Учёные создали систему ИИ для молекулярной классификации рака, которая умеет объяснять свои решения

Молекулярное субтипирование рака — определение точного типа опухоли по генетическому или белковому профилю — стало стандартом онкологии. Рак молочной железы делится на подтипы HER2+, ER+, тройной негативный. Рак лёгкого — на варианты с мутацией EGFR, ALK, ROS1 и без них. Правильная классификация напрямую определяет выбор терапии: одни подтипы хорошо отвечают на химиотерапию, другие — на иммунотерапию, третьи — на таргетные препараты.

Алгоритмы искусственного интеллекта уже показали высокую точность в классификации молекулярных подтипов рака. Но у них есть ахиллесова пята: большинство работают как ««чёрные ящики»» — дают ответ, не объясняя почему. Это создаёт серьёзную проблему для клиники: врач не может принять решение о лечении конкретного пациента, опираясь на ответ, смысл которого ему непонятен.

Новый фреймворк, опубликованный в 2026 году в журнале medRxiv и представленный в медицинских СМИ, предлагает решение.

Три кита доверенного ИИ в субтипировании рака

Авторы сформулировали концепцию «доверенного ИИ» (trustworthy AI) для молекулярной онкологии, основанную на трёх принципах.

Точность и воспроизводимость: система должна классифицировать подтипы не хуже или лучше, чем существующие экспертные алгоритмы, а её работа должна воспроизводиться на независимых наборах данных из разных клиник и стран.

Интерпретируемость: для каждого конкретного классификационного решения система должна уметь выделить гены, мутации или белки, на основании которых принято решение. Это позволяет онкологу верифицировать биологический смысл ответа: «Система относит эту опухоль к подтипу X потому, что у неё высокая экспрессия гена Y и низкая — гена Z».

Оценка неопределённости: вместо уверенного ответа «это HER2+» система должна давать вероятностный ответ — «этот случай с вероятностью 87% принадлежит к подтипу X, с вероятностью 11% — к подтипу Y, 2% — неопределённый» — что особенно важно для пограничных случаев.

Как устроен новый фреймворк

Техническая основа системы — комбинация нескольких методов машинного обучения:

— Обучение с ансамблем моделей: несколько независимых моделей обучаются параллельно, их решения объединяются. Это снижает риск переобучения и даёт оценку неопределённости. — Методы объяснимого ИИ (SHAP, Grad-CAM и аналоги): для каждого предсказания рассчитывается вклад каждого входного признака — экспрессии гена, метилирования, мутации — в итоговый ответ. — Байесовская оценка уверенности: вместо одного числа — распределение вероятностей по подтипам.

На валидационных когортах система показала точность, сопоставимую или превосходящую стандартные инструменты субтипирования (как PAM50 для рака молочной железы), при существенно более высоком уровне интерпретируемости.

Клиническая значимость

На практике фреймворк меняет логику взаимодействия врача и алгоритма. Вместо «машина сказала — врач подчинился» возникает «машина предложила — врач проверил». В особенности это важно для редких и пограничных подтипов, где доказательная база лечения ограничена, а цена ошибочной классификации — жизнь пациента.

Читайте также по теме: персонализированном лечении рака с помощью ИИ.

Авторы подчёркивают: такой подход не ограничен раком. Те же принципы применимы к молекулярной классификации нейродегенеративных заболеваний, редких генетических синдромов и аутоиммунных состояний — везде, где высокоразмерные молекулярные данные определяют клинические решения.