Modele uczenia maszynowego mogą pomóc w identyfikacji osób o podwyższonym ryzyku zachorowania na raka, wykorzystując wyniki rutynowych badań krwi, historię chorób i informacje o stylu życia. Międzynarodowy zespół naukowców przeanalizował dane ponad 463 tys. uczestników UK Biobank i opracował około 500 modeli przewidujących ryzyko 20 rodzajów nowotworów. W analizie obejmującej 15-letni okres prognozowania uzyskano wartość AUROC wynoszącą 0,83 dla łącznego ryzyka wybranych nowotworów. Wyniki przedstawiono podczas kongresu ESMO 2026.
Z tego artykułu dowiesz się…
- Jak modele uczenia maszynowego wykorzystują rutynowe badania krwi, historię chorób i styl życia do przewidywania ryzyka nowotworów.
- Jakie wyniki uzyskano w badaniu obejmującym ponad 463 tys. uczestników UK Biobank i 20 rodzajów nowotworów.
- W przypadku których nowotworów sztuczna inteligencja osiąga najwyższą skuteczność przewidywania ryzyka.
- Czym jest narzędzie PRE-Screen i jak AI może w przyszłości wspierać personalizację badań przesiewowych.
Uczenie maszynowe może pomóc przewidywać ryzyko zachorowania na raka
Wczesne wykrywanie nowotworów pozostaje jednym z najważniejszych wyzwań współczesnej onkologii. Obecne programy badań przesiewowych obejmują jednak ograniczoną liczbę chorób, a kwalifikacja pacjentów często opiera się na wieku i innych ogólnych kryteriach.
Naukowcy z zespołu kierowanego przez dr. Paula-Henry’ego Koopa z Else Kröner Fresenius Center for Digital Health na Uniwersytecie Technicznym w Dreźnie sprawdzili, czy sztuczna inteligencja może przewidywać indywidualne ryzyko nowotworów na podstawie danych dostępnych w rutynowej opiece zdrowotnej. Celem było opracowanie narzędzi, które mogłyby wspierać kierowanie pacjentów na dalszą diagnostykę, zanim pojawią się wyraźne objawy choroby.
Analiza ponad 463 tys. osób i 500 modeli uczenia maszynowego
Badanie wykorzystało dane 463 620 uczestników brytyjskiego UK Biobank, obserwowanych przez około 18 lat. W tym czasie nowotwór rozpoznano u 57 055 osób. Naukowcy opracowali około 500 modeli uczenia maszynowego, analizujących m.in. wyniki badań krwi, historię medyczną, styl życia oraz informacje genetyczne i metabolomiczne.
Modele poddano również ocenie w innych populacjach, wykorzystując dane ze Szkocji i Walii, amerykańskiego programu All of Us obejmującego 42 036 osób oraz japońskiej bazy JMDC zawierającej informacje o ponad 3 mln pacjentów. Aby ograniczyć wpływ wcześniej nierozpoznanych nowotworów, z odpowiednich analiz wykluczono przypadki zdiagnozowane w pierwszym roku obserwacji.
AI osiągnęła wysoką skuteczność przewidywania wybranych nowotworów
Modele uczenia maszynowego przewyższyły tradycyjne metody statystyczne, choć ich skuteczność różniła się w zależności od rodzaju nowotworu. Dla łącznego ryzyka nowotworów możliwych do przewidywania na podstawie rutynowych danych klinicznych uzyskano AUROC na poziomie 0,83 w perspektywie 15 lat. Wskaźnik ten określa zdolność modelu do odróżniania osób, u których rozwinie się choroba, od pozostałych uczestników.
Najlepsze wyniki odnotowano w przypadku raka płuca, przełyku i wątroby. Niższą skuteczność uzyskano natomiast dla raka szyjki macicy, piersi i jajnika. W przypadku ostrej białaczki szpikowej i szpiczaka mnogiego trafność prognoz malała wraz z wydłużaniem okresu obserwacji. Może to oznaczać, że część krótkoterminowych przewidywań odzwierciedlała wczesne, jeszcze nierozpoznane zmiany chorobowe.
Rutynowe badania krwi dostarczają cennych informacji o ryzyku raka
Jednym z najważniejszych ustaleń była wysoka wartość predykcyjna rutynowych badań krwi i wywiadu medycznego. Wyniki badań laboratoryjnych zwiększały skuteczność prognozowania nawet w odniesieniu do nowotworów rozpoznawanych ponad pięć lat później. Jednocześnie dodatkowe informacje genetyczne i metabolomiczne przynosiły stosunkowo niewielką poprawę.
Oznacza to, że przyszłe narzędzia oceny ryzyka mogłyby wykorzystywać dane już gromadzone podczas standardowych wizyt lekarskich, bez konieczności wykonywania kosztownych badań specjalistycznych u wszystkich pacjentów.
PRE-Screen – narzędzie łączące modele ryzyka z AI
Zespół opracował również PRE-Screen, zestaw narzędzi umożliwiający agentom sztucznej inteligencji opartym na dużych modelach językowych (LLM) korzystanie z wyspecjalizowanych modeli przewidywania ryzyka. Agenci wykorzystujący PRE-Screen osiągali znacznie lepsze wyniki niż systemy LLM próbujące samodzielnie prognozować ryzyko nowotworowe.
Rozwiązanie mogłoby w przyszłości wspierać lekarzy w identyfikowaniu pacjentów wymagających dokładniejszej oceny. Nie jest jednak narzędziem służącym do samodzielnego rozpoznawania raka.
Czy AI zmieni przyszłość badań przesiewowych?
Autorzy wskazują, że modele mogłyby stanowić niedrogi etap wstępnej oceny ryzyka, pomagający lepiej dobierać pacjentów do dalszych badań przesiewowych. Jednocześnie podkreślają, że podwyższone ryzyko nie oznacza rozpoznania nowotworu. Wiele osób zakwalifikowanych do grupy wysokiego ryzyka nigdy nie zachoruje.
Badanie miało charakter retrospektywny, dlatego nie wykazano jeszcze, że zastosowanie modeli w praktyce prowadzi do wcześniejszego wykrywania raka lub poprawy przeżywalności. Konieczna jest również dalsza walidacja w różnych populacjach oraz ocena możliwych błędów systematycznych.
Główne wnioski
- Modele uczenia maszynowego mogą przewidywać ryzyko 20 rodzajów nowotworów na podstawie rutynowych danych medycznych. Naukowcy opracowali około 500 modeli, wykorzystując informacje od 463 620 uczestników UK Biobank, spośród których u 57 055 rozpoznano nowotwór podczas około 18 lat obserwacji.
- Sztuczna inteligencja osiągnęła AUROC na poziomie 0,83 w 15-letniej prognozie łącznego ryzyka wybranych nowotworów. Najlepsze wyniki uzyskano dla raka płuca, przełyku i wątroby, natomiast niższą skuteczność odnotowano w przypadku raka piersi, jajnika i szyjki macicy.
- Rutynowe badania krwi i historia medyczna dostarczały istotnych informacji o przyszłym ryzyku zachorowania na raka. Wyniki badań laboratoryjnych poprawiały prognozy nawet dla nowotworów diagnozowanych ponad pięć lat później, podczas gdy dane genetyczne i metabolomiczne zapewniały jedynie niewielką dodatkową korzyść.
- Narzędzie PRE-Screen może wspierać wykorzystanie AI w personalizacji profilaktyki onkologicznej. Wyniki przedstawione na kongresie ESMO 2026 wskazują na potencjał modeli w kwalifikowaniu pacjentów do dalszych badań, jednak konieczne są prospektywne badania potwierdzające ich skuteczność kliniczną i wpływ na wcześniejsze wykrywanie nowotworów.
Źródło:
- European Society for Medical Oncology (ESMO), „Machine learning models predict common cancer risks using routine health data”, 27 października 2026 r., wyniki badania przedstawione podczas ESMO Congress 2026
