Цифровая патоморфология: анализ гистологических препаратов
Обучение и инференс моделей на гигапиксельных сканах гистологии — GPU-узел для патоморфологической лаборатории.
Диапазоны по отраслевым публикациям и типовым внедрениям; результат зависит от данных и процессов заказчика.
Что решаем
Патоморфолог — самый дефицитный специалист онкологической службы: в регионах России и СНГ на одного врача приходятся тысячи препаратов в год. Цифровые сканеры решают вопрос логистики стекла, но не нагрузки: один скан WSI занимает 1–4 ГБ и содержит миллиарды пикселей, которые нужно просмотреть при большом увеличении.
Задачи, где ИИ уже показал результат, — поиск метастазов в лимфоузлах, подсчёт митозов, оценка экспрессии маркеров (Ki-67, HER2), предварительная сортировка биопсий. Но модели для гистологии обучаются на собственных данных лаборатории с учётом её окраски и сканера, а обучение на гигапиксельных изображениях — тяжёлая GPU-нагрузка.
Что делает ИИ
PyTorchMONAIOpenSlideQuPathMLflow
Сканы разбиваются на тайлы, на которых работают свёрточные сети и фундаментальные модели патологии (UNI, CONCH и аналоги). Результаты собираются в тепловые карты поверх препарата в просмотрщике врача, а количественные показатели попадают в протокол.
- Дообучение открытых моделей на архиве лаборатории с валидацией по протоколу.
- Автоматический подсчёт клеток и оценка маркеров с воспроизводимостью выше ручной.
- Приоритизация препаратов: подозрительные попадают в очередь первыми.
- Интеграция с ЛИС и системой хранения сканов.
Важно: MIARCH поставляет вычислительную инфраструктуру и помогает развернуть модели. Само ПО для постановки диагноза является медицинским изделием и проходит регистрацию отдельно — на стороне разработчика или клиники.
Какие данные нужны
- Архив WSI-сканов с заключениями
- Разметка патологов по выбранным задачам
- Данные ЛИС и иммуногистохимии
Какая инфраструктура нужна
Профиль train: обучение на миллионах тайлов требует нескольких GPU с 48–96 ГБ памяти каждая и NVMe-хранилища, способного выдавать сотни тысяч изображений в секунду. Стартовый узел — станция W9 ULTRA из рабочих станций с четырьмя ускорителями; для областного онкоцентра — сервер RX MAX из GPU-серверов или платформа LM TEK 4U8GPU10KW. Архив сканов растёт на десятки терабайт в год, поэтому закладываем отдельное хранилище от 200 ТБ и сеть 25–100 GbE между сканерами, хранилищем и вычислительным узлом.
Как идёт проект
- 01
Данные и цель
Фиксируем метрику успеха, источники данных и ограничения: on-premise, персональные данные, сроки.
- 02
Пилот на нашей конфигурации
Стартовая машина под задачу и подтверждённый профиль нагрузки перед закупкой кластера.
- 03
Инфраструктура
Поставка серверов, станций и охлаждения, монтаж, ввод в эксплуатацию, ПО и мониторинг.
- 04
Сопровождение
Масштабирование, обновление ускорителей в том же шасси, сервис и запчасти.
Что ещё автоматизируют в отрасли «Здравоохранение и фарма»
Опишите задачу и данные.
Вернёмся с профилем нагрузки, конфигурацией и коммерческим предложением на поставку в вашу страну.


