Wykrywanie i klasyfikacja raka tarczycy przy użyciu obrazowania spektralnego i sztucznej inteligencji

Dlaczego wczesne wykrycie raka tarczycy ma znaczenie

Rak tarczycy jest najczęstszym nowotworem gruczołów produkujących hormony, a jego rozpoznanie wciąż w dużej mierze zależy od tego, co patolog zobaczy pod mikroskopem. Nawet eksperci mogą się jednak nie zgadzać, zwłaszcza w przypadkach granicznych, które wyglądają częściowo niegroźnie, a częściowo budzą niepokój. W tym badaniu opisano nowy sposób odczytywania standardowych preparatów tarczycy za pomocą zaawansowanych pomiarów świetlnych i sztucznej inteligencji, którego celem jest pomoc lekarzom w dokładniejszym i bardziej spójnym odróżnianiu tkanki prawidłowej od nowotworowej.

Patrzenie poza zwykłe barwy w preparatach tkankowych

W codziennej praktyce tkanka tarczycy usunięta podczas operacji jest cienko krojona, barwiona na różowo i fioletowo oraz badana pod mikroskopem. Kolory pochodzą z dwóch barwników, hematoksyliny i eozyny, które uwidaczniają jądra komórkowe i otaczającą tkankę. Tradycyjne skanery cyfrowe przekształcają to w prosty obraz w palecie RGB, podobnie jak aparat w telefonie. Zespół stojący za tym projektem zbudował inny rodzaj systemu obrazowania, zwany obrazowaniem spektralnym, który mierzy, w jaki sposób każdy drobny punkt na preparacie pochłania światło w kilkudziesięciu długościach fali widzialnych zamiast tylko trzech. Ten bogatszy „odcisk palca koloru” uchwyca subtelne różnice związane z tym, jak ciasno upakowany i zorganizowany jest materiał genetyczny wewnątrz jądra każdej komórki — cechy, które często zmieniają się w nowotworze.

Przekształcanie spektrów pojedynczych komórek w użyteczne informacje

Aby wykorzystać te szczegółowe pomiary, badacze najpierw poprosili doświadczonych patologów o wyznaczenie wyraźnie prawidłowych i wyraźnie nowotworowych obszarów na każdym preparacie. Ich mikroskop spektralny następnie skanował oba obszary w około 5–10 minut na próbkę, zbierając około 40 wartości natężenia światła dla każdego piksela. Specjalistyczna sieć neuronowa, oparta na projekcie szeroko stosowanym w obrazowaniu medycznym, automatycznie znajdowała i wyznaczała kontury jąder pojedynczych komórek. Dla każdego jądra system obliczał jego średnie spektrum oraz rozmiar i kształt, a także jak bardzo spektrum odbiega od typowych jąder normalnych i typowych jąder nowotworowych. W ten sposób to, co patolog widzi jakościowo jako „ciemniejsze” lub „bardziej zatłoczone” jądra, zostaje przetłumaczone na cechy numeryczne, które komputer może analizować.

Dwie ścieżki rozdzielania komórek normalnych i nowotworowych

W badaniu przetestowano dwa uzupełniające się sposoby klasyfikacji komórek. W podejściu półautomatycznym patolog nadal zaznacza jeden obszar jako prawidłowy i jeden jako guz. System porównuje następnie spektrum każdego jądra z referencyjnymi spektrami z tych dwóch obszarów, wykorzystując prostą metodę klasteryzacji do oddzielenia prawdopodobnie normalnych od prawdopodobnie nowotworowych komórek. Ta metoda osiągnęła wartości F1 — równowagi czułości i precyzji — około 0,8 lub wyższe dla głównych podtypów raka tarczycy, poprawiając się dodatkowo, gdy jądra o mieszanych cechach zostały odrzucone. W podejściu w pełni zautomatyzowanym model uczenia maszynowego zwany lasem losowym nauczył się na ponad 150 000 oznakowanych jąder rozpoznawać wzorce w rozmiarze, kształcie i zachowaniu spektralnym jądra wskazujące na nowotwór. Testowany na oddzielnych przypadkach pacjentów, również osiągnął wartości F1 powyżej 0,82, bez potrzeby ręcznego oznaczania obszarów.

Od pojedynczych komórek do decyzji obejmujących całe tkanki

Lekarze nie podejmują decyzji terapeutycznych na podstawie losu pojedynczej komórki, lecz na podstawie tego, czy większe obszary tkanki są nowotworowe i jak daleko choroba mogła się rozprzestrzenić. Badacze ocenili więc, jak ich system działa, gdy grupuje komórki w małe podobszary i oznacza każdy region jako guz lub prawidłowy, jeśli większość jego jąder wygląda na nowotworowe lub nie. Widok oparty na regionach poprawiał dokładność jeszcze bardziej, zwłaszcza przez ograniczenie fałszywych alarmów w tkance prawidłowej. Co ważne, podejście pozostało przejrzyste: każdą decyzję można prześledzić do widocznych cech komórek i spekt rów, unikając „czarnej skrzynki”, która sprawia, że niektóre narzędzia głębokiego uczenia są trudne do zaufania w klinice.

Co to może oznaczać dla pacjentów i lekarzy

Badanie pokazuje, że dodanie szczegółowych pomiarów spektralnych i starannie zaprojektowanej inteligencji sztucznej do rutynowych skrawków tarczycy może wiarygodnie wskazywać miejsca obecności raka, nawet w podtypach trudnych, które często mylą ekspertów. Ponieważ metoda działa na tych samych standardowych barwieniach stosowanych na całym świecie, można ją wdrożyć w cyfrowych procesach patologii bez zmiany sposobu przygotowywania tkanki. Zamiast zastępować patologów, system dostarcza mapę prawdopodobnych jąder prawidłowych i nowotworowych na całym preparacie, pomagając potwierdzać trudne rozpoznania, przyspieszając przeglądy i potencjalnie zmniejszając ryzyko zarówno przeoczenia nowotworu, jak i nadmiernie agresywnego leczenia.

Cytowanie: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Słowa kluczowe: rak tarczycy, patologia cyfrowa, obrazowanie spektralne, sztuczna inteligencja, diagnoza raka