Diagnostyka dysplazji szyjki macicy wspomagana przez AI na podstawie obrazów cewikografii

Dlaczego to ma znaczenie dla zdrowia kobiet

Rak szyjki macicy jest jednym z najbardziej możliwych do zapobiegania nowotworów, jednak wiele kobiet w regionach o ograniczonych zasobach wciąż nie ma dostępu do zaawansowanych narzędzi przesiewowych. Badanie to analizuje, jak sztuczna inteligencja może przekształcić proste zdjęcia szyjki macicy, wykonane po zastosowaniu roztworu o działaniu podobnym do octu, w skuteczne narzędzie do wykrywania wczesnych zmian przednowotworowych. Celem jest dostarczenie dokładniejszej diagnostyki do placówek, które nie dysponują drogim sprzętem ani specjalistami, co może umożliwić wcześniejsze wykrycie choroby i uratować życie.

Od prostych zdjęć do inteligentniejszego skriningu

W wielu szpitalach w krajach wysoko rozwiniętych lekarze używają urządzenia powiększającego zwanego kolposkopem, aby dokładnie obejrzeć szyjkę macicy i zdecydować, czy podejrzane obszary należy pobrać do biopsji. W biedniejszych lub wiejskich placówkach narzędzie to często nie jest dostępne, dlatego pielęgniarki polegają na metodzie wizualnej inspekcji po zastosowaniu kwasu octowego (VIA): nakładają rozcieńczony kwas octowy, szukają białych plam i mogą zrobić zdjęcie (cewikografia). VIA dobrze wskazuje, że coś może być nie tak, ale jest mniej wiarygodna w ocenie, jak poważna jest nieprawidłowość. Kluczową decyzją kliniczną jest, czy zmiana jest łagodna i może być obserwowana, czy też poważna i wymaga natychmiastowego leczenia. Badacze postanowili nauczyć komputer rozróżniać te stany bezpośrednio na podstawie obrazów cewikografii.

Nauka komputerów rozpoznawania subtelnych sygnałów wizualnych

Zespół zbudował system dwuetapowy wokół współczesnego modelu analizy obrazów znanego jako YOLOv11, wybranego ze względu na zdolność szybkiego wykrywania obiektów i działanie na skromnym sprzęcie. Najpierw system sprawdza, czy na obrazie VIA w ogóle występuje podejrzana zmiana, korzystając z reguł medycznych dotyczących wyglądu białych obszarów i ich położenia na szyjce. Jeśli zmiana jest obecna, drugi etap analizuje cztery cechy wizualne, na których opierają się eksperci od kolposkopii: jak bardzo obszar wybiela się po zastosowaniu kwasu, jak gładka lub szorstka jest jego powierzchnia, jak dużą część strefy transformacji zajmuje oraz ile z czterech ćwiartek szyjki jest zaangażowanych. Każda cecha jest analizowana albo przez model AI, albo przez proste reguły geometryczne, a ich połączenie daje bogatszy obraz ciężkości choroby niż sama analiza koloru.

Uzyskiwanie więcej danych z niewielkiej liczby pacjentek

Główną przeszkodą było to, że obrazy wysokiej jakości potwierdzone biopsją, zwłaszcza przedstawiające wczesne, łagodne zmiany, są rzadkie. Aby to obejść, badacze wykorzystali rodzaj generatywnej AI (StyleGAN-2 z adaptacyjną augmentacją) do tworzenia realistycznych, syntetycznych obrazów szyjki, które naśladowały niedostatecznie reprezentowane wzorce. Te sztuczne obrazy służyły jedynie do treningu i walidacji, nigdy do ostatecznego testowania. Rzeczywiste dane pochodziły z kilku źródeł, w tym z dużych międzynarodowych baz zawierających obrazy kolposkopii z etykietami Swede Score, mniejszego, ale wysoko wiarygodnego zbioru potwierdzonego histopatologicznie oraz zewnętrznych kolekcji z indonezyjskich szpitali i programów przesiewowych opartych na telefonach komórkowych. To połączenie pozwoliło modelowi uczyć się zarówno na podstawie ocen ekspertów, jak i złotego standardu diagnoz tkankowych.

Łączenie wielu opinii w jedną decyzję

Gdy cztery kluczowe cechy zostały wyodrębnione z każdego obrazu, system zastosował podejście zespołowe—w istocie ustrukturyzowane „głosowanie” pomiędzy różnymi klasyfikatorami specyficznymi dla poszczególnych cech—aby oznaczyć każdy przypadek jako dysplazję łagodną lub ciężką. Wczesne eksperymenty bez zaawansowanej augmentacji osiągały jedynie około 62% dokładności, co pokazuje, jak trudne jest to zadanie przy skąpych i niezrównoważonych danych. Po dodaniu obrazów treningowych generowanych przez GAN i starannym dostrojeniu zespołu, najlepsza konfiguracja osiągnęła około 95% ogólnej dokładności na niezależnym, potwierdzonym biopsją zbiorze testowym. Poprawnie zidentyfikowała ponad 95% ciężkich przypadków i ponad 80% przypadków łagodnych, przy utrzymaniu całkowitego wskaźnika błędnej klasyfikacji poniżej 8%. Model działał też konsekwentnie na odrębnym zbiorze szpitalnym, co sugeruje, że potrafi radzić sobie ze zmianami w sprzęcie i lokalnych praktykach, choć jego efektywność spadała w obliczu jasno oświetlonych zdjęć z telefonów komórkowych.

Co to oznacza dla codziennej opieki

Dla przychodni niespecjalistycznych, które już przeprowadzają przesiew VIA, praca ta pokazuje, że zwykłe obrazy cewikografii można przekształcić w znacznie bardziej informacyjne narzędzie. System AI, który wskazuje zmiany, ocenia zakres ich rozprzestrzenienia i sugeruje, czy wyglądają na łagodne czy ciężkie, mógłby pomóc pracownikom pierwszego kontaktu zdecydować, kto wymaga pilnego skierowania, a kogo można bezpiecznie obserwować. Autorzy zastrzegają, że ich model nadal ma ograniczenia: częściowo opiera się na danych syntetycznych, był trenowany głównie na obrazach kolposkopowych, a nie na zdjęciach z telefonów w realnych warunkach, i był testowany na stosunkowo małych, potwierdzonych biopsją zbiorach. Potrzebne są większe, bardziej zróżnicowane badania, zanim taki system będzie mógł samodzielnie kierować leczeniem. Niemniej wyniki pokazują, że połączenie przystępnego obrazowania z starannie zaprojektowaną AI może wzmocnić działania zapobiegawcze przeciw rakowi szyjki macicy dokładnie tam, gdzie są one najbardziej potrzebne.

Cytowanie: Nurmaini, S., Rachmatullah, M.N., Agustiansyah, P. et al. AI-assisted diagnosis of cervical dysplasia from cervicography images. Sci Rep 16, 9920 (2026). https://doi.org/10.1038/s41598-026-39192-1

Słowa kluczowe: screening raka szyjki macicy, cewikografia, medyczna AI, uczenie głębokie, ocena stopnia dysplazji