W kierunku wykrywania i ilościowego oceniania metaplazji jelitowej na podstawie cyfrowych wycinków żołądka z użyciem uczenia głębokiego: badanie porównawcze z udziałem wielu ekspertów

Dlaczego to ma znaczenie dla twojego zdrowia

Rak żołądka pozostaje jednym z najbardziej śmiertelnych nowotworów na świecie, w dużej mierze dlatego, że często jest wykrywany zbyt późno. Lekarze wiedzą, że pewna zmiana przednowotworowa błony śluzowej żołądka, zwana metaplazją jelitową, sygnalizuje zwiększone ryzyko na wiele lat przed pojawieniem się guza. Obecnie jednak ten sygnał ocenia się wzrokowo, co oznacza, że dwóch ekspertów może spojrzeć na ten sam wycinek i nie zgodzić się co do jego nasilenia. To badanie sprawdza, czy sztuczna inteligencja może wnieść więcej spójności i precyzji do tego istotnego etapu wczesnego wykrywania.

Jak lekarze szukają problemów w żołądku

Gdy ktoś jest badany pod kątem chorób żołądka, pobiera się drobne próbki tkanki z kilku standardowych miejsc wewnątrz żołądka i ogląda pod mikroskopem. Patolodzy szukają wskazówek, takich jak zapalenie, utrata normalnych gruczołów i przede wszystkim pojawienie się komórek przypominających jelitowe tam, gdzie nie powinny występować. Im bardziej rozległe są te zmiany i im większą część żołądka obejmują, tym wyższe szacowane ryzyko, że u danej osoby w przyszłości rozwinie się rak żołądka. Obecne systemy punktacji łączą te wizualne obserwacje w stadia od bardzo niskiego do bardzo wysokiego ryzyka, wskazując, jak intensywna powinna być obserwacja pacjenta.

Problem z samą oceną ludzką

Chociaż systemy te są powszechnie stosowane w klinikach, opierają się na najlepszym przypuszczeniu patologa co do tego, jaka część tkanki jest zmieniona. Wcześniejsze badania i codzienne doświadczenie pokazują, że nawet dobrze przeszkoleni eksperci mogą znacząco się różnić w swoich oszacowaniach. W tym badaniu trzech patologów niezależnie oceniło ponad 200 zestawów wycinków żołądka od wolontariuszy i pacjentów z Kolumbii. Ich zgodność wahała się od słabej do umiarkowanej, co oznacza, że ten sam przypadek mógł otrzymać różne stadia ryzyka w zależności od tego, kto go analizował. Ta zmienność budzi obawy, że niektórzy ludzie mogą zostać błędnie uspokojeni, podczas gdy inni usłyszą, że mają wyższe ryzyko, niż ma to miejsce w rzeczywistości.

Nauczanie komputera odczytywania preparatów

Naukowcy zastanawiali się, czy uczenie głębokie, rodzaj sztucznej inteligencji znakomitej w rozpoznawaniu wzorców na obrazach, mogłoby pomóc. Zdigitalizowali po pięć próbek wycinków na osobę w bardzo dużym powiększeniu i najpierw użyli wyspecjalizowanego algorytmu do zlokalizowania struktur gruczołowych w tkance, gdzie pojawiają się wczesne zmiany. Z tych obszarów wyodrębnili setki tysięcy małych płytek obrazu. Doświadczony patolog wcześniej zaznaczył, gdzie występowała metaplazja jelitowa, co pozwoliło zespołowi oznaczyć płytki jako zmienione lub prawidłowe. Następnie kilkanaście nowoczesnych architektur sieci neuronowych było trenowanych etapami: najpierw uczono ich na dużych, istniejących bazach obrazów, a potem dopracowywano na tych próbkach żołądka, aby rozróżniały płytki z metaplazją od normalnych.

Co wykrył komputer i jak to się ma do lekarzy

Wśród testowanych modeli jedna konkretna architektura osiągnęła najlepsze wyniki, poprawnie identyfikując metaplazję jelitową na większości płytek i osiągając poziomy wydajności porównywalne z innymi zadaniami obrazowania medycznego. Gdy predykcje na poziomie płytek zostały nałożone z powrotem na obrazy całych preparatów, model wygenerował mapy kodowane kolorami, pokazujące, gdzie najprawdopodobniej znajdują się zmienione gruczoły. Z tych map program automatycznie obliczał procent zmienionej tkanki w każdym miejscu pobrania wycinka i przekładał te procenty na te same stadia ryzyka, których używali eksperci. Chociaż model nie zgadzał się idealnie z żadnym pojedynczym patologiem, wykazywał silną korelację z ich ocenami i, co istotne, był bardziej spójny przypadek po przypadku niż wzajemna zgodność między ludźmi.

Co to może znaczyć dla przyszłej opieki

Badanie sugeruje, że systemy oparte na uczeniu głębokim mogą pełnić rolę stabilnego „drugiego czytelnika” w ocenie wycinków żołądka, oferując obiektywne pomiary tego, jak duża część tkanki wykazuje wczesne zmiany przednowotworowe. Zamiast zastępować patologów, takie narzędzia mogłyby dostarczać im wiarygodnej podstawy, ograniczać zgadywanie i niezgodności oraz pomagać upewnić się, że pacjenci rzeczywiście znajdujący się w wyższym ryzyku są właściwie identyfikowani i monitorowani. Po dalszym testowaniu w różnych szpitalach i z bardziej szczegółowym oznaczaniem podtypów tkanki, podejście to mogłoby ostatecznie wspierać bardziej spersonalizowane i pewne decyzje o tym, kto wymaga bliższej obserwacji w celu zapobiegania rakowi żołądka.

Cytowanie: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Słowa kluczowe: rak żołądka, metaplazja jelitowa, uczenie głębokie, patologia cyfrowa, stratyfikacja ryzyka nowotworowego