AI wykrywa raka trzustki na lata przed diagnozą

Nowotwór trzustki od lat pozostaje jednym z najtrudniejszych do wczesnego wykrycia. Objawy pojawiają się późno, a zmiany w tkance bywają zbyt subtelne, by wychwycić je standardowymi metodami obrazowania. Zespół badaczy opracował jednak narzędzie, które może zmienić ten stan rzeczy — model sztucznej inteligencji o nazwie REDMOD, opisany na łamach czasopisma „Gut”. System potrafi dostrzec sygnały raka trzustki na długo przed tym, zanim choroba stanie się widoczna dla specjalistów.

Jak działa REDMOD i dlaczego to ważne

REDMOD, czyli Radiomics-based Early Detection MODel, to w pełni automatyczna platforma analizująca obrazy tomografii komputerowej jamy brzusznej. Jej zadaniem jest wychwytywanie niezwykle drobnych wzorców w teksturze trzustki — tak zwanych cech radiomicznych — które umykają ludzkiemu oku podczas rutynowej oceny skanów. Co istotne, algorytm samodzielnie lokalizuje i obrysowuje narząd, oddzielając go od sąsiednich struktur. Dzięki temu znika konieczność ręcznego zaznaczania granic przez specjalistów, a wraz z nią — zmienność wynikająca z tego, że różni ludzie robią to inaczej.

Znaczenie wczesnego rozpoznania trudno przecenić. Gruczolakorak przewodowy trzustki, najczęstszy typ tego nowotworu, cechuje się niskim odsetkiem przeżyć — głównie dlatego, że diagnoza pada zwykle na zaawansowanym etapie. Wczesne stadium choroby daje niewiele zauważalnych symptomów, a nowotwór rozwija się szybko. Jak podkreślają autorzy badania, przesunięcie momentu rozpoznania ma kluczowe znaczenie: modele symulacyjne wskazują, że wzrost odsetka przypadków wykrytych w stadium ograniczonym do narządu z 10% do 50% mógłby ponad dwukrotnie zwiększyć przeżywalność.

Co pokazały testy na pacjentach

Aby zweryfikować skuteczność systemu, naukowcy przeanalizowali skany tomografii 219 pacjentów z kilku szpitali. W momencie wykonywania badań doświadczeni radiolodzy nie widzieli żadnych oznak nowotworu — a jednak wszyscy ci pacjenci później otrzymali taką diagnozę. Obrazy pochodziły z różnych momentów: u 87 osób (40%) wykonano je od 3 do 12 miesięcy przed rozpoznaniem, u 76 (35%) od 12 do 24 miesięcy wcześniej, a u 56 (25%) ponad dwa lata przed diagnozą, maksymalnie do około trzech lat. U blisko dwóch trzecich chorych (64%) guz rozwinął się w głowie trzustki.

Grupę porównawczą stanowiło 1243 pacjentów, u których w ciągu kolejnych trzech lat nie stwierdzono raka trzustki. Dobrano ich pod względem wieku, płci i daty badania. Średnia wieku chorych, u których później rozpoznano nowotwór, wynosiła 69 lat (zakres 34–88), w grupie kontrolnej — 64 lata (ten sam przedział wiekowy).

Wyniki okazały się obiecujące. REDMOD wychwytywał subtelne sygnały związane z rakiem średnio 475 dni przed postawieniem klinicznej diagnozy — sygnały, które wcześniej pozostawały niezauważone podczas rutynowych ocen radiologicznych.

„To okno czasowe ma ogromne znaczenie, ponieważ tak wczesne wykrycie istotnie zwiększyłoby prawdopodobieństwo wyleczenia i poprawy przeżywalności” — podkreślają badacze.

Skuteczność kontra doświadczeni radiolodzy

Porównanie z ludzkimi specjalistami wypadło wyraźnie na korzyść algorytmu. Czułość REDMOD — czyli zdolność do prawidłowego rozpoznania choroby u osób, które faktycznie ją mają — wyniosła 73%, podczas gdy radiolodzy osiągnęli 39%. Różnica rosła jeszcze bardziej w przypadku skanów wykonanych ponad dwa lata przed diagnozą: model wykrywał zmiany w 68% przypadków, niemal trzykrotnie częściej niż lekarze (23%).

Badacze sprawdzili także, jak system radzi sobie z wykluczaniem nowotworu. W niezależnej grupie 539 pacjentów z różnych szpitali REDMOD poprawnie zakwalifikował nieco ponad 81% skanów jako wolne od raka. Na publicznym zbiorze NIH-PCT, udostępnionym przez amerykański National Institutes of Health (80 pacjentów), wynik był jeszcze lepszy — 87,5% prawidłowych klasyfikacji.

Dodatkowe testy sugerowały, że wykrywane przez model sygnały ostrzegawcze są spójne w czasie. Gdy naukowcy analizowali skany tych samych pacjentów wykonane kilka miesięcy od siebie, system dawał zgodne rezultaty w 90–92% przypadków. Ta powtarzalność wzmacnia przekonanie, że algorytm wychwytuje rzeczywiste zmiany związane z chorobą, a nie przypadkowe artefakty.

Ograniczenia i kolejne kroki

Mimo zachęcających rezultatów autorzy badania zachowują ostrożność. Wskazują na kilka kwestii, które trzeba rozwiązać, zanim technologia trafi do codziennej praktyki klinicznej:

Badana populacja nie obejmowała wystarczająco zróżnicowanych grup etnicznych, co może wpływać na skuteczność systemu w różnych populacjach.
Konieczne są testy prospektywne — szczególnie wśród osób podwyższonego ryzyka, na przykład tych z niewyjaśnioną utratą masy ciała lub świeżo rozpoznaną cukrzycą.
Dopiero takie badania pozwolą ustalić, czy narzędzie sprawdzi się w rutynowej pracy lekarzy.

Autorzy podsumowują, że ich praca potwierdza przydatność REDMOD jako w pełni zautomatyzowanej platformy zdolnej do rozpoznawania sygnałów obrazowych gruczolakoraka trzustki w stadium 0 w prawidłowo wyglądającej trzustce — z dużym wyprzedzeniem i skutecznością przewyższającą ekspertów radiologii. Zastrzegają jednocześnie, że potwierdzenie użyteczności klinicznej wymaga walidacji prospektywnej.

„REDMOD stanowi istotny krok w kierunku zmiany paradygmatu — od diagnozy późnej, objawowej, do proaktywnego wychwytywania choroby na etapie przedklinicznym, co daje realną nadzieję na poprawę wyników leczenia” — konkludują naukowcy.

Jeśli dalsze badania potwierdzą te wyniki, sztuczna inteligencja może stać się narzędziem wspierającym radiologów w wykrywaniu nowotworów, które dziś zbyt często umykają uwadze — i to na etapie, gdy leczenie ma jeszcze realne szanse powodzenia. Na razie to obietnica, ale oparta na konkretnych danych, a nie na marketingowych deklaracjach.