Толщина среза мозговой ткани — всего 5 микрон, в двадцать раз тоньше человеческого волоса. На таком срезе патолог ищет признаки опухоли: изменённую форму ядер, скученность клеток, аномальные сосуды. Работа кропотливая, и два специалиста могут разойтись во мнении об одном и том же снимке. Нейросеть в этой ситуации — не замена врачу, а второй глаз, который смотрит на изображение с неутомимостью машины и точностью, измеряемой до долей процента.

Сеть с плотными связями — это команда, где каждый слой слышит всех предыдущих, а не только ближайшего соседа. В DenseNet-121 каждый блок получает на вход не только результат предыдущего, но и все более ранние карты признаков. Информация не теряется по пути, как в игре «испорченный телефон», а складывается в общую картину. У ResNet-50 связи короче: обходные пути перепрыгивают через один-два слоя, и дальним соседям приходится передавать сообщения через посредников. При переносе знаний с большой задачи на малую — трансферное обучение — плотная команда оказывается сплочённее: она быстрее находит закономерности в небольшом наборе из 2931 снимка.

Двухэтапное дообучение с заморозкой и последующей разморозкой глубоких блоков, а также агрессивная аугментация данных — искусственное расширение набора через случайные повороты, отражения и сдвиги — позволили избежать переобучения. Сеть училась не запоминать конкретные картинки, а выделять устойчивые признаки болезни. На отложенном тестовом наборе DenseNet-121 показал точность 88,35%, а ResNet-50 — 82,12%. Разница в 6,23 процентных пункта статистически значима: вероятность случайного расхождения меньше половины процента.

Что это меняет для практики? Раньше было неясно, какая из популярных архитектур лучше подходит для классификации снимков мозговой ткани при ограниченном наборе размеченных данных. Теперь стало понятно: плотные связи дают преимущество. Протокол обучения можно напрямую перенести на другие задачи бинарной классификации гистологических снимков — например, на поиск метастазов в лимфоузлах или оценку степени злокачественности опухоли. Следующий шаг — многоклассовая градация и карты объяснимости, которые покажут врачу, на какие участки снимка опиралась сеть. Тогда второй глаз станет не просто точным, но и прозрачным.