Sztuczna inteligencja wykrywa wczesnego raka na podstawie obrazów

Chcą Państwo dowiedzieć się, jak SI wykrywa raka we wczesnym stadium na podstawie obrazów? Poznajmy szczegóły razem z INVIAI w tym artykule!

Wczesne wykrycie raka znacznie poprawia przeżywalność. Sztuczna inteligencja (SI) pomaga obecnie lekarzom szybciej i dokładniej wykrywać guzy na obrazach medycznych.

Trenując modele głębokiego uczenia na tysiącach oznaczonych skanów i preparatów, SI uczy się wzorców, które mogą umknąć nawet doświadczonym klinicystom.

W praktyce narzędzia SI analizują obrazy takie jak mammogramy, tomografie komputerowe klatki piersiowej, zdjęcia rentgenowskie, rezonanse magnetyczne, ultrasonografie oraz preparaty patologiczne, wskazując podejrzane obszary i oceniając ryzyko.

Na przykład, ultrasonografia wspomagana SI pozwoliła jednej pacjentce uniknąć niepotrzebnej biopsji tarczycy, wykazując, że jej guz jest łagodny.

Eksperci określają zastosowanie SI w opiece onkologicznej jako „bezprecedensową szansę” na poprawę diagnozy i leczenia.

Jak SI analizuje obrazy medyczne

Systemy SI do obrazowania wykorzystują zazwyczaj głębokie uczenie (zwłaszcza konwolucyjne sieci neuronowe) trenowane na ogromnych zbiorach danych. Podczas treningu algorytm uczy się wyodrębniać cechy (takie jak kształty, tekstury, kolory), które odróżniają tkanki nowotworowe od zdrowych.

Po przeszkoleniu model SI skanuje nowe obrazy i podkreśla wzorce odpowiadające nauczonym cechom raka.

W praktyce SI staje się niezwykle czułym „drugim czytelnikiem”, wskazując subtelne zmiany, które mogą umknąć człowiekowi. Na przykład, SI analizująca mammogram lub przekrój tomografii może oznaczać drobne zwapnienia lub guzki kolorowymi ramkami i alertami dla radiologa.

Analizy SI mogą także szacować ryzyko: niektóre algorytmy przewidują przyszłe ryzyko raka u pacjenta na podstawie pojedynczego obrazu (korzystając z wyuczonych korelacji), co pozwala lekarzom dostosować częstotliwość badań przesiewowych.

W jednym przypadku ultrasonografia tarczycy analizowana przez SI jednoznacznie wykazała tkankę łagodną, co potwierdziła późniejsza biopsja, oszczędzając pacjentce niepotrzebnego stresu.

Badania przesiewowe w kierunku raka piersi

Mammografia to doskonały przykład, gdzie SI wywiera znaczący wpływ. Badania pokazują, że wsparcie SI może znacznie poprawić wykrywalność raka piersi podczas badań przesiewowych.

W dużym niemieckim badaniu radiolodzy wspomagani narzędziem SI wykryli 17,6% więcej przypadków raka niż bez wsparcia SI.

Konkretnie, grupa wspomagana SI wykryła 6,7 przypadków na 1000 kobiet w porównaniu do 5,7 na 1000 w grupie standardowej, przy jednoczesnym nieznacznym zmniejszeniu liczby wezwań na dodatkowe badania (fałszywych alarmów).

Ogólnie rzecz biorąc, SI w mammografii może:

• Poprawić czułość i swoistość. Badania finansowane przez NCI wskazują, że algorytmy SI „poprawiają wykrywanie raka piersi na mammografii” i mogą także pomóc przewidzieć, które zmiany staną się inwazyjne.
• Wykrywać subtelne zmiany. SI może wskazywać drobne skupiska mikrokalcyfikacji lub asymetrii, które łatwo przeoczyć podczas rutynowych badań, działając jako dodatkowy ekspert.
• Zmniejszać obciążenie pracą i zmienność wyników. Poprzez wstępne przesiewanie obrazów, SI może priorytetyzować podejrzane przypadki dla radiologów, pomagając radzić sobie ze wzrastającą liczbą mammogramów.

Warto podkreślić, że FDA zatwierdziła kilka narzędzi wspomagających mammografię (np. iCAD, SmartMammo firmy DeepHealth) do użytku klinicznego, doceniając ich zdolność do wczesnego wykrywania raka w praktyce.

Badania przesiewowe w kierunku raka płuc

SI jest również stosowana do wykrywania raka płuc na obrazach medycznych. Niskodawkowe tomografie komputerowe (LDCT) służą do badań przesiewowych u osób palących o wysokim ryzyku; SI może je wspierać, poprawiając jakość obrazu i wykrywanie zmian.

Jedną z zalet jest redukcja dawki promieniowania: algorytmy rekonstrukcji obrazu oparte na SI mogą generować wyraźne obrazy CT przy jeszcze niższej dawce niż obecne skany LDCT.

Dodatkowo, systemy computer-aided detection (CAD) oparte na SI automatycznie skanują każdy przekrój CT w poszukiwaniu guzków. Gdy potencjalny guzek zostanie wykryty, SI oznacza go na obrazie, aby lekarz mógł go zbadać.

W skrócie, SI może działać jako czuły drugi czytelnik obrazów płuc.

Na przykład, najnowsze modele wykazują wysoką czułość zarówno dla guzków łagodnych, jak i złośliwych (systemy badawcze wykrywają ponad 90% guzków na testowych skanach). FDA zatwierdziła narzędzia SI wspomagające badania przesiewowe raka płuc, doceniając ich rolę we wcześniejszej diagnozie.

SI może także pomóc w personalizacji badań przesiewowych: łącząc obrazowanie z danymi pacjenta, algorytmy mogą określić, kto wymaga częstszych skanów.

(Jednak obecne badania CAD pokazują, że choć SI wykrywa więcej guzków, większość wzrostu dotyczy małych, niskiego ryzyka zmian, a znaczący wzrost wykrywalności zaawansowanych zmian jest jeszcze przed nami.)

Rak skóry (czerniak)

Obrazowanie dermoskopowe (powiększone zdjęcia skóry) to kolejna dziedzina, w której SI wyróżnia się. Nowoczesne modele głębokiego uczenia trenowane na dziesiątkach tysięcy zdjęć zmian skórnych potrafią z dużą dokładnością klasyfikować znamiona jako łagodne lub złośliwe.

W jednym z ostatnich badań ulepszona sieć neuronowa osiągnęła 95–96% dokładności w identyfikacji wczesnego stadium czerniaka na podstawie obrazów dermoskopowych.

To istotne, ponieważ wczesny czerniak ma doskonałe rokowania (około 98% przeżywalności 5-letniej), podczas gdy w zaawansowanym stadium przeżywalność jest znacznie niższa.

Wskazując podejrzane znamiona do biopsji, SI może pomóc dermatologom w szybszym rozpoznaniu czerniaka.

Narzędzia SI są nawet integrowane w aplikacje mobilne lub urządzenia, które oceniają sfotografowane znamiona i szacują ich ryzyko, potencjalnie rozszerzając wczesne wykrywanie na podstawową opiekę zdrowotną.

Badania przesiewowe w kierunku raka szyjki macicy

SI usprawnia badania przesiewowe raka szyjki macicy poprzez analizę cyfrowych obrazów szyjki. Na przykład system CerviCARE wykorzystuje głębokie uczenie na zdjęciach „cervikografii” (obrazach podobnych do kolposkopii) do rozróżniania zmian przednowotworowych.

W badaniu wieloośrodkowym SI CerviCARE osiągnęła 98% czułości dla zmian wysokiego stopnia (CIN2+), przy 95,5% swoistości.

W praktyce taka SI może wspierać miejsca, gdzie brakuje ekspertów kolposkopistów: algorytm automatycznie podkreśla obszary wymagające uwagi, pomagając nie przeoczyć zmian przednowotworowych.

Tego rodzaju SI działa obok tradycyjnych testów cytologicznych i HPV, umożliwiając wczesne wykrycie choroby.

NCI również podkreśla badania nad automatyzacją wykrywania zmian przednowotworowych w badaniach przesiewowych szyjki macicy za pomocą SI.

Badania przesiewowe w kierunku raka jelita grubego i odbytnicy

Podczas kolonoskopii SI wspiera lekarzy w czasie rzeczywistym. Nowoczesne systemy analizują na bieżąco obraz z kamery kolonoskopu. Gdy kamera rejestruje polip lub podejrzaną tkankę, SI podświetla ją na ekranie (często kolorową ramką i sygnałem dźwiękowym), zwracając uwagę lekarza.

Kolonoskopia wspomagana SI: system zidentyfikował „płaski” polip (podświetlony na niebiesko), który lekarz może usunąć.

Badania wykazują, że stosowanie SI podczas kolonoskopii zwiększa liczbę wykrywanych polipów, zwłaszcza małych gruczolaków. Oznacza to, że SI pomaga lekarzom wychwycić więcej wczesnych zmian, które mogłyby zostać przeoczone.

W dużym badaniu (CADILLAC) wykrywalność gruczolaków wzrosła dzięki wsparciu SI. Jednak eksperci zauważają, że większość wzrostu dotyczyła drobnych, niskiego ryzyka polipów, a dodanie SI nie zwiększyło znacząco wykrywalności dużych, wysokiego ryzyka zmian.

Innymi słowy, SI doskonale wskazuje wiele drobnych zmian, ale czy poprawia wykrywanie najgroźniejszych zmian przednowotworowych, jest nadal przedmiotem badań.

Mimo to „drugie oko” SI może zmniejszyć pominięcia spowodowane zmęczeniem i obniżyć zmienność między lekarzami. FDA zatwierdziła systemy SI (CADe) do klinicznej kolonoskopii, wspierające endoskopistów w wykrywaniu polipów.

SI w patologii i innych obrazowaniach

Zasięg SI wykracza poza obrazowanie na żywo, obejmując także patologię i specjalistyczne skany. Cyfrowe preparaty patologiczne (wysokorozdzielcze skany biopsji tkanek) są analizowane przez algorytmy SI.

Na przykład nowa SI o nazwie CHIEF została wytrenowana na ponad 60 000 całych preparatów obejmujących 19 typów nowotworów.

Automatycznie wykrywa komórki nowotworowe na preparacie, a nawet przewiduje profil molekularny guza na podstawie cech wizualnych. W testach CHIEF osiągnął około 94% dokładności w wykrywaniu raka na nieznanych preparatach z różnych narządów.

Podobnie FDA zatwierdziła oprogramowanie SI do podkreślania obszarów nowotworowych w próbkach biopsji prostaty, pomagając patologom skupić się na kluczowych miejscach. Narzędzia SI są także zatwierdzone do interpretacji rezonansu mózgu i ultrasonografii guzków tarczycy, między innymi.

Krótko mówiąc, SI staje się wszechstronnym asystentem: od skanów MRI/CT, przez zdjęcia rentgenowskie, po preparaty mikroskopowe, wskazuje nieprawidłowości wymagające uwagi.

Zalety SI we wczesnym wykrywaniu

We wszystkich zastosowaniach SI oferuje kilka kluczowych korzyści w wykrywaniu raka na wczesnym etapie:

• Wyższa czułość: SI potrafi wykrywać bardzo subtelne sygnały. W badaniach przesiewowych piersi SI wykryła około 20–40% nowotworów pojawiających się między badaniami (które zostały przeoczone przy pierwszym odczycie).
  Oznacza to, że SI może ujawniać raka wcześniej niż samodzielni czytelnicy ludzie.
• Dokładność i efektywność: Badania pokazują, że odczyty wspomagane SI prowadzą do mniejszej liczby fałszywych negatywów i czasem niższej liczby fałszywych pozytywów.
  Na przykład mammografia z wsparciem SI zwiększyła wartość predykcyjną pozytywną biopsji (czyli liczbę wykrytych nowotworów na biopsję) w niemieckim badaniu.
• SI może przetwarzać obrazy szybciej niż człowiek, umożliwiając programom przesiewowym obsługę rosnącej liczby badań bez utraty jakości.
• Stała jakość: W przeciwieństwie do ludzi, SI się nie męczy i nie przeocza detali z powodu rozproszenia uwagi.
  Zapewnia jednolity poziom analizy, co może zmniejszyć zmienność między radiologami.
• Unikanie niepotrzebnych procedur: Dzięki dokładniejszemu rozróżnianiu zmian łagodnych od złośliwych, SI może oszczędzić pacjentom niepotrzebnych badań.
  W przykładzie tarczycy SI z pewnością wykluczyła raka bez konieczności biopsji.
• W dermatologii aplikacje SI mogą uspokajać pacjentów co do łagodności znamion.
  Ogólnym celem jest precyzyjne przesiewanie: wykrywanie tego, co naprawdę wymaga interwencji, i unikanie nadmiernego leczenia.
• Dostęp globalny: W regionach z niedoborem ekspertów narzędzia SI mogą rozszerzyć dostęp do specjalistycznych badań przesiewowych w odległych placówkach.
  Na przykład AI-kolposkop mógłby wspierać pielęgniarki w badaniach przesiewowych raka szyjki macicy w obszarach o ograniczonych zasobach.

„Podejścia oparte na SI mogą zwiększyć zdolność klinicystów do efektywnej i precyzyjnej oceny nowotworów”. W wielu badaniach połączenie SI z wiedzą lekarzy przewyższa efekty obu osobno, podobnie jak konsultacja z doświadczonym kolegą.

Wyzwania i kwestie do rozważenia

SI niesie ze sobą także wyzwania. Modele trenowane na ograniczonych lub mało zróżnicowanych danych mogą nie działać równie dobrze dla wszystkich pacjentów. Na przykład detektory zmian skórnych oparte na SI muszą być trenowane na różnych odcieniach skóry, aby uniknąć uprzedzeń.

Narzędzia dermoskopowe SI wykazują luki w wydajności na obrazach z artefaktami (takimi jak włosy czy słabe oświetlenie) oraz na rzadziej występujących typach zmian.

W badaniach przesiewowych większa liczba wykryć może oznaczać więcej fałszywych alarmów: SI w kolonoskopii wskazała wiele małych polipów, z których niektóre mogą nigdy nie przekształcić się w raka.

Usuwanie każdej drobnej zmiany niesie własne ryzyko (np. niewielkie ryzyko krwawienia lub perforacji). Dlatego lekarze muszą wyważyć czułość SI z jej swoistością, aby uniknąć nadmiernej diagnozy.

Integracja SI w procesy kliniczne nie jest trywialna. Szpitale potrzebują zwalidowanego, zatwierdzonego przez FDA oprogramowania oraz szkolenia personelu. Istnieją też pytania regulacyjne i dotyczące odpowiedzialności, kto odpowiada, jeśli SI przeoczy raka.

Wielu badaczy podkreśla, że SI to narzędzie, a nie zastępstwo; jak powiedział jeden z radiologów, korzystanie z SI jest jak „konsultowanie się z błyskotliwym kolegą”. Trwające badania i analizy po wprowadzeniu na rynek są niezbędne, by zapewnić rzeczywistą poprawę wyników.

Perspektywy rozwoju

Przyszłość SI w wykrywaniu raka rysuje się obiecująco. Naukowcy rozwijają „modele bazowe” (duże SI trenowane na ogromnych zbiorach danych), które potrafią realizować wiele zadań jednocześnie. Przykładem jest CHIEF z Harvardu: trenowany jak „ChatGPT dla patologii” na milionach fragmentów obrazów, działający w wielu typach nowotworów.

Podobne podejścia wkrótce mogą łączyć obrazowanie z danymi genetycznymi i klinicznymi, oferując ultra-spersonalizowane badania przesiewowe. Wielomodalna SI mogłaby przewidywać nie tylko obecność raka, ale także jego agresywność, kierując intensywnością dalszej diagnostyki.

Wydajność SI szybko rośnie dzięki nowym technikom. Systemy CAD nowej generacji wykorzystują zaawansowane architektury sieci neuronowych i duże modele językowe do interpretacji obrazów. W przypadku raka płuc eksperci zauważają, że starsze systemy SI były „prymitywne” w porównaniu z dzisiejszymi modelami i oczekują, że nowe wersje będą znacznie lepsze.

Trwają międzynarodowe badania (w tym wieloośrodkowe w Europie i USA) mające na celu walidację narzędzi SI na dużą skalę. W miarę gromadzenia danych SI będzie uczyć się na podstawie wyników z rzeczywistej praktyki, stale doskonaląc swoją dokładność.

Podsumowując, SI już teraz pomaga lekarzom wykrywać raka wcześniej na podstawie obrazów medycznych – od mammogramów i tomografii po zdjęcia skóry i preparaty biopsji. Mimo wyzwań, najnowsze badania i zatwierdzenia regulacyjne wskazują na przyszłość, w której SI stanie się standardowym wsparciem w badaniach przesiewowych raka.

Wykrywając guzy na najwcześniejszych etapach, gdy leczenie jest najskuteczniejsze, te technologie mogą poprawić wyniki leczenia wielu pacjentów na całym świecie.