Физически обоснованная гибридная система удваивает разрешение в цифровой патологии при скрининге рака

Цифровая патология требует высокого разрешения для точной диагностики рака, но оптические системы с большой увеличительной способностью обычно медленны и дороги, а чисто вычислительные методы сверхразрешения часто создают «галлюцинаторные» клеточные артефакты, которые подрывают надежность выводов. Исследователи предложили гибридный подход — сочетание быстрой светодиодной подсветки в режимах светлого и темного поля с физически обоснованным глубоким обучением — который удваивает пространственное разрешение, сокращает артефакты реконструкции на 84% и повышает чувствительность AI-скрининга рака на 11,14%.

Благодаря развитию медицинской визуализации и алгоритмов искусственного интеллекта цифровая патология и технологии визуализации всего слайда (WSI) превратили традиционные микроскопические наблюдения в цифровые изображения, которые можно хранить, анализировать и передавать. Эти изображения служат основой для диагностики, обнаружения опухолей и автоматизированного патологического анализа.

Однако получение действительно высококачественных изображений обычно требует дорогих объективов с высокой числовой апертурой (NA): они обеспечивают лучшее разрешение, но замедляют сканирование и увеличивают стоимость оборудования. Этот компромисс между разрешением и эффективностью ограничивает масштабный скрининг и массовое внедрение цифровой патологии.

Вычислительное улучшение разрешения — сверхразрешение (SR) одного изображения — обещает восстановить детальную информацию из низкоразрешённых снимков, но сталкивается с фундаментальными ограничениями: регрессионные методы дают чрезмерно сглаженные результаты без мелких текстур, а генеративные модели, улучшая внешний вид, могут вносить искусственные клеточные структуры. В патологии такие артефакты опасны, поскольку могут влиять на точность диагностики и ограничивать клиническое применение этих методов.

Для преодоления нехватки информации в одном изображении разработали методы SR на основе эталонных изображений (RefSR), которые вводят дополнительные наблюдения и тем самым улучшают ограничения для реконструкции. RefSR показали перспективы в медицинской визуализации и при исследовании живых клеток за счёт интеграции многомодальных данных, но их применение в цифровой патологии до сих пор было ограничено, главным образом из‑за трудностей с получением физически значимой дополнительной информации при минимальных изменениях оборудования.

Чтобы устранить нестабильность традиционных SR‑методов, группа во главе с профессорами Цянь Ченом и Чао Цзо из Нанкинского университета науки и технологий в сотрудничестве с профессором Юргеном В. Чарске из Технического университета Дрездена разработала новую систему повышения разрешения для цифровой патологии. Метод назвали «структура гибридного улучшения разрешения светлого и темного поля» (HBDF-RE); статья доступна онлайн 27 августа 2026 г. в разделе «Ранний просмотр» «Опто-электронные достижения» .

Метод опирается на программируемую светодиодную подсветку, которая быстро переключается между светлым и темным полем на каждой позиции сканирования и получает парные изображения примерно за 1/15 секунды. «Изображение в темном поле обеспечивает контраст, чувствительный к краям и рассеянию, и служит физическим ориентиром, который позволяет глубокой нейронной сети реконструировать изображения с высоким разрешением на основе наблюдений в светлом поле с низкой числовой апертурой, приближая их по качеству к визуализации с высокой NA», — объяснил профессор Чен.

HBDF-RE объединяет мультимодальное слияние признаков, механизмы пространственного внимания и совместные пространственно-частотные ограничения, что позволяет восстанавливать клеточные структуры с высокой точностью, одновременно снижая чрезмерное сглаживание и появление искусственных текстур. Одним парным сбором светлого и темного поля метод обеспечивает увеличение пространственного разрешения примерно в 2,1 раза и генерирует изображения, сопоставимые по качеству с съёмкой на объективы с высокой NA, без сложной модернизации оборудования; при этом вычислительная эффективность повышается примерно на 11%.

В первом прикладном тесте исследователи применили HBDF-RE к задаче AI‑скрининга рака шейки матки. Модель на изображениях, реконструированных методом HBDF-RE, показала рост диагностической чувствительности на 11,14% по сравнению с исходными низкоразрешёнными снимками, с особенно заметным улучшением в клинически неоднозначных категориях поражений. В дополнительных задачах, таких как сегментация желез, HBDF-RE стабильно превосходил существующие методы SR в патологии, что подтверждает его потенциал для улучшения автоматизированного анализа и клинической диагностики.

Исследователи также провели SR‑реконструкцию большого поля на WSI ткани тимуса человека. Хотя начальные сканы с низкой NA позволяли быстро покрыть большие площади, границы ядер и мелкие патологические структуры оставались размытыми. Использование дополнительной информации из светлого и темного поля позволило HBDF-RE восстановить эти мелкие структуры без применения объективов с большим увеличением. По сравнению со стандартными одно‑изображёнными методами SR HBDF-RE улучшил пиковое отношение сигнал/шум примерно на 3,2 дБ и сократил артефакты реконструкции примерно на 84%, что демонстрирует его пригодность для масштабного улучшения цифровых патологических изображений.

Интегрируя физические ограничения оптического наблюдения с вычислительной реконструкцией на основе глубокого обучения, HBDF-RE повышает качество снимков, сделанных объективами с низкой числовой апертурой, без дорогостоящей оптической модернизации и тем самым преодолевает долгое стоявший компромисс между разрешением и скоростью сканирования.

«Сохраняя преимущество быстрой визуализации большого поля, HBDF-RE требует только одного дополнительного сбора данных в темном поле в каждой позиции сканирования, что минимально усложняет систему и при этом даёт представление клеточной структуры, сопоставимое с системами визуализации с высокой NA», — отметил профессор Чен.

Авторы предполагают, что в сочетании с автоматизированными платформами WSI и ускорением вывода глубокого обучения в реальном времени метод может быть встроен в повседневные рабочие процессы патологии. Это обеспечит эффективный и надёжный инструмент визуализации для крупномасштабного скрининга рака, точной патологической диагностики и поддержки клинических решений на основе AI.