Представьте, что вы пытаетесь понять, что случилось в комнате, по звуку, который остался после выстрела. Выстрела уже нет, но эхо ещё гуляет по стенам. Примерно так нейропатолог смотрит на срез мозговой ткани, в котором самой опухоли не оказалось: биопсия взяла только здоровую ткань, которая успела отреагировать на болезнь. До 14% биопсий мозга не содержат опухолевых клеток, и врач вынужден сообщать пациенту, что причина болезни не установлена. Но что, если в этой «пустой» ткани всё-таки спрятан сигнал?

Авторы взяли 245 окрашенных срезов от 186 пациентов с подтверждёнными диагнозами. С каждого среза вручную удаляли участки с опухолью, чтобы осталась только реактивная ткань — та, что изменилась в ответ на болезнь, но сама по себе не является опухолью. Затем каждый срез нарезали на маленькие квадратные фрагменты (патчи) и превращали каждый фрагмент в числовой вектор с помощью четырёх разных моделей-энкодеров. Эти векторы агрегировали в единый вектор среза через механизм внимания, который взвешивает важность разных частей изображения. Дальше модель училась различать три класса: опухоль, воспаление и здоровую ткань.

Первый результат оказался отрезвляющим. На грубой задаче «опухоль/воспаление/контроль» модель почти не превосходила простую логистическую регрессию, которая учитывала только размер среза: сбалансированная точность 0.798 против 0.782. То есть модель в основном научилась отличать большие срезы от маленьких, а не болезнь от здоровья. Но на более тонких задачах ситуация изменилась. Когда нужно было определить тип глиомы или орган-источник метастаза, размер среза уже не помогал: baseline опускался до случайного уровня. А вот модели всё равно классифицировали значимо лучше случайного (p≤10⁻⁴ при пермутационном тесте). Это значит, что в реактивной ткани действительно есть сигнал, который не сводится к техническим артефактам.

Любопытно, что все четыре модели-энкодера показали одинаковую точность: попарные различия исчезали после поправки на множественные сравнения. Это намекает на то, что ограничение не в способе представления изображения, а в самом сигнале: он слабый, диффузный и спрятан в ткани, которую патоморфолог традиционно считает недиагностической. При этом внимание моделей частично привлекала кровь, попавшая при заборе ткани: у одной модели доля таких патчей среди топ-5 составила 27%, у другой — лишь 4%. То есть модели с одинаковой точностью могут смотреть на совершенно разные участки среза, и «правильный» ответ не гарантирует, что модель нашла биологически осмысленный признак.

Эта работа впервые показывает, что сигнал о болезни сохраняется в «пустой» паренхиме и может быть извлечён автоматически. Одновременно она вводит обязательный контроль — baseline только на размере среза, который разоблачает ложный успех на грубой задаче. Для сообщества это сигнал: в бенчмарках вычислительной патологии нужно проверять, не эксплуатирует ли модель артефакты пробоподготовки. Эхо после выстрела действительно можно услышать, но нужно сначала убедиться, что вы слышите не просто громкость самого помещения.