Sztuczna inteligencja rozróżnia prefibrotyczną pierwotną mielofibrozę z trombocytozą od trombocytemii esencialnej, wykorzystując zdigitalizowane obrazy biopsji szpiku kostnego

Dlaczego ma to znaczenie dla osób z chorobami krwi

Lekarzom często trudno rozróżnić dwa do siebie podobne schorzenia krwi, które niosą bardzo różne długoterminowe ryzyko. To badanie pokazuje, jak sztuczna inteligencja może odczytywać obrazy szpiku kostnego na ekranie komputera, by oddzielić te choroby z większą dokładnością, a przy tym wskazać subtelne cechy tkankowe, które ludzie mogą przeoczać. Dla pacjentów może to ostatecznie oznaczać lepszą diagnostykę, jaśniejsze informacje o ryzyku i bardziej dopasowane leczenie.

Dwie podobne choroby o bardzo różnych rokowaniach

Trombocytemia esencialna i prefibrotyczna pierwotna mielofibroza to rzadkie choroby szpiku kostnego, które powodują nadmiar płytek krwi — komórek odpowiadających za krzepnięcie. Pod mikroskopem próbki szpiku mogą wyglądać bardzo podobnie, więc nawet eksperci-patolodzy czasami nie zgadzają się co do rozpoznania. Rozróżnienie jest ważne, ponieważ osoby z postacią prefibrotyczną częściej rozwijają ciężkie zwłóknienie szpiku, białaczkę i zagrażające życiu powikłania niż chorzy z trombocytemią esencialną. Obecne wytyczne opierają się na wizualnej ocenie kształtów komórek i subtelnego zwłóknienia przez ekspertów — procesie subiektywnym i czasochłonnym.

Nauczanie komputera odczytywania preparatów szpiku

Naukowcy zbudowali dwuczęściowy system sztucznej inteligencji działający bezpośrednio na rutynowo barwionych obrazach biopsji szpiku kostnego. Najpierw wykorzystali potężny wstępnie wytrenowany model, wcześniej eksponowany na dziesiątkach tysięcy preparatów nowotworowych, aby wydobyć szczegółowe wzorce wizualne z każdego małego obszaru biopsji. Następnie zastosowali metodę „uwagi” (attention), która pozwala algorytmowi przypisać większe znaczenie regionom najbardziej wspierającym jedną z diagnoz. Trenowany na danych od 200 włoskich pacjentów z potwierdzonymi rozpoznaniami, a potem testowany na niezależnej grupie z amerykańskiego ośrodka onkologicznego, system rozróżniał te dwie choroby z wysoką dokładnością. W grupie walidacyjnej poprawnie rozdzielał prefibrotyczną pierwotną mielofibrozę i trombocytemię esencialną u ponad dziewięciu na dziesięć pacjentów, z szczególnie dobrą zdolnością do unikania fałszywego zakwalifikowania kogoś jako osoby z chorobą o wyższym ryzyku.

Wykorzystanie obrazów syntetycznych, by zobaczyć, co widzi SI

Aby zrozumieć, na których wskazówkach wizualnych model polegał, zespół dodał komponent generatywny, który potrafi tworzyć realistycznie wyglądające fragmenty szpiku charakterystyczne dla każdej choroby. Wybrali zarówno rzeczywiste, jak i komputerowo wygenerowane kafelki obrazów, które klasyfikator oceniał z wysoką pewnością, i poprosili trzech ekspertów hematopatologów, pracujących w warunkach ślepej próby, o ich opisanie. Dla rzeczywistych obrazów eksperci najczęściej zgadzali się z diagnozą SI, gdy decydowali się na odpowiedź. Jednak dla wielu obrazów syntetycznych, zwłaszcza tych imitujących trombocytemię esencialną, patolodzy często nie zgadzali się z algorytmem lub czuli, że nie mogą bezpiecznie wybrać rozpoznania, mimo że SI sklasyfikowała te kafelki poprawnie zgodnie z danymi pacjenta.

Zaskakująca rola tłuszczu kontra komórek w szpiku

Kontrast między ocenami ludzkimi a maszynowymi skłonił do bliższego przyjrzenia się składowi tkankowemu w obrazach rzeczywistych i wygenerowanych. Przy użyciu innego narzędzia analizy obrazu badacze zmierzyli, jaka część każdego kafelka była wypełniona przestrzeniami tłuszczowymi w porównaniu z komórkami tworzącymi krew. We wszystkich próbkach związanych z trombocytemią esencialną znajdowało się więcej tłuszczu, podczas gdy próbki związane z prefibrotyczną pierwotną mielofibrozą były bardziej zwarte od komórek. Wzorzec ten pojawił się zarówno w obrazach od rzeczywistych pacjentów, jak i w obrazach generowanych komputerowo, a w syntetycznych preparatach trombocytemii esencialnej był nawet bardziej wyraźny. Mapy cieplne „uwagi” modelu pokazały również, że algorytm naturalnie skupiał się na aktywnych obszarach tworzenia krwi, a nie na kości czy artefaktach, co sugeruje, że nauczył się biologicznie istotnych wskazówek, a nie skrótów.

Co to może znaczyć dla diagnostyki i leczenia

W praktycznym ujęciu badanie sugeruje, że starannie wytrenowany system SI może pomóc patologom rozróżnić te dwie podobne choroby szpiku na podstawie standardowych preparatów mikroskopowych i może ujawnić użyteczne cechy tkankowe, takie jak proporcja tłuszczu do komórek, które nie są częścią obecnych list kontrolnych. Autorzy podkreślają, że ich narzędzie nie ma na celu zastąpienia oceny eksperckiej, zwłaszcza biorąc pod uwagę ograniczoną liczbę pacjentów objętych badaniem. Może ono natomiast pełnić rolę drugiego czytającego, szczególnie w ośrodkach widzących mniej takich przypadków, i pomóc doprecyzować, których pacjentów włączać do badań klinicznych, wykluczając tych z bardziej agresywną postacią prefibrotyczną. Z czasem łączenie tego typu obrazowej SI z danymi klinicznymi i genetycznymi mogłoby wspierać pewniejszą, spersonalizowaną opiekę dla osób żyjących z tymi rzadkimi chorobami krwi.

Cytowanie: Srisuwananukorn, A., Loscocco, G.G., Dolezal, J.M. et al. Artificial intelligence differentiates prefibrotic primary myelofibrosis with thrombocytosis from essential thrombocythemia using digitized bone marrow biopsy images. Leukemia 40, 1018–1026 (2026). https://doi.org/10.1038/s41375-026-02893-7

Słowa kluczowe: sztuczna inteligencja, biopsja szpiku kostnego, nowotwory mieloproliferacyjne, trombocytemia esencialna, prefibrotyczna mielofibroza pierwotna