Rak płuc pozostaje jedną z najpoważniejszych chorób nowotworowych na świecie. Według globalnych statystyk odpowiada za około 1,8 miliona zgonów rocznie, co stanowi niemal jedną piątą wszystkich zgonów z powodu nowotworów. Jednym z głównych powodów tak wysokiej śmiertelności jest późne wykrywanie choroby. We wczesnym stadium zmiany nowotworowe w płucach są bardzo małe i często przypominają prawidłową tkankę, co utrudnia ich identyfikację nawet doświadczonym radiologom. W odpowiedzi na to wyzwanie naukowcy coraz intensywniej badają zastosowanie sztucznej inteligencji (AI) w diagnostyce obrazowej.
Nowe badanie opublikowane w czasopiśmie „Scientific Reports” prezentuje model sztucznej inteligencji opracowany przez naukowców z Uniwersytetu Technicznego w Kownie (Kaunas University of Technology – KTU), który może znacząco poprawić wykrywalność raka płuc w badaniach tomografii komputerowej.
Z tego artykułu dowiesz się…
- jak nowy model sztucznej inteligencji analizujący tomografię komputerową płuc może pomóc lekarzom wcześniej wykrywać raka płuc
- dlaczego jednoczesna analiza szczegółów obrazu i całego kontekstu płuc zwiększa skuteczność diagnostyki
- jakie wyniki osiągnął system AI opracowany przez naukowców z Uniwersytetu Technicznego w Kownie (KTU)
- w jaki sposób sztuczna inteligencja może wspierać radiologów jako narzędzie drugiej opinii i zmniejszać ryzyko przeoczenia zmian nowotworowych
Dlaczego rak płuc jest tak trudny do wykrycia
Wczesne stadia raka płuc często nie powodują wyraźnych objawów klinicznych. Jednocześnie zmiany nowotworowe widoczne w badaniach obrazowych mogą przyjmować postać bardzo drobnych guzków lub subtelnych różnic w strukturze tkanki płucnej. Radiolodzy analizujący obrazy tomografii komputerowej muszą zatem zwracać uwagę na bardzo niewielkie szczegóły, takie jak:
- drobne guzki lub zacienienia,
- nieregularności w strukturze tkanki płucnej,
- zmiany w teksturze obrazu.
Jednocześnie konieczne jest uwzględnienie kontekstu całego obrazu płuc, ponieważ pojedyncza zmiana może mieć zupełnie inne znaczenie w zależności od jej lokalizacji i relacji z innymi strukturami. Ta konieczność jednoczesnego analizowania szczegółów i kontekstu stanowi jedno z największych wyzwań diagnostyki obrazowej.
Nowy model AI analizuje szczegóły i kontekst jednocześnie
Aby poprawić skuteczność diagnostyki, zespół naukowców opracował model sztucznej inteligencji zdolny do jednoczesnej analizy dwóch poziomów informacji zawartych w obrazie TK. Jak wyjaśnia Inzamam Mashood Nasir, badacz z Uniwersytetu Technicznego w Kownie (KTU), jeden z twórców systemu:
Jedna część modelu koncentruje się na małych szczegółach , takich jak drobne punkty lub tekstury w płucach, podczas gdy druga część analizuje cały obraz i stara się zrozumieć szerszy kontekst.
Podejście takie odzwierciedla sposób pracy radiologa, który podczas analizy obrazu stale przełącza się między przybliżeniem podejrzanych obszarów, a oceną całego obrazu płuc. System sztucznej inteligencji wykonuje jednak oba te zadania równocześnie:
Można to sobie wyobrazić jako jednoczesne posiadanie lupy i pełnego widoku skanu – wyjaśnia Nasir.
Szkolenie modelu na obrazach tomografii komputerowej
Model sztucznej inteligencji został wytrenowany na dużym zbiorze obrazów tomografii komputerowej obejmujących zarówno osoby zdrowe, jak i pacjentów z chorobą nowotworową. Dzięki temu algorytm nauczył się identyfikować wzorce charakterystyczne dla różnych typów zmian w płucach, w tym:
- obrazów prawidłowych,
- zmian łagodnych,
- zmian złośliwych.
Proces treningu umożliwił systemowi rozpoznawanie subtelnych różnic pomiędzy tkanką zdrową, a potencjalnie nowotworową.
Dokładność przekraczająca 96%
Wyniki badań wskazują na bardzo wysoką skuteczność modelu. System osiągnął dokładność przekraczającą 96%, przewyższając wiele dotychczas stosowanych metod analizy obrazów medycznych. Co równie istotne, model zachował stabilną wydajność w różnych testach. Jak podkreślają autorzy badania:
Ten poziom zaawansowania jest ważny, zwłaszcza w zastosowaniach medycznych, gdzie nawet niewielkie różnice mogą mieć poważne konsekwencje.
W diagnostyce raka płuc nawet drobna poprawa skuteczności wykrywania może oznaczać wcześniejsze rozpoczęcie leczenia i znacząco większe szanse przeżycia pacjentów.
Wsparcie dla lekarzy, a nie zastępstwo
Autorzy projektu podkreślają, że system sztucznej inteligencji nie ma zastąpić radiologów, lecz stanowić dla nich narzędzie wspomagające podejmowanie decyzji diagnostycznych. Takie rozwiązania wpisują się w szybko rozwijający się obszar AI w medycynie, w którym algorytmy analizujące dane kliniczne i obrazy diagnostyczne wspierają specjalistów w identyfikowaniu chorób na wcześniejszych etapach. Jak wyjaśnia Nasir:
Chodzi o wsparcie lekarzy. System zapewnia drugą opinię i pomaga upewnić się, że ważne szczegóły nie zostaną pominięte, a także skraca czas potrzebny na opiekę nad pacjentem, szczególnie w środowiskach o dużym obciążeniu pracą.
Rozwiązania takie mogą być szczególnie cenne w placówkach medycznych o dużej liczbie badań obrazowych, gdzie radiolodzy muszą analizować setki skanów dziennie.
Znaczenie dla pacjentów i systemów ochrony zdrowia
Wcześniejsze wykrycie raka płuc ma kluczowe znaczenie dla rokowania pacjentów. W wielu przypadkach choroba jest diagnozowana dopiero w zaawansowanym stadium, gdy możliwości leczenia są znacznie ograniczone. Tymczasem wykrycie nowotworu na wczesnym etapie pozwala na zastosowanie terapii chirurgicznych lub innych metod leczenia o znacznie większej skuteczności.
Wczesna diagnoza oznacza, że leczenie można rozpocząć wcześniej, a wyniki są zazwyczaj znacznie lepsze – mówi Nasir.
Jednocześnie system ma potencjał zmniejszenia liczby fałszywych alarmów, które mogą prowadzić do niepotrzebnych badań diagnostycznych i stresu pacjentów.
Możliwe zastosowania także w innych chorobach
Choć model został opracowany przede wszystkim do wykrywania raka płuc, naukowcy podkreślają, że podobna architektura systemu może być wykorzystana również w innych obszarach diagnostyki obrazowej. Jak zauważa Nasir:
Każde zadanie z zakresu obrazowania medycznego, które wymaga zarówno szczegółowej analizy, jak i zrozumienia szerszego obrazu, mogłoby skorzystać z tego typu modelu.
Potencjalne zastosowania obejmują między innymi diagnostykę:
- guzów mózgu,
- raka piersi,
- chorób oczu.
Ograniczenia i dalsze badania
Autorzy badania podkreślają, że model został dotychczas przetestowany na stosunkowo ograniczonym zbiorze danych. W związku z tym konieczne są dalsze etapy badań, obejmujące:
- walidację kliniczną w środowisku szpitalnym,
- testowanie na większych i bardziej zróżnicowanych populacjach pacjentów,
- integrację systemu z istniejącymi platformami diagnostycznymi.
Jak podkreśla Nasir:
W rzeczywistych warunkach występuje wiele zmiennych — różne skanery , protokoły obrazowania i populacje pacjentów, dlatego musimy mieć pewność, że system będzie działał niezawodnie w każdym z nich.
Główne wnioski
- Badanie opublikowane w czasopiśmie „Scientific Reports” pokazuje, że nowy model sztucznej inteligencji analizujący obrazy tomografii komputerowej płuc może wspierać lekarzy w wczesnym wykrywaniu raka płuc.
- System opracowany przez naukowców z Uniwersytetu Technicznego w Kownie (KTU) wykorzystuje podwójny mechanizm analizy obrazu, który jednocześnie ocenia drobne szczegóły zmian w płucach oraz kontekst całego skanu.
- Model osiągnął dokładność przekraczającą 96%, przewyższając wiele dotychczas stosowanych metod analizy obrazów medycznych i zachowując stabilną wydajność w różnych testach.
- Technologia może w przyszłości znaleźć zastosowanie także w diagnostyce innych chorób, takich jak guzy mózgu, rak piersi czy choroby oczu, po przeprowadzeniu dalszych badań klinicznych i walidacji w środowisku szpitalnym.
Źródło:
- https://www.nature.com/articles/s41598-026-41161-7
