Rak żołądka pozostaje jednym z najczęstszych i najbardziej śmiertelnych nowotworów złośliwych na świecie, szczególnie w krajach Azji Wschodniej. Mimo dostępności skutecznych metod diagnostycznych, takich jak endoskopia, wiele osób rezygnuje z badań ze względu na ich inwazyjność, wysokie koszty i ograniczoną dostępność. Przełomem w diagnostyce może okazać się sztuczna inteligencja. Nowo opracowany model GRAPE, wykorzystujący tomografię komputerową bez kontrastu, osiąga wysoką skuteczność w wykrywaniu raka żołądka i przewyższa doświadczonych radiologów, oferując obiecującą alternatywę dla tradycyjnych metod przesiewowych.
Z tego artykułu dowiesz się…
- Jak działa model sztucznej inteligencji GRAPE i w jaki sposób analizuje rutynowe tomografie komputerowe bez kontrastu.
- Jakie wyniki skuteczności osiągnął GRAPE w badaniach klinicznych oraz w codziennej praktyce szpitalnej.
- Dlaczego GRAPE może być realną, nieinwazyjną alternatywą dla endoskopii w przesiewowym wykrywaniu raka żołądka.
- Jakie są ograniczenia modelu w przypadku wczesnych stadiów raka i jakie są plany jego dalszego rozwoju.
Nowa era diagnostyki raka żołądka
Rak żołądka to jeden z najbardziej śmiertelnych nowotworów złośliwych na świecie, szczególnie powszechny w Azji Wschodniej. Każdego roku aż 75% wszystkich przypadków i zgonów rejestruje się w Chinach, Japonii i Korei. Pomimo dostępności skutecznej diagnostyki endoskopowej, jej inwazyjny charakter oraz niska akceptacja społeczna ograniczają powszechne stosowanie. Odpowiedzią na ten problem może być sztuczna inteligencja.
W czasopiśmie Nature Medicine opublikowano wyniki badania, w którym przedstawiono przełomowy model AI o nazwie GRAPE (Gastric Cancer Risk Assessment Procedure with Artificial Intelligence). Opracowany przez zespół badaczy z Chin przy wsparciu Alibaba Damo Academy i Szpitala Onkologicznego w Zhejiang, system wykrywa raka żołądka na podstawie rutynowych, niekontrastowych skanów tomografii komputerowej (CT), osiągając lepsze wyniki niż doświadczeni radiolodzy.
Jak działa model GRAPE?
GRAPE integruje dwie kluczowe funkcje: segmentację guza i klasyfikację pacjenta. W pierwszym kroku sztuczna inteligencja identyfikuje obszar żołądka na obrazie CT, a następnie przycina go i analizuje w poszukiwaniu zmian nowotworowych. System jednocześnie ocenia, czy pacjent należy do grupy z rakiem żołądka (GC), czy też nie.
W przeciwieństwie do tradycyjnych metod diagnostycznych, GRAPE nie wymaga wprowadzania kamery do przewodu pokarmowego. Analizując obrazy CT, model identyfikuje subtelne zmiany, które mogą umknąć uwadze człowieka.
GRAPE zidentyfikował późnego raka żołądka u pacjenta na sześć miesięcy przed jego wykryciem przez radiologów – podkreślają autorzy badania.
Skuteczność modelu GRAPE potwierdzona w badaniach
W trakcie treningu GRAPE wykorzystano dane z dwóch ośrodków: 3470 przypadków raka żołądka oraz 3250 przypadków niezwiązanych z nowotworami. Model osiągnął w wewnętrznej walidacji czułość 85,1%, swoistość 96,8% i AUC 0,970. W kolejnej fazie, przeprowadzonej w 16 niezależnych ośrodkach na próbie ponad 18 tysięcy pacjentów, skuteczność pozostała wysoka – AUC wyniosła 0,927, a czułość i swoistość odpowiednio 81,7% i 90,5%.
Porównawcze testy z udziałem 13 radiologów, analizujących 297 skanów, ujawniły, że GRAPE przewyższa ludzi, zwiększając czułość o 21,8% i swoistość o 14,0%, zwłaszcza w przypadkach wczesnych stadiów raka.
Nawet po ponownym przeglądzie obrazów przez radiologów z wykorzystaniem wskazówek GRAPE, model AI utrzymał wysoką dokładność diagnostyczną.
Testy w rzeczywistych warunkach klinicznych
Model został przetestowany również w warunkach codziennej praktyki medycznej. W latach 2018–2024 przeanalizowano łącznie 78 593 tomografie komputerowe wykonane w trzech placówkach: Szpitalu Onkologicznym Zhejiang oraz dwóch szpitalach regionalnych (Fenghua i Pingyang). Wskaźniki wykrycia raka wyniosły odpowiednio 24,5% w Fenghua, 17,7% w Pingyang i 12,1% w centrum onkologii.
Co istotne, aż 40% przypadków wykrytych przez GRAPE nie miało żadnych wcześniejszych objawów ze strony przewodu pokarmowego. Oznacza to, że model może identyfikować nowotwory zanim pojawią się symptomy kliniczne – co ma kluczowe znaczenie dla skuteczności leczenia.
Ograniczenia i dalsze kierunki rozwoju
Mimo imponujących wyników, system GRAPE nie jest wolny od ograniczeń. W przypadku nowotworów we wczesnym stadium (T1), czułość modelu wyniosła jedynie około 50%. Jest to znacząco niższy wynik w porównaniu z badaniami endoskopowymi, które pozwalają na dokładną ocenę błony śluzowej i pobranie wycinków do analizy histopatologicznej.
Zespół badawczy planuje dalsze prace nad poprawą skuteczności GRAPE. Główne działania to:
- rozszerzenie bazy danych szkoleniowych o przypadki wczesnego raka żołądka,
- integracja wyników patologicznych,
- wdrożenie procedur ułatwiających obrazowanie, takich jak rozdęcie żołądka przed skanem CT.
AI w służbie prewencji nowotworowej
Jak tłumaczą przedstawiciele Alibaba Damo Academy:
Sztuczna inteligencja ma na celu wypełnienie poważnej luki w badaniach przesiewowych w kierunku raka w Chinach, gdzie wiele osób rezygnuje z poddania się wczesnym badaniom z powodu inwazyjnych procedur endoskopowych – tłumaczą przedstawiciele Alibaba Damo Academy.
Model GRAPE kontynuuje sukces wcześniejszego narzędzia AI tej firmy – Damo Panda, przeznaczonego do wykrywania raka trzustki, które w 2023 roku uzyskało od FDA status „przełomowego urządzenia”.
Oba systemy pokazują, że sztuczna inteligencja może zrewolucjonizować prewencję onkologiczną, oferując dostępne i skuteczne narzędzia do badań przesiewowych – zwłaszcza tam, gdzie tradycyjne metody są niedostępne, kosztowne lub źle przyjmowane przez pacjentów.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Model GRAPE, oparty na sztucznej inteligencji, osiągnął czułość 85,1% i swoistość 96,8% w wykrywaniu raka żołądka na podstawie TK bez kontrastu.
- GRAPE przewyższył radiologów w badaniach porównawczych, zwiększając skuteczność wykrywania raka, szczególnie we wczesnych stadiach – czułość wzrosła o 21,8%.
- W testach w warunkach rzeczywistych model zidentyfikował guzy nawet u pacjentów bez objawów, osiągając wskaźniki wykrycia od 12,1% do 24,5%.
- System ma ograniczenia w wykrywaniu bardzo wczesnych stadiów choroby (T1), ale trwają prace nad jego udoskonaleniem i szerszym wdrożeniem klinicznym.
Źródła:
- Nature Medicine
- Interesting Engineering
- Medical Xpress
