Dirbtinis intelektas aptinka ankstyvos stadijos prostatos vėžį, kurio patologai nepastebi

Mokslinėse ataskaitose teigiama, kad dirbtinis intelektas gali atpažinti paslėptus morfologinius naviko požymius prostatos biopsijose, kurias patologas anksčiau laikė gerybinėmis. Gilaus mokymosi modelis, apmokytas naudojant silpnai prižiūrimą metodą, numatė, kuriems vyrams, kurių PSA yra padidėjęs, per ateinančius 30 mėnesių išsivystys kliniškai reikšmingas prostatos vėžys (ISUP > 1), o kurie išliks be vėžio mažiausiai 8 metus. Tai atveria duris ankstyvam rizikos stratifikavimui iškart po pradinės „švarios“ biopsijos ir gali padėti nuspręsti, kam iš tikrųjų reikia pakartotinių invazinių procedūrų ir sustiprintos priežiūros.

Tyrimo kontekstas

Pirminė adatinė prostatos biopsija dažnai duoda klaidingai neigiamus rezultatus: didelė dalis kliniškai reikšmingo vėžio lieka „neaptikta“, ypač atliekant tradicinę sisteminę TRUS biopsiją. MRT rekomendacijų įvedimas padidino kliniškai reikšmingo vėžio nustatymo dalį ir sumažino nereikalingų pakartotinių procedūrų skaičių, tačiau net ir taikant šiuolaikines strategijas kai kurie agresyvūs navikai lieka neaptikti. Klinikinė dilema išlieka ta pati: kas turėtų būti stebimas po „švarios“ biopsijos ir kas turėtų būti nukreiptas ankstyvai pakartotinei biopsijai, kad nebūtų atidėliojama diagnozė ir pacientai nebūtų perkrauti invazinėmis intervencijomis.

Biologinis šios problemos sprendimo pagrindas yra TINT (naviko instrukcijos / normalaus audinio indikacijos) reiškinys: navikas „perkonfigūruoja“ aplinkinius, atrodytų, normalius organo audinius, palikdamas juose silpnus, bet sistemingus pėdsakus – nuo stromos remodeliacijos ir hipoksijos iki metabolinių pokyčių. Šie pokyčiai buvo aprašyti eksperimentiniuose modeliuose ir pacientams, sergantiems prostatos vėžiu, ir koreliuoja su naviko agresyvumu, todėl „normalus“ audinys tampa potencialiu diagnostinių signalų šaltiniu, net jei biopsijos šerdyje nėra akivaizdžių vėžinių liaukų.

Skaitmeninės patologijos ir gilaus mokymosi metodai skirti išskirti tokius „subtilius“ lauko požymius iš standartinių H&E pjūvių. Skirtingai nuo klasikinės morfologijos, kuri sutelkia dėmesį į akivaizdžias naviko struktūras, algoritmai gali užfiksuoti paskirstytus stromos ir epitelio modelius, susijusius su naviko buvimu kitoje organo dalyje. Tai atveria kelią rizikos stratifikacijai iškart po neigiamos biopsijos: aukštas stiklo „balas“ rodo, kad ankstyva pakartotinė biopsija arba MRT stebėjimas yra tikslingas, o žemas – leidžia labiau stebėti organus švelniau.

Ši idėja grindžiama naujame tyrime, paskelbtame žurnale „Scientific Reports“: autoriai ištyrė, ar dirbtinis intelektas gali numatyti kliniškai reikšmingą prostatos vėžį per ateinančius 30 mėnesių, remdamiesi TINT biopsijų morfologiniais požymiais. Darbas remiasi anksčiau pateiktu išankstiniu tyrimu ir sudaro praktinį pagrindą „lauko“ skaitmeninių biožymenų įdiegimui pacientų maršrutizavime po pradinės „švarios“ biopsijos.

Kaip tai buvo padaryta: dizainas, duomenys, algoritmas

Autoriai retrospektyviai surinko 232 vyrų, kuriems nustatytas padidėjęs PSA kiekis ir pradinė adatinės biopsijos išvada – „gerybinė“, kohortą (po techninės kontrolės į galutinę analizę buvo įtraukti 213 pacientų ir 587 pjūviai; biopsijos atliktos 1997–2016 m., Umeo, Švedija). Kiekvienas pacientas buvo susietas su „veidrodžio“ pora pagal amžių, diagnozės metus ir PSA lygį: pusei prostatos vėžys buvo diagnozuotas vėliau (≤30 mėnesių), kita pusė išliko be vėžio mažiausiai 8 metus. H&E skaidrės buvo suskaitmenintos (20×), supjaustytos į 256 × 256 pikselių plyteles ir pateiktos į CLAM (klasterizavimo būdu apriboto dėmesio kelių egzempliorių mokymąsi) – modernią, silpnai prižiūrimą schemą, kurioje žinomas tik paciento likimas, o ne kiekvieno pikselio žymėjimas. Požymius išskyrė „ResNet18“, iš anksto apmokyta 57 histopatologijos duomenų rinkiniuose. Galutinis taškas yra dvejetainis: maža rizika (gerybinė / ISUP1) ir didelė rizika (ISUP2-5).

Prognozavimo tikslumas

Nepriklausomame bandyme modelis pasiekė 0,81 AUC tarp skaidrių ir 0,82 AUC paciento lygmeniu. Esant priimtinai pusiausvyrai, jautrumas buvo 0,92, o klaidingai teigiamų rezultatų dažnis – 0,32 (paciento lygmeniu). Kitaip tariant, tarp žmonių, kurių pradinė biopsija „nepavyko“, dirbtinis intelektas teisingai pažymėjo didžiąją daugumą tų, kuriems netrukus buvo patvirtintas kliniškai reikšmingas vėžys, nors ir sukeldamas keletą klaidingų pavojaus signalų. Klinikai tai yra signalas: „gerybinis“ biopsijos atsakas ≠ nulinė rizika, ir tai galima kiekybiškai stratifikuoti naudojant skaitmeninį stiklą.

Ką tiksliai DI „pastebi“ „normaliuose“ audiniuose?

Interpretacija naudojant UMAP ir dėmesio žemėlapius parodė, kad stromos pokyčiai yra informatyviausi:

• Daugiau kolageno stromoje (matricos sutankinimas, „fibrozė“);
• Mažiau lygiųjų raumenų ląstelių aplink liaukas;
• Rečiau pasitaiko subtilūs signalai liaukų epitelyje, tikriausiai mažesni už galimą mažinimo skiriamąją gebą.
  Šis modelis atitinka TINT (naviko nurodytas / normalaus audinio indikacija) koncepciją: net „norma“ organe, kuriame navikas yra paslėptas, yra pertvarkoma veikiant jam ir skiriasi nuo „normos“ organe be naviko. Vėžys yra ne tik židinys, bet ir laukas, o dirbtinis intelektas išmoksta skaityti lauko efektą.

Kaip šis metodas naudingas praktiškai – galimi scenarijai

• Pakartotinė biopsija, pagrįsta rizika: didelis dirbtinio intelekto dažnis ant „švaraus“ stiklo – argumentas ankstyvos pakartotinės biopsijos arba MRT rekomendacijų naudai, o ne laukimui.
• Stebėjimo suasmeninimas: mažas greitis kompensuoja nerimą po „ribinio“ MRT ir leidžia sumažinti stebėjimo intensyvumą.
• TINT šablonų mokymas: dėmesio žemėlapiai ir interaktyvūs perdengimai padeda patologams matyti subtilius laukus aplink vėžį, pagerindami ataskaitų nuoseklumą.

Svarbu suprasti apribojimus

Tai vienas centras šiaurinėje Švedijoje (daugiausia baltaodžių populiacija), tyrimo dizainas retrospektyvus, pradinės biopsijos atliktos be MRT kontrolės (sisteminės TRUS biopsijos), o žymekliai rodo būsimus rezultatus, o ne „paslėptą naviką tame pačiame preparate“. Nepriklausomuose centruose / skenerių įstaigose kol kas nėra išorinio patvirtinimo, taip pat nėra perspektyvaus algoritmo poveikio klinikiniams sprendimams ir rezultatams tyrimo. Klaidingai teigiamų rezultatų dalis išlieka reikšminga – modelis nepakeičia gydytojo, bet prideda tikimybinį sluoksnį bendram sprendimų priėmimui.

Kas toliau: įgyvendinimo planas

• Daugiacentris išorinis patvirtinimas (skirtingi skeneriai, protokolai, etninės grupės).
• Perspektyviniai sprendimų tyrimai: ar AI balas keičia paciento trajektoriją (laiką iki diagnozės nustatymo, nereikalingų pakartotinių biopsijų skaičių, per didelę / nepakankamą diagnozę).
• Integracija su MRT ir klinika: kombinuoti modeliai (PSA, MRT PIRADS, klinikiniai veiksniai + TINT balas pagal H&E).
• Techniniai žingsniai: skaitmeninimo standartizavimas, duomenų dreifo kontrolė, paaiškinamumas (dėmesio sutelkimas į rutiną).

Šaltinis: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C. ir kt. Naviko, rodančio morfologinius pokyčius gerybinėse prostatos biopsijose, atradimas naudojant dirbtinį intelektą. Mokslinės ataskaitos („Nature Portfolio“), paskelbtos 2025 m. rugpjūčio 21 d. DOI: https://doi.org/10.1038/s41598-025-15105-6