Baza danych TK z pomiarami RECIST i kompleksowymi maskami segmentacji guzów i węzłów chłonnych

Dlaczego to źródło obrazowania nowotworów ma znaczenie

Opieka onkologiczna coraz częściej opiera się na obrazach medycznych przy ocenie, czy leczenie działa. Tymczasem dokładne, warstwa po warstwie pomiary wykonywane przez lekarzy na skanach TK zajmują dużo czasu i mogą się różnić między ekspertami. W artykule przedstawiono nowy, ogólnodostępny zbiór skanów TK pacjentów onkologicznych, z guzami i węzłami chłonnymi szczegółowo obrysowanymi i zmierzonymi zgodnie z powszechnie stosowanymi wytycznymi klinicznymi. Zbiór ma pomóc badaczom w tworzeniu i testowaniu programów komputerowych, które w przyszłości mogłyby przejąć dużą część tej żmudnej pracy i uczynić monitorowanie terapii nowotworowych szybszym i bardziej spójnym na całym świecie.

Jak lekarze obecnie śledzą guzy

Aby ocenić, czy leczenie przeciwnowotworowe przynosi efekt, radiolodzy często stosują standard zwany RECIST 1.1. W praktyce oznacza to wybór kilku „guzów docelowych” na skanach TK pacjenta i zmierzenie najdłuższej widocznej średnicy każdego z nich w milimetrach. W kolejnych badaniach porównuje się sumę tych średnic z wcześniejszymi skanami, aby zdecydować, czy choroba się zmniejszyła, pozostała stabilna czy narosła. Choć podejście to wniosło porządek do badań klinicznych, ma też wady: silnie zależy od tego, które guzy wybierze lekarz, opiera się na wymiarze jednowymiarowym zamiast rzeczywistego rozmiaru 3D i zwykle zajmuje ponad 10 minut na pacjenta przy jednej ocenie. W miarę wzrostu liczby przypadków nowotworów na świecie te ograniczenia wywierają realną presję na pracownie radiologiczne.

Co zawiera nowy zbiór danych TK

Autorzy zgromadzili skany TK 22 dorosłych leczonych z powodu różnych nowotworów w Szpitalu Klinicznym Uniwersytetu Chile, w tym raka płuca, wątroby, jelita grubego, piersi, jajnika, żołądka, pęcherzyka żółciowego, pęcherza oraz czerniaka. Z 58 serii skanów klatki piersiowej i jamy brzusznej wykonanych w latach 2017–2023 zidentyfikowali każdy lity guz lub powiększony węzeł chłonny wystarczająco duży do pomiaru. W sumie ręcznie obrysowano 1 246 pojedynczych zmian: 1 148 przerzutów (guzów, które się rozprzestrzeniły), 93 powiększone węzły chłonne oraz 5 guzów pierwotnych. Dla 82 z tych zmian uwzględniono również oficjalne pomiary RECIST zapisane w raportach klinicznych, co pozwala na porównanie rutynowej praktyki z metodami automatycznymi.

Jak eksperci i AI współpracowali

Wykonanie tak szczegółowych obrysów byłoby zwykle zbyt czasochłonne, dlatego zespół zastosował strategię „człowiek w pętli”. Doświadczeni radiolodzy i rezydenci rysowali przybliżone pudełka 3D wokół podejrzanych guzów, a wydajny model segmentacyjny o nazwie MedSAM proponował początkowe granice. Rezydenci następnie korygowali te granice, a starsi radiolodzy przeprowadzali ostateczny przegląd. Po zakończeniu każdej partii skanów model AI był ponownie trenowany na udoskonalonych obrysach i wykorzystywany przy kolejnej partii. W każdym cyklu jego wydajność zbliżała się do akceptowalnego poziomu ekspertów, zmniejszając nakład pracy potrzebny na dalsze poprawki przy zachowaniu dokładności.

Co dane ujawniają o guzach

Dzięki temu, że każda zmiana na skanach została obrysowana w trzech wymiarach, autorzy mogli szczegółowo badać ich rozmiary i gęstości. Większość guzów znajdowała się w płucach i wątrobie. Guzy płucne zwykle miały niewielką objętość, lecz często relatywnie długie średnice, podczas gdy węzły chłonne wykazywały większe objętości, ale nieco krótsze główne średnice niż guzy wątroby. Zespół przeanalizował także jasność tych obszarów na TK, cechę związaną z gęstością tkanki. Guzy płucne, otoczone powietrzem, wykazywały zupełnie inne wzorce intensywności niż guzy wątroby i węzły chłonne, co sugeruje, że proste cechy numeryczne wyciągane ze skanów TK mogą pomóc rozróżnić typy zmian. Co ważne, badanie potwierdziło silny związek między najdłuższą średnicą zmiany a jej rzeczywistą objętością 3D, wspierając pogląd, że reguły oparte na średnicach, takie jak RECIST, mogą być praktycznym substytutem pełnych pomiarów wolumetrycznych przy ostrożnym stosowaniu.

Testowanie zbioru danych za pomocą uczenia głębokiego

Aby pokazać, jak można wykorzystać zbiór, badacze trenowali i dopracowywali dwa typy systemów uczenia głębokiego. Najpierw dostrajali MedSAM do automatycznej segmentacji guzów na podstawie prostych pudełek ograniczających, osiągając miary nakładania się z obrysami ekspertów na podobnym poziomie jak te raportowane dla znacznie większych międzynarodowych zbiorów danych. Po drugie, zaadaptowali powszechnie stosowane rozwiązanie nnUNet, zaczynając od modeli wytrenowanych w globalnych wyzwaniach obrazowania płuc i wątroby, a następnie dopracowując je na tych nowych chilijskich danych. Po dostrojeniu systemy dorównywały lub przewyższały swoją pierwotną wydajność, szczególnie dla guzów płucnych, mimo że kohorta pacjentów była stosunkowo niewielka. To pokazuje, że starannie przygotowane lokalne dane mogą znacząco zwiększyć niezawodność narzędzi AI w konkretnym środowisku szpitalnym.

Co to oznacza dla przyszłej opieki onkologicznej

Dla odbiorców niebędących specjalistami kluczowy przekaz jest taki: ten zbiór danych to narzędzie umożliwiające rozwój, a nie produkt diagnostyczny sam w sobie. Poprzez otwarte udostępnienie skanów TK, w których każdy widoczny guz i węzeł chłonny został obrysowany, a w wielu przypadkach precyzyjnie zmierzony, autorzy dostarczają realistycznego pola treningowego dla algorytmów mających na celu automatyzację śledzenia zmian nowotworowych. Takie narzędzia mogą pomóc radiologom spędzać mniej czasu na ręcznych pomiarach, a więcej na złożonych ocenach, jednocześnie zmniejszając zmienność między czytającymi. Ponieważ dane pochodzą z szpitala w Ameryce Łacińskiej i są udostępnione na licencji przyjaznej użyciu, przyczyniają się także do tego, by przyszłe medyczne systemy AI były testowane na bardziej zróżnicowanych pacjentach, zwiększając szanse, że automatyczne monitorowanie nowotworów będzie działać solidnie dla ludzi na całym świecie.

Cytowanie: Rojas-Pizarro, R., Vásquez-Venegas, C., Pereira, G. et al. A CT Dataset with RECIST Measurements and Comprehensive Segmentation Masks for Tumors and Lymph Nodes. Sci Data 13, 270 (2026). https://doi.org/10.1038/s41597-026-06597-6

Słowa kluczowe: obrazowanie nowotworów, skany TK, segmentacja guzów, RECIST, zbiory danych medycznych AI