривать как инструмент поддержки, а не замены экспертной оценки врача-патологоанатома, особенно в диапазоне пограничных значений Ki-67 [10, 12].

Клиническая значимость результатов. Несмотря на отсутствие статистически значимых различий по стадии TNM, в группе Ki-67≥5% отмечалась тенденция к более высокой частоте местнораспространенных форм и поражения лимфатических узлов категории N1b; вероятно, отсутствие статистической значимости связано с ограниченным числом пациентов с высоким Ki-67. Устойчивая ассоциация повышенного Ki-67 с лимфатической и сосудистой инвазиями имеет практическое значение, так как эти признаки сопряжены с риском метастазирования и могут учитываться при планировании объема хирургического вмешательства и интенсивности наблюдения. Вместе с тем более низкий уровень пролиферативной активности не исключает наличия сосудистой, периневральной инвазий или местного распространения, что подтверждает необходимость комплексной морфологической оценки, а не опоры на единственный маркер.

Ограничения исследования. Настоящее исследование имеет ряд ограничений. Во-первых, оно выполнено в ретроспективном одноцентровом дизайне, что может ограничивать внешнюю валидность (обобщаемость) результатов и создавать риск систематической ошибки отбора в сторону ранних стадий. Во-вторых, число пациентов с Ki-67≥5% было относительно небольшим ( n =12), что снижает статистическую мощность анализа отдельных клинико-морфологических параметров и могло привести к недооценке части ассоциаций (ошибке второго рода). В-третьих, отсутствие длительного клинического наблюдения, включая показатели общей и без-рецидивной выживаемости, не позволяет в полной мере оценить влияние Ki-67 на долгосрочный прогноз. В-четвертых, в рамках данной работы не оценивались митотический индекс и опухолевый некроз, что не позволяет полностью воспроизвести категоризацию IMTCGS. Наконец, разработанная модель сегментации обучена на ограниченной одноцентровой выборке и требует внешней валидации; достигнутый F1-score (0,774), хотя и приемлем для ограниченного датасета, оставляет резерв для улучшения.

В качестве интегральной метрики точности сегментации использован F1-score (гармоническое среднее precision и recall); раздельные траектории precision и recall, а также поячейковые (per-object) показатели уверенности модели не сохранялись в едином отчете валидации и не могут быть достоверно представлены ретроспективно, что рассматривается как техническое ограничение текущего пайплайна и предмет доработки в дальнейших версиях конвейера. Кроме того, важно отметить, что проводилось межэкспертное сопоставление результатов автоматизированного анализа с независимой оценкой нескольких морфологов в пределах одного учреждения, тогда как коррекция масок выполнялась одним морфологом.

С учетом перечисленных ограничений можно полагать, что выявленные ассоциации скорее недооценивают, чем переоценивают истинную силу связи Ki-67 с инвазивным фенотипом.

Направления дальнейших исследований. Перспективным направлением представляется валидация разработанного автоматизированного алгоритма оценки Ki-67 на более крупных многоцентровых выборках с включением полнослайдовых изображений и расширением спектра морфологических параметров (митотический индекс, некроз) для полноценного воспроизведения IMTCGS. Особый интерес представляет интеграция цифровой патологии с молекулярными характеристиками МКЩЖ, включая RET -статус и другие генетические изменения, а также разработка комплексных прогностических моделей, объединяющих морфологические, молекулярные и клинические параметры с проспективной оценкой выживаемости.

Заключение. Проведенное исследование продемонстрировало клинико-морфологическую значимость индекса Ki-67 при МКЩЖ. Повышение Ki-67≥5% ассоциировалось с признаками агрессивного опухолевого поведения, включая лимфатическую, сосудистую и периневральную инвазии, причем различия по лимфатической и сосудистой инвазиям сохраняли статистическую значимость после поправки на множественные сравнения. Использование автоматизированного цифрового анализа изображений с применением моделей глубокого обучения позволило обеспечить воспроизводимую количественную оценку экспрессии Ki-67 и минимизировать субъективность морфологического анализа.

Полученное значение F1-score (0,774) следует интерпретировать как предварительный результат. Оно подтверждает принципиальную применимость подхода, однако не является достаточным основанием для замены экспертной морфологической оценки без последующей внешней валидации. Продемонстрированные результаты подтверждают перспективность применения Ki-67 в качестве компонента морфологической стратификации риска при МКЩЖ и демонстрируют потенциал цифровой патологии для стандартизации оценки пролиферативной активности опухоли. Для окончательной валидации клинической значимости Ki-67 необходимы дальнейшие многоцентровые исследования с расширением выборки и длительным периодом наблюдения.