Sztuczna inteligencja klasyfikująca neoplazję odbytnicy za pomocą endoskopowej analizy perfuzji fluorescencyjnej

Dlaczego to ma znaczenie dla pacjentów i lekarzy

U osób z dużymi polipami odbytnicy jedno z najważniejszych pytań brzmi: czy zmiana jest niegroźna, czy już przekształca się w nowotwór. Obecnie lekarze często nie mogą być tego pewni, dopóki cała zmiana nie zostanie usunięta i zbadana, co może prowadzić do zbyt rozległych operacji lub opóźnień w leczeniu. W badaniu oceniano, czy inteligentna technika obrazowania połączona ze sztuczną inteligencją potrafi wykryć ukryty rak już podczas zabiegu, obserwując przepływ krwi przez tkankę.

Słuchając, jak guz jest odżywiany

Nowotwory nie rosną jak normalna tkanka. Pobudzają tworzenie nowych, nieprawidłowych naczyń krwionośnych, które są nieszczelne i rozgałęzione w nieuporządkowany sposób. Zmiany te tworzą charakterystyczne wzorce w tym, jak krew i wstrzyknięte barwniki wchodzą i wychodzą z guza. Badacze użyli barwnika o nazwie indocyjanina zielona, który świeci w podczerwieni bliskiej, i nagrali krótkie filmy podczas zabiegów endoskopowych u pacjentów z dużymi polipami odbytnicy i wczesnymi rakami odbytnicy. Śledząc jasność tego świecenia przez kilka minut, udało im się uchwycić rodzaj „odcisku perfuzyjnego” zarówno dla podejrzanych, jak i zdrowych obszarów u tego samego pacjenta.

Przekształcanie wzorców świecenia w dane

Każdy film został przeanalizowany za pomocą własnego oprogramowania, które podzieliło widoczny obszar ściany jelita na siatkę maleńkich kwadratów i śledziło je w czasie, nawet gdy kamera i tkanka się poruszały. Dla każdego kwadratu program mierzył, jak jasna stała się fluorescencja, jak szybko osiągnęła szczyt i jak szybko zanikała. Następnie wyczyszczono i znormalizowano te krzywe, by można je było bezpośrednio porównywać. Z tych przebiegów czasowych zespół wyodrębnił proste cechy numeryczne, takie jak maksymalny sygnał i spadek sygnału w określonych momentach po szczycie. Analizowano też, jak nierówne były te wartości w obrębie zmiany patologicznej, używając statystyki uchwytującej zróżnicowanie wewnątrz guza w porównaniu z pobliską tkanką zdrową.

Trenowanie sztucznej inteligencji

Grupa przeanalizowała 190 filmów z 182 pacjentów leczonych w sześciu szpitalach w czterech krajach; u około trzech na pięciu pacjentów ostatecznie potwierdzono raka w badaniu mikroskopowym. Wytrenowano model uczenia maszynowego (klasyfikator XGBoost), aby rozróżniał zmiany łagodne od złośliwych wyłącznie na podstawie cech przepływu barwnika, bez analizowania zwykłych obrazów kolorowych. W zastosowaniu do nowych przypadków model prawidłowo identyfikował raka u znaczącej większości pacjentów, osiągając wyniki porównywalne lub nieco lepsze niż wiele standardowych narzędzi stosowanych w praktyce, takich jak biopsje endoskopowe, przedoperacyjne badania MRI czy wizualna ocena doświadczonego chirurga.

Dodanie klinicznych wskazówek z rzeczywistej praktyki

W praktyce lekarze rzadko polegają na pojedynczym badaniu. Badacze więc połączyli wynik AI z informacjami już dostępnymi: raportami MRI i oceną operującego chirurga. Gdy te dane zostały wprowadzone do tej samej ścieżki obliczeniowej, zdolność wykrywania raka poprawiła się, zwłaszcza w zakresie prawidłowego wykluczania choroby w zmianach łagodnych. W najlepszym scenariuszu system łączony wykrywał około 86% raków, unikając fałszywych alarmów w około 71% przypadków bez raka. Podejście działało również stosunkowo dobrze w podgrupach pacjentów bardziej typowych dla wczesnej, miejscowo usuwalnej choroby.

Co to może znaczyć dla przyszłej opieki

Badanie pokazuje, że raki w dużych polipach odbytnicy pozostawiają wykrywalny ślad w przepływie krwi i barwnika oraz że ślad ten może być automatycznie wyłapany przez AI. Choć prace dotychczas przeprowadzono na zarejestrowanych filmach i wciąż trzeba to potwierdzić w badaniach klinicznych prowadzonych w czasie rzeczywistym, wskazuje to na przyszłość, w której endoskopista podczas zabiegu mógłby otrzymać ostrzeżenie, że pozornie niegroźny polip prawdopodobnie kryje inwazyjnego raka. Taka informacja mogłaby wskazać miejsca do biopsji, pomóc zdecydować o miejscowym usunięciu zmiany lub o skierowaniu pacjenta na bardziej rozległy zabieg chirurgiczny, zmniejszając zarówno liczbę nieodkrytych raków, jak i niepotrzebnych dużych operacji.

Cytowanie: Boland, P.A., MacAonghusa, P., Singaravelu, A. et al. Artificial intelligence classification of rectal neoplasia by endoscopic fluorescence perfusion analysis. Sci Rep 16, 4761 (2026). https://doi.org/10.1038/s41598-026-35233-x

Słowa kluczowe: rak odbytnicy, obrazowanie endoskopowe, perfuzja fluorescencyjna, sztuczna inteligencja, uczenie maszynowe