Wydajność diagnostyczna sztucznej inteligencji w wykrywaniu rozsiewu otrzewnej i jelita cienkiego w nabłonkowym raku jajnika na podstawie przedoperacyjnych badań CT z kontrastem

Dlaczego wykrycie ukrytego rozsiewu ma znaczenie

Dla kobiet z rakiem jajnika to, co lekarze zobaczą w jamie brzusznej przed zabiegiem, może decydować o tym, czy operacja będzie wyleczalna, czy skończy się dużym zabiegiem, który mimo to pozostawi nowotwór. Maleńkie ogniska nowotworowe pokrywające otrzewną i powierzchnię jelita cienkiego są szczególnie problematyczne. Trudno je dostrzec na rutynowych skanach, a mimo to mogą uniemożliwić chirurgom całkowite usunięcie choroby. To badanie analizuje, czy sztuczna inteligencja (AI) potrafi odczytywać standardowe skany CT z kontrastem skuteczniej niż ludzkie oko, by wykryć ten ukryty rozsiew i wspierać bezpieczniejsze, lepiej przemyślane plany leczenia.

Jak rak jajnika rozsiewa się po cichu

Nabłonkowy rak jajnika często pozostaje niezauważony, dopóki nie wysieje do jamy brzusznej małych ognisk nowotworowych. Zmiany te mogą pokrywać błonę surowiczą brzucha i powierzchnie narządów, w tym delikatne pętle jelita cienkiego. Gdy ładunek nowotworu jest bardzo duży lub obejmuje krytyczne obszary, chirurdzy mogą nie być w stanie usunąć całej widocznej choroby, nawet przy rozległych zabiegach. Tymczasem przeżycie jest najlepsze, gdy nie pozostaje żaden nowotwór. Obecnie lekarze opierają się na TK, by oszacować zakres rozsiewu, ale wykrycie drobnych ognisk — szczególnie na poruszającym się i pofałdowanym jelicie cienkim — jest trudne. W niektórych przypadkach chirurdzy muszą wykonać zabieg eksploracyjny jedynie po to, by zdecydować, czy możliwe jest pełne usunięcie guza.

Nauka komputerów rozumienia skanów

Zespół badawczy zebrał obrazy TK z kontrastem od 227 kobiet leczonych z powodu raka jajnika, jajowodu lub pierwotnego raka otrzewnej w dwóch szpitalach, co dało 254 zestawy skanów. Dla każdej pacjentki znali wynik z operacji, czy nowotwór szerzył się na otrzewnej i na jelicie cienkim. Wykorzystując te rzeczywiste wyniki jako „klucz odpowiedzi”, autorzy wytrenowali dwa systemy głębokiego uczenia. Jeden, model P, nauczył się oceniać, czy powierzchnie otrzewnej w ogóle zawierają ogniska nowotworowe. Drugi, model SB, koncentrował się konkretnie na rozsiewie obejmującym jelito cienkie. Oba systemy oparte były na zwartej architekturze sieci neuronowej dobrze dopasowanej do obrazów medycznych i były wielokrotnie trenowane i testowane na różnych grupach pacjentek, aby sprawdzić stabilność ich działania.

Jak dobrze AI rzeczywiście działała

Podczas testów na wcześniej niewidzianych skanach AI wykazała obiecującą dokładność. W przypadku ogólnego rozsiewu otrzewnej model P poprawnie identyfikował przypadki w około trzy czwarte przypadków, z czułością na poziomie około dwóch trzecich i swoistością powyżej czterech piątych. W praktyce oznacza to, że pewne przypadki z przerzutami były pomijane, ale występowało stosunkowo niewiele fałszywych alarmów. System dla jelita cienkiego wypadł jeszcze lepiej: model SB poprawnie sklasyfikował ponad cztery na pięć pacjentek, wykrywając około 86 procent tych z zajęciem jelita cienkiego, przy jednoczesnym prawidłowym uspokojeniu około 77 procent pacjentek bez zajęcia. Ten poziom czułości wyraźnie przewyższa umiarkowane wyniki opisane we wcześniejszych badaniach dotyczących standardowej oceny TK, gdzie drobne ogniska jelitowe często pozostawały niewykryte.

Kiedy komputer miał trudności

Naukowcy przeanalizowali także sytuacje, w których AI radziła sobie słabo, definiując to jako poprawne rozstrzygnięcie w nie więcej niż jednej czwartej przypadków dla danej pacjentki. Co ciekawe, ludzie radiolodzy także mieli trudności w wielu tych samych przypadkach, co sugeruje, że niektóre wzorce na skanach są z natury trudne do interpretacji. Zespół stwierdził, że AI miała tendencję do przeszacowywania rozsiewu, gdy duże ilości płynu wypełniały jamę brzuszną i gdy markery nowotworowe we krwi były bardzo wysokie, a czasem niedoszacowywała choroby, gdy ładunek guza i objętość płynu były niskie. Ten wzorzec sugeruje, że system mógł nauczyć się silnie polegać na wizualnych wskazówkach, takich jak płyn wokół jelit, które nie zawsze ściśle korelują z rzeczywistą ilością obecnego guza.

Co to może znaczyć dla opieki nad pacjentkami

Mimo ograniczeń badanie pokazuje, że asystent AI analizujący zwykłe skany TK może istotnie poprawić wykrywanie subtelnego rozsiewu, szczególnie w obrębie jelita cienkiego, gdzie radiolodzy obecnie mają najmniejszą pewność. Jeśli narzędzia takie zostaną dalej przetestowane i udoskonalone, mogłyby pomóc lekarzom dokładniej decydować, kto prawdopodobnie skorzysta na agresywnej pierwszej operacji, a kto może być lepiej leczony chemioterapią przed zabiegiem. Autorzy podkreślają, że AI nie zastąpi ekspertyzy lekarzy ani zabiegu eksploracyjnego we wszystkich przypadkach, ale może stać się potężnym dodatkowym okiem, przekształcając istniejące obrazowanie w bardziej wiarygodną mapę dla złożonej chirurgii onkologicznej.

Cytowanie: Kim, R., Seki, T., Noda, K. et al. Diagnostic performance of artificial intelligence for detecting peritoneal and small bowel dissemination in epithelial ovarian cancer using preoperative contrast-enhanced CT imaging. Sci Rep 16, 8739 (2026). https://doi.org/10.1038/s41598-026-41728-4

Słowa kluczowe: rak jajnika, sztuczna inteligencja, obrazowanie TK, przerzuty otrzewnowe, rozsiew jelita cienkiego