КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ


Номер проекта 25-71-10088

НазваниеАлгоритмы компьютерного зрения с использованием генеративного искусственного интеллекта для анализа гистологических данных в задачах персонализированной медицины

Руководитель Илларионова Светлана Владимировна, кандидат наук (признаваемый в РФ PhD)

Организация финансирования, регион Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий» , г Москва

Конкурс №111 - Конкурс 2025 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными, приоритетного направления деятельности Российского научного фонда «Поддержка молодых ученых»

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-202 - Интеллектуальный анализ данных и распознавание образов

Ключевые слова Генеративные нейронные сети, искусственный интеллект, компьютерное зрение, персонализированная медицина, биомаркеры, гистологические сканы, иммунное опухолевое микроокружение, виртуальное окрашивание, иммуногистохимическое (ИГХ) окрашивание, компьютерная диагностика

Код ГРНТИ76.03.59


 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ


Аннотация
В настоящее время научная дисциплина-онкоморфология претерпевает стремительную трансформацию вследствие развития цифровой микроскопии (digital pathology) и прогресса компьютерных технологий. Однако, для создания персонализированной, высокоточной и доступной медицины требуется разработка специализированных алгоритмов искусственного интеллекта (ИИ), обеспечивающих высокое качество автоматизированной обработки гистологических данных. Несмотря на выдающиеся результаты алгоритмов ИИ в общем домене компьютерного зрения, для эффективного применения технологий в цифровой патологии необходима адаптация подходов с учетом следующих факторов: сложность получения клинических данных, трудозатратность их аннотации специалистами, следовательно, ограниченность доступных наборов данных, а также внутри-классовая вариабельность изучаемых биологических структур и в тоже время схожесть между классами. Патоморфологические, иммуногистохимические и молекулярно-генетические исследования широко используются в составе алгоритма обследования пациентов с онкологическими заболеваниями: для выявления наследственного характера рака, оценки эффективности иммунной и таргетной терапии, целесообразности химиотерапии и расчета потенциального риска рецидива и прогнозирования метастазирования. Тем не менее, все еще существует довольно большой процент внутри- и межнаблюдательной вариабельности при оценке степеней злокачественности опухолевых новообразований. В связи с этим особое значение имеет разработка генеративных алгоритмов ИИ для создания новых данных, максимально приближенных по своим характеристикам к клиническим наблюдениям, обладающим заданными свойствами. В рамках данного проекта предлагается разработка подходов на основе генеративно состязательных сетей и диффузионных моделей для решения задачи виртуального окрашивания гистологических срезов. Среди важных решаемых задач – сопоставление снимков различных типов для возможности обучения алгоритмов на парных данных, минимизируя искажения получаемые на этапе сбора и предобработки лабораторных данных. Далее процесс виртуального окрашивания будет основан на извлечении ключевых универсальных признаков, характерных для тканей, и не зависящих от типа предобработки данных, чтобы обеспечить наилучший переход между двумя распределениями. Анализ морфологической картины гистологического слайда «целиком» (WSI-whole slide image) c использованием алгоритмов ИИ является важнейшим подходом для развития персонифицированной прецизионной онкологии. При развитии онкологического процесса, геномные изменения, мутационная нагрузка, клеточные характеристики, паттерны инвазивного роста опухоли, а также сложности взаимодействия опухолевых клеток и иммунного микроокружения, оказывают непосредственное влияние на терапевтический эффект, риск рецидирования и предикцию выживаемости. Поэтому одной из решаемых в рамках проекта задач будет распознавание биологических структур с использованием алгоритмов ИИ, в частности, трансформеров. Помимо типичного визуального представления изображений для обучения нейронных сетей будут исследованы и предложены подходы, использующие признаки на основе биомедицинских знаний и клинической практики. Для повышения качества работы алгоритмов распознавания также буду адаптированы подходы self-supervised обучения. Таким образом, научная новизна данного исследовательского проекта посвящена разработке и анализу валидации алгоритмов машинного обучения, компьютерных технологий и математических подсчетов с целью предикции иммуфенотипической экспрессии различных предиктивных гистохимических маркеров, определении гистологического типа опухоли, нейросетевого определения степени злокачественности, создании алгоритмов виртуального окрашивания гистологических сканов, а также генеративного изучения иммунного микроокружения опухоли при помощи механизмов ИИ.

Ожидаемые результаты
В ходе реализации проекта будут получены научные результаты по трем основным направлениям: 1) будут разработаны алгоритмы генеративного ИИ для виртуального окрашивания гистологических срезов и генерации синтетических данных с определенными свойствами (тип патологии, количественные и качественные характеристики биологических структур) 2) будут разработаны алгоритмы для распознавание биологических структур (например, опухолевых клеток, иммунных клеток опухолевого микроокружения, некротического детрита, артифициальных изменений и т д) на гистологических снимках с помощью алгоритмов ИИ 3) будет разработана методология для определения типов и грейдов тканей для различных типов патологий с помощью алгоритмов ИИ Далее приведено более подробное описание ожидаемых результатов и их значимости по каждому из планируемых этапов исследования. 1) Будут разработаны алгоритмы генеративного ИИ и технологии машинного обучения для преобразования визуальных данных (морфологическая картина гистологических сканов –WSI whole slide image на светооптическом уровне) в количественные измерения. Разработанные методы позволят систематизировать и проанализировать множество самых сложных деталей, которые могли быть упущены или недостаточно точно интерпретированы субъективным взглядом онкопатолога. Также разработка мультидоменной сети переноса окрашивания для нахождения преобразований (переноса) различных специальных окрашиваний друг в друга поможет решить проблему согласованности цветов в виртуальном окрашивании, тем самым улучшив сопоставимость и диагностическую точность гистологических изображений. Для решения данной задачи будет разработана методика обучения генеративных моделей для виртуального окрашивания, включающая в себя этап сопоставления и выравнивания срезов с различными типами окрашивания. Разработка будет проведена с учетом передовых технологий компьютерного зрения на основе диффузионных моделей, оптимального транспорта (например, моста Шредингера) для перехода между распределениями. Более того, в общую методологию окрашивания срезов будет включена оценка дальнейшего качества решения целевой задачи по определению типа патологии либо клеточных структур тканей. Разработанные на данном этапе алгоритмы и методы ИИ впервые позволят осуществлять виртуальное окрашивание гистологических препаратов с высокой достоверностью, что крайне важно для клинического применения и позволит: а) Осуществлять предикцию молекулярного подтипа опухоли на основе детекции рецепторной экспрессии опухолевых клеток (например, определение суррогатного молекулярного подтипа рака молочной железы). б) На диагностическом этапе выявлять потенциальных респондеров на таргетную/гормональную противоопухолевую терапию. в) Определять вероятность рецидивирования злокачественных новообразований, риск развития локальных/дистантных метастазов ,а также прогнозирования клинического течения заболеваний с оценкой 5-ти летней выживаемости онкологических пациентов. Значимость данного этапа исследования обусловлена тем, что гормональная терапия в онкологии применяется для блокировки действия или уменьшения количества гормона, стимулирующего рост гормонозависимой опухоли. Этот метод снижает вероятность рецидива рака после других видов лечения, прекращает или замедляет рост опухоли на некоторое время. Во многих случаях клетки опухоли зависят от гормонов - эстрогена и/или прогестерона. Блокирование этих гормонов может помочь предотвратить рецидив и летальность от рака. Помимо аналитики гормональных рецепторов, проводится визуализация мембранной экспрессии HER2, а также выявление пролиферативной активности( индекса деления опухолевых клеток)- Ki67, то есть, для каждого ИГХ-скана будет генерироваться полный набор результатов и разметок, включающий процент положительно/отрицательно окрашенных опухолевых клеток с ИИ советом по дальнейшей маршрутизации и клиническому ведению онкологических пациентов. Например, Her2/neu- Человеческий эпидермальный фактор роста (human epidermal growth factor receptor 2 (HER2) — белок, гиперэкспрессирующийся при некоторых типах рака молочной железы, колоректальных аденокарциномах и эндометриальных эндометриоидных раках. HER2 — это белок-рецептор на поверхности клеток организма . В здоровой ткани он поддерживает нормальные темпы роста и развития клеток. В случае с раковыми клетками иногда возникает гиперэкспрессия HER2, то есть увеличение количества этих рецепторов, и клетки получают сигналы к беспорядочному делению. Точная оценка экспрессии HER2 в опухолевой ткани имеет ключевое значение для подбора таргетной анти HER2-терапии (Герцептин/Пембролизумаб). Такой узкий спектр действия обусловливает невысокую токсичность по сравнению с обычными химиотерапевтическими препаратами. 2) На оригинальных гистологических данных (реальное окрашивание) и данных полученных на этапе виртуального окрашивания будут разработаны алгоритмы ИИ для выполнения таких прикладных клинических задачи, как сегментация клеточных структур и количественная оценка биомаркеров. Оценка опухолевого гистопортрета при помощи технологий машинного обучения будет разделена на два основных фундаментальных проекта: всестороннее исследование (качественное и количественное описание) всех морфологических особенностей на основе гистологических сканов, окрашенных на гематоксилине и эозине (ГЭ) и иммуногистохимически окрашенных гистологических препаратах (ИГХ). Для сегментации отдельных клеточных структур планируется разработать решение на основе подходов самообучения, например, Saliency-guided Self-supervised технологии, а также с использования механизма внимания. Решение будет использовано для последующего анализа типов тканей и грейдов поражения для различных нозологий. За счет подходов аугментации и генерации синтетических обучающих примеров будут снижены требования к обучающим наборам данных. С практической точки зрения, созданный нами на данном этапе исследования ИИ ассистент должен будет на сканах, окрашенных на гематоксилине и эозине, детектировать площадь инвазивной опухоли на слайде, с параллельным точным расчетом количества инвазивных опухолевых клеток- таким образом будет выполнена работа по определению порогового значения (20%) опухолевой клеточности (tumor purity) для последующего проведения полноэкзомного секвенирования (при наличии клинических показаний для его проведения). Нейросетевая модель, после обработки гистологического скана, на выходе будет предоставлять три варианта по дальнейшему персонифицированному ведению пациента: - Скан содержит более 20% опухолевой ткани от общего массива морфологических структур, представленных в препарате. - Скан содержит менее 20% опухолевой ткани (порядка 10-15%) с высвечиванием зоны для проведения лазерной микродиссекции с целью «обогащения» количества опухолевых клеток с последующим проведением NGS исследования. - Скан содержит гораздо менее 20%(около 5%) опухолевой клеточности/не имеет инвазивной опухоли-таким образом отправляется автоматический запрос на повторный забор материала/пересмотр диагноза. Следующим шагом в анализе морфологического портрета опухоли на основе распознанных клеточных структур и их характеристик является установление гистологического подтипа новообразования (согласно действующей классификации ВОЗ). Например, имеет ли дело онколог с наиболее распространенными гистологическими типами солидных новообразований (протоковой карциномой неспецифического типа и инвазивным дольковым раком молочной железы, плоскоклеточный рак, аденокарцинома) либо следует рассматривать вариант проведения дифференциальной диагностики с более редкими формами рака (муцинозный, адено-кистозный, медуллярный, нейроэндокринный рак, первичная ангиосаркома молочной железы и т.д). 3) Будут разработаны сквозные (end-to-end) алгоритмы и методы машинного обучения для классификации и сегментации гистологических данных с целью определения типов тканей и присвоению им грейдов в зависимости от степени поражения. Таким образом, данный этап объединит результаты, полученные на предыдущих этапах и расширит их до полноценного автоматизированного процесса извлечения промежуточных знаний и формирования общей клинической картины развития патологии на основе ИИ. Основными результатами на этом этапе будет разработка нейросетевых подходов, а также анализ подходов классического машинного обучения в более сложных постановках задачи. С точки зрения математических алгоритмов будет решаться задача классификации отдельных участков (патчей) либо сегментации гистологических срезов целиком. Будут проанализированы различные подходы и предложено на основе данного анализа формирование архитектуры и процесса обучения алгоритма для наиболее оптимального решения задачи распознавания образов с учетом ограниченности независимых наблюдений (данных об отдельных пациентах) и достаточно большим признаковым пространством. Для повышения интерпретируемости и объяснимости алгоритмов ИИ решение на данном этапе будет в явном виде использовать биомедицинские знания, полученные на основе клинического практики. Таким образом продвинутые подходы компьютерного зрения будут включать дополнительные модификации в части архитектур алгоритмов для лучшего анализа дополнительных признаков предварительно извлеченных из гистологических снимков. Для повышения интерпретируемости алгоритмов, что является неотъемлемой частью для возможности внедрения решения на основе ИИ в клиническую практику, для градирование рака на примере молочной железы разработанными алгоритмами будут проанализированы основные морфологические компонентов: 1) процентного подсчета железистых/тубулярных структур , которые выстраивает инвазивная опухоль; 2) измерения размеров ядер опухолевых клеток с вычислением межнуклеарной вариабельности с целью выявления степени ядерного плеоморфизма; 3) количественный подсчет митотических фигур на 1 мм в квадрате. Также, при ряде иных солидных новообразований (гастроинтестинальная и онкогинекологическая патология) именно машинный количественный анализ железистых структур в опухолевом паттерне гистопортрета будет иметь решающее значение при выставлении степени злокачественности карцином. Для возможности наглядного представления анализа будут использованы такие метода оценки интерепретируемости алгоритмов как карты внимания. В качестве альтернативы традиционным подходам, а также подходам основанным на использовании генеративного ИИ, недавно был предложен метод синолитических графов. Достоинство синолитического подхода состоит в том, что он основан на построении множества слабых классификаторов, описывающих информативность пар атрибутов для принятия решений. Рассмотрение пар атрибутов позволяет обеспечить достаточную обобщающую способность даже на малых выборках. При этом общее решение вырабатывается на всей совокупности таких пар, образующих синолитический граф. В этом проекте, в качестве альтернативы генеративному ИИ, а также с целью минимизации рисков, мы построим новые методы анализа гистологических данных на основе синолитических графов. Однако, в отличие от ранее представленной работы, где принадлежность ребра к графу определялась пороговым способом (в зависимости от расстояния до разделяющей кривой для пары атрибутов), мы будем строить графы для всех возможных порогов и вычислять соответствующие топологические характеристики как в топологическом анализе данных. Вычисленные таким образом топологические характеристики будут использоваться в качестве новых признаков для принятия решения. В отличие от классического топологического анализа данных, новый способ не будет страдать от концентрации меры, свойственной данным большой размерности в силу того, что кратчайшее расстояние до разделяющих кривых для каждой пары атрибутов определено в пространстве малой размерности. Это позволит воспользоваться преимуществом синолитических методов и методов топологического анализа данных и одновременно избежать недостатков, присущих этим методам по отдельности. Важно отметить, что алгоритмы, разработанные на данном этапе будут опробованы на различных типах окрашивания. Из проводимой аналитики можно будет оценить статуса HER2 для выявления потенциальных респондеров к таргетной анти HER2-терапии. Сгенерированный ИИ ассистент позволит математически точно определить уровень экспрессии Her2/neu рецептора(HER2 0, HER2 1+, HER2 2+ либо HER2 3+) , предоставляя ценную диагностическую информацию онкологам химиотерапевтом для подбора персонифицированной противоопухолевой стратегии. Общие результаты: Созданные нами инструменты ИИ по анализу опухолевого гистопортрета помогут врачам патоморфологам, даже в отдаленных медицинских учреждениях небольших населенных пунктов, без возможности проведения консилиумов с коллегами, свести к минимуму ошибки в детекции гистологического типа, определении морфологического градирования опухолей, оценке рецепторного статуса/интенсивности иммуногистохимической экспрессии, исследования опухолевого микроокружения (иммунных лимфоидных структур), что, в конечном итоге, повысит клиническую эффективность подбора персонализированной терапии для каждого отдельно взятого пациента. Также по результатам реализации каждого из этапов будет создан прототип софта и выложен в открытый доступ для возможности использования наработок другими исследовательскими группами и институтами. С учетом вышеперечисленного, ИИ ассистент потенциально определит степень злокачественности опухоли (Grade), основанной на гистологической картине инвазивного рака, а также математического анализа размера ядер и пролиферативной активности опухоли(количественный подсчет митозов) с окончательным результатом в виде следующих категорий: I (высоко дифференцированная опухоль); II (умеренно дифференцированная); III (низко дифференцированная). Суммируя вышеописанные алгоритмы, целями ИГХ проекта будут являться: 1) Создание алгоритмов по автоматическому подсчету ИГХ маркеров. 2) Создание ИИ биомаркеров с целью подбора персонифицированной терапии и прогностической оценке онкологических заболеваний. 3) Создание ИИ аналога МГТ (предиктора молекулярно-генетических альтераций) , с целью снижения затрат на дороговысокостоящие медицинские услуги. Вышеперечисленные ожидаемые результаты в значительной степени соответствуют мировому уровню исследований, поскольку они охватывают такие актуальные направления, как компьютерное зрение и анализ медицинских изображений. Применение этих технологий принесет значительный инновационный рост в медицинскую сферу, повысит качество и эффективность медицинских услуг и принесет пользу большему количеству людей. С экономической и социальной точек зрения предлагаемый проект имеет огромный потенциал для практического применения. Предложенные в проекте технологии могут применяться для разработки медицинского оборудования и программного обеспечения, создания новых продуктов или улучшения существующих. Кроме того, предлагаемые разработки могут помочь отрасли здравоохранения сократить расходы, повысить эффективность и точность решения медицинских задач, а также улучшить качество и доступность медицинских услуг.


 

ОТЧЁТНЫЕ МАТЕРИАЛЫ


Аннотация результатов, полученных в 2026 году
1. Систематический обзор и сравнительный анализ технологий виртуального окрашивания Выполнен комплексный разбор трёх ключевых семейств генеративных архитектур для переноса домена изображений и проанализирована их применимость к задаче виртуального окрашивания гистологических снимков. Рассмотрены свёрточные сети (от классической U-Net архитектуры до многоуровневых и многомасштабных модификаций), генеративно-состязательные модели (pix2pix, CycleGAN, CUT, StarGAN и специализированные версии с механизмом внимания), а также перспективные диффузионные подходы – от DDPM до диффузионных мостов Шрёдингера и гибридных трансформерно-диффузионных сетей. Для получения объективных количественных оценок проведён воспроизводимый бенчмаркинг шести профильных моделей (BCI, ASP, PPT, PSPStain, TDKstain, I2SB) на публичном наборе MIST, состоящем из пар «H&E – HER2». Качество генерации оценивалось визуально экспертами патологами, а также количественно на основе шести взаимодополняющих метрик: попиксельное сходство (PSNR, SSIM), статистическая реалистичность распределения (FID, KID) и перцептивная близость (LPIPS, DISTS). Центральный вывод бенчмаркинга: лучшее качествопо формальным пиксельным показателям не гарантирует клинической пригодности. Диффузионная модель I2SB, показавшая наивысший PSNR, показала менее высокие значения FID и перцептивных метрик из-за избыточного сглаживания мембранного сигнала. Напротив, лучшие визуальные и перцептивные результаты достигнуты архитектурами, в которых реализованы специализированные биологически мотивированные компоненты – прототипы опухолевых паттернов в PSPStain и отдельная ветвь усиления мембранного окрашивания в TDKstain. Это позволило сформулировать важные выводы для дальнейших работ: главным фактором успеха генерации, и как следствие, потенциальной пользы для решения клинических задач, служит не выбор генеративной парадигмы, а глубина встраивания патоморфологических знаний непосредственно в целевую функцию и структуру сети. По итогам обзора подготовлена статья, систематизирующая более 100 источников, наиболее актуальные общедоступные датасеты, используемые и перспективные для применения в задаче виртуального окрашивания архитектуры. Работа принята к публикации и формирует теоретическую базу для дальнейших этапов проекта. 2. Разработка алгоритмов виртуального окрашивания На основе результатов обзора спроектирован и валидирован базовый генератор изображений, ориентированный на трансляцию ГЭ-изображений в ИГХ-окрашенные срезы. Метод использует механизм диффузионных мостов, дающий более устойчивую сходимость, чем генеративно-состязательные сети. Серия вычислительных экспериментов выявила критическую зависимость качества генерации от пространственного контекста. При стандартном размере патча модель не обладает достаточным рецептивным полем для компенсации артефактов корегистрации изображений и воспроизводит преимущественно усреднённый сигнал, не различая градации экспрессии HER2. Расширение контекста до 512×512 пикселей приводит к качественному улучшению результатов. На внутреннем датасете из примерно 200 000 тщательно выровненных пар «H&E – HER2» достигнуты значения PSNR = 17,14 и FID = 30,0, при этом врачи-патологи подтвердили высокую визуальную правдоподобность синтезированного окрашивания. Параллельно решалась задача многозадачного обучения, актуальная для одновременного предсказания нескольких маркеров и сегментации клеточных популяций. Предложен метод Gradient Conductor (GCond), реализующий двухфазную схему «накопление градиентов – арбитраж». В отличие от существующих аналогов, он не требует сохранения полного вычислительного графа и применим к ресурсоёмким архитектурам класса ConvNeXt и трансформерам. Метод опубликован в журнале IEEE Access и является важным заделом для интеграции в пайплайн медицинского анализа гистологических данных. Дополнительно в рамках отработки подходов к объяснимости создана ансамблевая модель LungVNet для классификации рака лёгкого по КТ-изображениям. Результаты опубликованы в рамках международной конференции по компьютерному зрению ICMV.. На стандартном наборе IQ-OTH/NCCD получена точность, превосходящая ранее опубликованные результаты для этого датасета. Визуализация зон внимания методом Score-CAM подтвердила интерпретируемость предсказаний – свойство, обязательное для будущего внедрения гистопатологических решений в клинику. 3. Сбор и подготовка данных Детальный анализ открытых наборов данных (BCI, MIST, IHC4BC) показал их подверженность высокому уровню остаточных ошибок корегистрации – более 40% пар содержат сдвиги 3–5 мкм, разрывы и складки ткани, неизбежные при совмещении смежных срезов. Именно эти артефакты, как было установлено, служат основным препятствием для стабильного обучения диффузионных архитектур, вынуждая их «усреднять» предсказание и терять диагностически значимые детали. Для преодоления этого барьера сформирован собственный набор данных, не имеющий аналогов по полноте аннотации и качеству. Он включает 200 полноформатных цифровых сканов трепан-биоптатов инвазивной карциномы молочной железы, полученных на сканере Leica Aperio CS2 с объективом 20× (апертура 0,75). Для 50 случаев выполнена полуавтоматическая разметка: размечено более 100 тысяч клеточных ядер с отнесением к пяти категориям (опухолевые клетки, иммунный инфильтрат, фибробласты, апоптотические тельца, неидентифицируемые элементы) и указанием суррогатного молекулярного подтипа — статус рецепторов эстрогена, прогестерона, HER2 и индекс Ki67. Также сформирован набор из 400 пар «ГЭ – ИГХ» с верифицированным статусом HER2. Для всех образцов с неопределённым уровнем экспрессии (2+) используются результаты флуоресцентной гибридизации in situ (FISH/ISH). С помощью специально разработанного пайплайна, объединяющего нежёсткую регистрацию на базе DeepHistReg и автоматический фильтр по индексу структурного сходства, из выборки исключены пары с критическими деформациями и участками малой тканевой плотности. Созданная база данных будет служить фундаментом для обучения, объективного сравнения и клинической валидации разрабатываемых алгоритмов.

 

Публикации

1. Асиф Д., Илларионова С.В., Хамуди Р., Бернштейн А.В., Шараев М.Г. Optimized Explainable Deep Learning Model for Lung Cancer Diagnosis from Computed Tomography Images SPIE, Proceedings of International Conference on Machine Vision (ICMV), Vol. 14114, pp. 767-775 (год публикации - 2026)
10.1117/12.3097916

2. Евгений Лимаренко, Анастасия Студеникина, Светлана Илларионова, Максим Шараев GCond: Gradient Conflict Resolution via Accumulation-Based Stabilization for Large-Scale Multi-Task Learning IEEE Access, vol. 14, pp. 42086-42104, 2026 (год публикации - 2026)
10.1109/ACCESS.2026.3673372

3. Илларионова С.В., Студеникина А.А., Губанов Ф.Д., Акаева А.П., Козловский В.Ю., Шараев М.Г. ВИРТУАЛЬНОЕ ИММУНОГИСТОХИМИЧЕСКОЕ ОКРАШИВАНИЕ В ЦИФРОВОЙ ПАТОЛОГИИ: КЛИНИЧЕСКАЯ ЗНАЧИМОСТЬ, АРХИТЕКТУРЫ И МЕТРИКИ ОЦЕНКИ КАЧЕСТВА Современные технологии в медицине (год публикации - 2026)

4. Илларионова С., Карамов Р., Беляков Н, Рубин И., Газдиева М., Шараев М., Хамуди Р. AI-Powered Image Super-Resolution for Scientific Applications Springer Nature Switzerland AG (год публикации - 2027)