AI diagnozuje guzy mózgu w 12 minut. Dwanaście dni zamiast dwóch tygodni

👁 120 przeczytań

Gdy pacjent słyszy „guz mózgu”, walka z czasem nabiera dosłownego znaczenia. Od rodzaju nowotworu - a tych w obrębie ośrodkowego układu nerwowego rozpoznano już przeszło sto - zależy, czy leczenie będzie polegać na operacji, radioterapii, czy celowanej chemioterapii. Problem w tym, że precyzyjne rozróżnienie tych podtypów wymaga dziś analizy metylacji DNA, która trwa średnio dwanaście dni i jest dostępna tylko w wyspecjalizowanych laboratoriach. A jeśli wynik można by poznać w dwanaście minut - i to na zwykłym komputerze?

Międzynarodowy zespół pod kierunkiem Moritza Gerstunga z Niemieckiego Centrum Badań nad Rakiem (DKFZ) i Felixa Sahma z Uniwersytetu w Heidelbergu opracował system sztucznej inteligencji nazwany Hetairos, który na podstawie rutynowo barwionych skrawków tkanki rozpoznaje aż 102 molekularne podtypy guzów. Wyniki badania opublikowano właśnie w prestiżowym czasopiśmie, a pierwsze testy pokazują, że AI na głowę bije doświadczonych neuropatologów.

Szybszy niż złoty standard

Obecnie najdokładniejszą metodą klasyfikacji guzów mózgu i rdzenia kręgowego jest analiza metylacji DNA - mapowanie chemicznych modyfikacji na nici DNA, które różnią się w zależności od podtypu nowotworu. Jak piszą autorzy w komunikacie prasowym DKFZ, test ten jest skomplikowany, wymaga specjalistycznego sprzętu i dużej ilości materiału biopsyjnego, a na wyniki czeka się średnio dwa tygodnie. W wielu regionach świata technologia ta w ogóle nie jest dostępna.

Hetairos omija tę przeszkodę. Wystarczy standardowo przygotowany i zeskanowany preparat histologiczny - taki, jaki robi się w każdym szpitalu - a algorytm w ciągu kilkunastu minut podaje diagnozę. W badaniu prospektywnym, gdzie system pracował równolegle do rutynowej praktyki klinicznej, pełna diagnostyka molekularna zajmowała przeciętnie dwanaście dni. Hetairos - po zeskanowaniu slajdu - generował wynik w dwanaście minut na zwykłym, dostępnym na rynku sprzęcie komputerowym.

Trening na danych z czterech kontynentów

Skąd tak wysoka skuteczność? Zespół Gerstunga i Sahma wytrenował sieć neuronową na ponad 11 000 cyfrowych wycinków tkanek pochodzących od 9606 pacjentów z jedenastu ośrodków medycznych na czterech kontynentach. Dla każdego preparatu znana była ostateczna diagnoza molekularna ustalona za pomocą analizy metylacji DNA. Dzięki tak zróżnicowanemu zbiorowi danych AI nauczyła się rozpoznawać subtelne wzory morfologiczne, które dla ludzkiego oka są praktycznie niewidoczne.

Co więcej, Hetairos nie jest „czarną skrzynką” - algorytm wskazuje na obrazie dokładnie te obszary tkanki, które zadecydowały o jego diagnozie. Patolog może więc zweryfikować, czy AI patrzy we właściwe miejsca, i w razie potrzeby skierować wybrane fragmenty do celowanych badań genetycznych.

Lepszy od ekspertów - ale nie we wszystkim

Najbardziej spektakularny okazał się bezpośredni pojedynek AI z ludźmi. Pięciu doświadczonych neuropatologów z różnych międzynarodowych ośrodków dostało do oceny 210 trudnych przypadków. Ich zadaniem było postawienie diagnozy wyłącznie na podstawie barwionych skrawków. Hetairos osiągnął trafność na poziomie 68%, podczas gdy specjaliści - średnio 30%. Gdy brano pod uwagę trzy najbardziej prawdopodobne diagnozy, AI zdobywała 84%, a ludzie 50%.

- Badanie pokazuje, że sztuczna inteligencja potrafi wyciągać informacje molekularne bezpośrednio z rutynowych skrawków tkanek i w ten sposób fundamentalnie zmieniać diagnostykę nowotworów - powiedział w komunikacie Darui Jin, jeden z głównych autorów badania.

Nie wszystko jednak jest idealne. Jak przyznaje Moritz Gerstung, „obecnie diagnostyka bardzo rzadkich typów nowotworów wciąż stanowi duże wyzwanie dla Hetairosa; w tych przypadkach doświadczeni neuropatolodzy są co najmniej równorzędni”. Zespół spodziewa się, że z większymi i bardziej zróżnicowanymi zbiorami danych system będzie coraz lepszy.

Filtr pewności: kiedy AI wie, że wie

Hetairos wyposażono w unikalne narzędzie - metrykę ufności własnych przewidywań. W około 50-70% ocenianych przypadków algorytm oznaczał swoją diagnozę jako „wysoce pewną”. W tej grupie trafność sięgała 87-88%. Nawet gdy model nie był pewien, potrafił zawęzić pole możliwych rozpoznań z ponad stu do kilku najbardziej prawdopodobnych. Dla neuropatologa to ogromna pomoc w wyborze dalszych testów.

System może okazać się szczególnie wartościowy w sytuacjach, gdy materiału biopsyjnego jest zbyt mało na pełne badania molekularne, gdy testy genetyczne nie dają jednoznacznego wyniku albo gdy placówka nie ma dostępu do zaawansowanego laboratorium. W takich przypadkach dwanaście minut zamiast dwunastu dni może uratować życie.

// czytaj dalejAI w szkole w Sierra Leone. 1,7 roku nauki w 8 tygodni - i to bez zastępowania nauczycielaNaukaAI pokonała lekarzy w diagnozowaniu pacjentów SOR. Czy to koniec medycyny, jaką znamy?NaukaUmiejętności Jutra AI: zapisy są zamknięte, a strona programu tego nie mówi. Stan na dziś i co robić zamiast czekaćArtykuły