Задержки в выявлении и направлении пациентов с впервые диагностированными злокачественными новообразованиями могут затягивать доступ к онкологической помощи. Поскольку патоморфологические заключения преимущественно текстовые, обработка естественного языка (NLP) и искусственный интеллект могут автоматизировать выявление злокачественности и оптимизировать пути направления. Авторы оценили ИИ-классификацию патоморфологических заключений эндометрия для создания масштабируемой инфраструктуры выявления рака и направления пациентов.

Ретроспективный датасет из 1464 патоморфологических заключений эндометрия за 2025 год был построен на данных электронных медицинских карт (ЭМК). «Околозолотой стандарт», определённый кодированием диагноза клиницистом, согласованным со статусом рака эндометрия в ЭМК, выявил 716 случаев рака и 748 контролей. Оценивались два подхода: Bidirectional Encoder Representations from Transformers (BERT) — NLP-классификатор — и Generative Pre-trained Transformer (GPT) — большая языковая модель.

Золотой стандарт патоморфологических критериев был установлен экспертным пересмотром. Злокачественные случаи включали подтверждённую или подозреваемую карциному, стромальную саркому, инвазию или пограничные злокачественные находки без рекомендации повторного забора. Незлокачественные случаи включали доброкачественные находки, эндометриальную интраэпителиальную неоплазию, атипическую гиперплазию, аденомиому, рекомендации дополнительного забора или отсутствие маточной ткани. GPT классифицировал заключения по этим критериям, полученные метки использовались для обучения BERT (1028 обучающих, 220 валидационных, 221 тестовых образцов).

Против «околозолотых» меток BERT достиг PPV 98,8%, чувствительности 92,6% и F1-score 95,6%; GPT достиг PPV 100%, чувствительности 87,0% и F1-score 93,1%. При использовании золотого стандарта GPT классифицировал 629 злокачественных и 838 незлокачественных заключений с идеальной производительностью по всем метрикам. BERT достиг 98,9% чувствительности, 96,0% специфичности, 94,9% PPV, 99,2% NPV, 96,9% F1-score и 97,3% точности на независимой тестовой когорте.

ИИ-анализ патоморфологических заключений продемонстрировал высокую точность в выявлении злокачественных новообразований эндометрия и может способствовать более раннему направлению к онкологу и улучшению координации помощи. Это proof-of-concept подтверждает возможность масштабируемой ИИ-ассистированной сортировки патоморфологических заключений и будущего развития канцер-регистров в реальном времени.