Световой анализ с ИИ отличил рак кожи от здоровой ткани в лабораторном исследовании

Исследователи Флоридского Атлантического университета испытали способ оценки подозрительных участков кожи с помощью света и машинного обучения. В лабораторной проверке лучшие алгоритмы отличали здоровую ткань от образцов двух распространённых видов рака кожи с общей точностью около 84%. Авторы рассматривают метод как возможную помощь врачу при решении о биопсии, но подчёркивают: результаты пока предварительные и получены не при обследовании пациентов без удаления ткани.

При осмотре кожи даже специалисту бывает трудно по внешнему виду отличить опасное образование от доброкачественного. Для окончательного диагноза обычно берут образец ткани и исследуют его под микроскопом. Биопсия остаётся надёжным стандартом, однако она требует времени и вмешательства, а часть удалённых образований оказывается нераковыми. Поэтому исследователи ищут способы точнее отбирать подозрительные участки для дальнейшей проверки.

Что измеряли светом

Команда использовала рамановскую спектроскопию. При освещении ткани лазером небольшая часть света меняет свои свойства после взаимодействия с её молекулами. Полученный спектр отражает химический состав образца и может содержать признаки, по которым нормальная и опухолевая ткани различаются.

В исследовании применяли переносную систему с ручным зондом и лазером с длиной волны 785 нанометров. Учёные проанализировали более 50 клинических образцов вне организма: среди них были здоровая кожа, базальноклеточный рак и плоскоклеточный рак. Из образцов получили почти тысячу спектров и проверили несколько способов машинной классификации.

Анализ показал, что нормальная ткань в целом отделяется от опухолевой лучше, чем два вида рака друг от друга. В спектрах опухолевых образцов сильнее проявлялись сигналы, связанные с белками; в нормальной коже — с липидами. Эти различия не видны невооружённым глазом, но могут помочь алгоритму оценить образец.

Каковы результаты проверки

На тестовых данных лучшие модели — метод ближайших соседей и метод опорных векторов — достигли общей точности около 84%. Для метода опорных векторов авторы указали чувствительность 78,7% и специфичность 88,6%. Неглубокая нейросеть показала общую точность 80,8%, но лучший среди испытанных моделей показатель ROC AUC — 0,910.

Эти цифры важно читать в контексте лабораторного исследования:

• образцов было чуть больше 50, поэтому оценка может измениться на более крупной выборке;
• измерения проводили на уже взятой ткани, а не при обычном осмотре пациента;
• модель лучше различала здоровую и раковую ткани, чем базальноклеточную и плоскоклеточную опухоли между собой.

Таким образом, точность 84% не означает, что прибор уже способен безопасно заменить биопсию в клинике или самостоятельно поставить диагноз. Ошибка при оценке подозрительного образования может задержать лечение, а для медицинского применения особенно важно проверить, сколько злокачественных случаев метод пропускает в реальных условиях.

Что исследователи намерены проверить дальше

Авторы планируют расширить набор образцов и улучшить алгоритмы. Более крупное исследование должно показать, насколько устойчиво прибор работает с разными типами поражений кожи и может ли он помочь врачу решить, какие участки требуют биопсии в первую очередь. Отдельная задача — сделать измерение достаточно быстрым и удобным для кабинета дерматолога.

Читайте также: Учёные раскрыли связь воспаления полости рта с раком.

Работа описана в материалах конференции Advanced Chemical Microscopy for Life Science and Translational Medicine 2026, опубликованных в серии Proceedings of SPIE. Пока это демонстрация возможностей сочетания оптического метода и машинного обучения. Если последующие клинические испытания подтвердят результат, такой анализ сможет дополнить осмотр и микроскопическое исследование ткани, а не вытеснить их.