Sztuczna inteligencja diagnozuje guzy mózgu w 12 minut
Diagnozowanie nowotworów ośrodkowego układu nerwowego to jedno z najtrudniejszych wyzwań onkologii. Guzy mózgu i rdzenia kręgowego tworzą dziesiątki różnych podtypów molekularnych, a ich precyzyjna identyfikacja wymaga zaawansowanych badań genetycznych, w tym profilowania metylacji DNA. To kosztowne badanie wymagające specjalistycznego sprzętu może trwać nawet dwa tygodnie. Tymczasem opóźnienie diagnozy oznacza opóźnienie leczenia.
Zespół naukowy z Niemiec, Chin, Chile i Szwajcarii, pracujący pod kierunkiem Darui Jina z Niemieckiego Centrum Badań nad Rakiem (DKFZ) w Heidelbergu oraz Uniwersytetu Beihang, Artema Shmatko, Areeby Patel, Felixa Sahma i Moritza Gerstunga z DKFZ opracował algorytm sztucznej inteligencji, który potrafi sklasyfikować nowotwór mózgu w ciągu zaledwie dwunastu minut, korzystając przy tym jedynie ze standardowego barwionego preparatu histologicznego.
Podstawą rutynowej diagnostyki jest od ponad stu lat barwienie hematoksyliną i eozyną (H&E). Wybarwiony preparat mikroskopowy jest dostępny praktycznie wszędzie na świecie, jest tani i szybki w przygotowaniu. Problem polega na tym, że żaden człowiek nie jest w stanie na tej podstawie odróżnić ponad stu podtypów molekularnych, które wyróżnia aktualna klasyfikacja WHO. Klasyfikacja ta opiera się w dużej mierze właśnie na profilowaniu metylacji DNA. To badanie kosztujące około 400 euro za przypadek, niedostępne w wielu krajach, wymagające specjalistycznego sprzętu, dużej ilości dobrej jakości materiału tkankowego, które może trwać nawet kilkanaście dni.
Nowy model, nazwany Hetairos, uczy się rozpoznawać podtypy nowotworów bezpośrednio z cyfrowych skanów preparatów histologicznych. Algorytm przetwarza całe skany szkiełek mikroskopowych, automatycznie dzieląc je na tysiące małych fragmentów o rozmiarze 128 × 128 mikrometrów. Każdy fragment jest następnie analizowany przez zaawansowany model, wytrenowany wcześniej na setkach tysięcy preparatów histopatologicznych. Uzyskane w ten sposób reprezentacje cech wszystkich fragmentów są łączone w jeden profil reprezentujący całą biopsję, wzbogacony o wiek pacjenta i lokalizację anatomiczną guza. Na tej podstawie model przypisuje prawdopodobieństwo przynależności do każdego z podtypów nowotworów OUN, jednocześnie generując mapę wskazującą, które obszary preparatu najbardziej wpłynęły na decyzję diagnostyczną.
Model był trenowany i weryfikowany na ponad 11 000 preparatów pobranych od 9 606 pacjentów leczonych w 11 ośrodkach na czterech kontynentach – z Europy, Ameryki Północnej i Południowej oraz Azji. Tak szeroka baza danych była konieczna, by sprawdzić, czy algorytm zachowuje skuteczność mimo różnic w metodach barwienia, typach skanerów i demografii pacjentów między poszczególnymi laboratoriami.
W wewnętrznych testach Hetairos osiągnął 75% trafności w identyfikacji właściwego podtypu jako pierwszego wyboru. Jeśli uwzględnić trzy najbardziej prawdopodobne propozycje, skuteczność rosła do 87%. W walidacji zewnętrznej, na danych z ośrodków nieużywanych podczas treningu, wyniki były nieco niższe – odpowiednio 68% i 84% – co jest typowym zjawiskiem dla modeli działających w warunkach realnych różnic między laboratoriami.
Kluczową cechą modelu jest zdolność do oceny własnej pewności. Gdy algorytm wykazywał wysoki poziom ufności (co dotyczyło 50–70% przypadków, zależnie od zestawu), trafność jego pierwszej propozycji sięgała 87–88%. W pozostałych przypadkach model sygnalizował niepewność. Samo w sobie jest to cenną wskazówką, sugerującą konieczność przeprowadzenia dalszych badań molekularnych. Niepewne przewidywania rzadko prowadziły do błędów diagnostycznych w obrębie odległych grup nowotworów, algorytm mylił się głównie pomiędzy pokrewnymi podtypami.
Autorzy przeprowadzili bezpośrednie porównanie Hetairosa z pięcioma certyfikowanymi neuropatologami, którym przedstawiono identyczne preparaty. Było to łącznie 210 przypadków z pełnego spektrum nowotworów ośrodkowego układu nerwowego. Zadanie polegało na wskazaniu do trzech najbardziej prawdopodobnych rozpoznań spośród tych samych 102 podtypów, z których korzysta algorytm. Wynik był jednoznaczny: Hetairos osiągnął trafność pierwszego wyboru wynoszącą 68%, podczas gdy średnia dla ludzkich ekspertów wyniosła jedynie 30%. Luka zmniejszała się przy uwzględnieniu wszystkich trzech propozycji – 84% dla algorytmu wobec 50% dla patologów – lecz przewaga sztucznej inteligencji utrzymywała się we wszystkich przedziałach ufności. Jedynie w przypadku najrzadszych podtypów, reprezentowanych przez mniej niż dziesięć przypadków w zbiorze treningowym, ludzcy eksperci osiągali porównywalną skuteczność.
Testy kliniczne przeprowadzone w Heidelbergu między sierpniem 2024 a czerwcem 2025 roku potwierdziły użyteczność systemu. Standardowe postępowanie diagnostyczne trwa średnio 12 dni od przyjęcia materiału, a w przypadkach wymagających zaawansowanych badań molekularnych nawet 16 dni. Hetairos, działający na zwykłym komputerze ze standardową kartą graficzną, generował raport diagnostyczny w ciągu zaledwie 12 minut od dostarczenia zeskanowanego preparatu, co oznacza, że wynik zwykle dostępny już w ciągu 24 godzin od pobrania materiału. Wśród przypadków, które algorytm oceniał z wysoką pewnością, zgodność z ostateczną diagnozą opartą na pełnym zestawie badań molekularnych przekroczyła 90%.
Algorytm okazał się szczególnie cenny w sytuacjach, gdy tradycyjne profilowanie metylacji zawodzi. W przypadku biopsji stereotaktycznych, gdzie ilość dostępnego materiału jest bardzo ograniczona, Hetairos poprawnie sklasyfikował niemal 80% próbek. Był też przydatny tam, gdzie wynik profilowania metylacji był niejednoznaczny. W takich niepewnych przypadkach okazało się, że gdy Heitaros postawił taką samą diagnozę, co człowiek pracujący standardowymi metodami, trafność diagnozy wzrastała do niemal 89%.
Twórcy Hetiarosa podkreślają, że nie jest on zaprojektowany jako autonomiczny diagnosta, lecz jako narzędzie wspomagające pracę neuropatologów, zawężające diagnostykę różnicową, wskazujące obszary preparatu warte szczególnej uwagi i pomagające zdecydować, jakie badania dodatkowe zlecić w dalszej kolejności. Szacowany koszt analizy jednego przypadku wynosi zaledwie 1–2 euro, a sam model może działać na sprzęcie konsumenckim. Kod źródłowy został udostępniony, zatem może być rozwijany i wdrażany na całym świecie. Będzie szczególnie cenną pomocą tam, gdzie brak jest dostępu do zaawansowanej diagnostyki molekularnej.
Z wynikami badań można zapoznać się na łamach Nature Cancer.
Komentarze (0)