Sztuczna inteligencja wspomaga endoskopistów w wykrywaniu dysplazji i metaplazji jelitowej związanych z rakiem żołądka

Dlaczego ważne są mądrzejsze badania żołądka

Rak żołądka pozostaje jednym z najgroźniejszych nowotworów na świecie, a wiele niebezpiecznych zmian na błonie śluzowej żołądka jest subtelnych i łatwych do przeoczenia, nawet dla wytrenowanych lekarzy korzystających z nowoczesnych kamer. To badanie stawia proste pytanie o duże konsekwencje: czy asystent oparty na sztucznej inteligencji (AI), analizujący nagrania z endoskopii razem z lekarzem, może pomóc wykrywać więcej nieprawidłowości wcześniej i bardziej wiarygodnie? Testując zaawansowany system AI na rzeczywistych obrazach i filmach pacjentów, autorzy pokazują, że cyfrowe wsparcie może istotnie zwiększyć dokładność mniej doświadczonych endoskopistów, zwłaszcza w przypadku najtrudniejszych do oceny zmian, które często poprzedzają raka.

Z rutynowego badania kamerą do problemu bogatego w dane

Aby poszukiwać chorób żołądka, lekarze wprowadzają giętką kamerę, czyli endoskop, przez usta do żołądka. Muszą w czasie rzeczywistym ocenić, czy każdy fragment tkanki jest prawidłowy, zapalny, przednowotworowy czy nowotworowy. Niektóre zmiany, jak zaawansowane guzy, są łatwo rozpoznawalne. Inne — takie jak dysplazja (wczesny nieprawidłowy wzrost) i metaplazja jelitowa (zmiana błony śluzowej niosąca wysokie ryzyko) — pojawiają się jako subtelne przesunięcia barwy lub delikatne zmiany tekstury, różniące się między pacjentami. W codziennej praktyce te subtelne wzory łatwo przeoczyć, a wskaźniki wykrywania znacznie różnią się między lekarzami, co oznacza, że niektórzy pacjenci z wysokiego ryzyka zmianami mogą opuszczać gabinet bez rozpoznania.

Jak zbudowano i przetestowano współpilotującego AI

Zespół opracował system AI o nazwie Venotics‑G, wykorzystujący nowoczesną architekturę „vision transformer”, zaprojektowaną do analizy obrazu jako całości i wychwytywania długozasięgowych wzorców. Wytrenowano go na ponad 16 000 obrazów endoskopowych z dużego szpitala, ucząc rozpoznawania kilku zadań jednocześnie: lokalizacji endoskopu w żołądku, obecności nieprawidłowych obszarów, typu zmiany oraz widoczności wysokiego ryzyka metaplazji jelitowej. Do badania zebrano 1 584 rzeczywistych przypadków endoskopowych z dwóch szpitali. Każdy przypadek zawierał zarówno pojedyncze wyraźne zdjęcie, jak i krótki, pięciosekundowy klip wideo, na którym podejrzany obszar był dobrze widoczny. Zestaw obejmował raka żołądka, dysplazję, szeroki wachlarz zmian łagodnych, wysokiego ryzyka metaplazję jelitową oraz normalne zmiany lub zwykłe zapalenie żołądka.

Konfrontacja AI z oceną ludzką

Sześciu endoskopistów będących w trakcie szkolenia, każdy z mniej niż trzema latami doświadczenia, przejrzało wszystkie przypadki dwukrotnie: najpierw polegając wyłącznie na własnej ocenie, a później, po tygodniowej przerwie i przy losowo zmienionej kolejności przypadków, z pomocą wskazówek AI. Sam system AI okazał się bardzo dokładny zarówno na zdjęciach, jak i wideo, poprawnie klasyfikując ponad 9 na 10 ogniskowych zmian i metaplazji jelitowej wysokiego ryzyka. Co ważniejsze, gdy lekarze mieli dostęp do sugestii AI i wizualnych map uwagi, ich własne wyniki znacząco wzrosły. Ogólna dokładność w rozpoznawaniu zmian ogniskowych wzrosła z około 75% do niemal 87% zarówno dla zdjęć, jak i wideo, a skumulowany wskaźnik prawdziwie pozytywnych i prawdziwie negatywnych ocen (podsumowany jako pole pod krzywą ROC) uległ wyraźnej poprawie. Zyski były szczególnie duże w przypadku dysplazji i metaplazji jelitowej — właśnie tych kategorii, które wcześniej wykazywały największą zmienność i najniższą bazową dokładność.

Co zmieniło się w procesie podejmowania decyzji

Bardziej wnikliwa analiza wykazała, że wsparcie AI pomagało w nieco inny sposób w zależności od rozpoznania i tego, czy lekarze oceniali obrazy czy filmy. W przypadku dysplazji główna korzyść polegała na nakłonieniu czytelników do rozpoznawania większej liczby prawdziwych zmian, przy jednoczesnym utrzymaniu niskiego poziomu fałszywych alarmów. W metaplazji jelitowej, która często objawia się rozlanymi, plamistymi zmianami, AI głównie zmniejszało liczbę fałszywie pozytywnych wyników na zdjęciach — zwiększając pewność lekarzy przy oznaczaniu obszaru jako prawidłowego. W ustawieniu wideo system mógł wykorzystać wiele klatek w czasie, poprawiając zarówno umiejętność wykluczania tkanki prawidłowej, jak i wykrywania rzeczywiście nieprawidłowych, rozległych wzorców. Szybkie przetwarzanie systemu, rzędu milisekund na klatkę, oznacza, że może nadążyć za badaniem endoskopowym na żywo, nakładając mapy uwagi niemal w czasie rzeczywistym. Jednocześnie autorzy zauważają, że dodatkowe wskazówki na ekranie mogą zwiększać obciążenie poznawcze, a niektórzy czytelnicy mieli tendencję do nadinterpretacji łagodnego stanu zapalnego, co sugeruje, że szkolenie w zakresie odpowiedzialnego użycia AI będzie równie istotne jak same algorytmy.

Co to może znaczyć dla pacjentów i przychodni

Podsumowując, badanie pokazuje, że asystent AI może działać jako wyrównywacz dla mniej doświadczonych endoskopistów, czyniąc ich diagnozy bardziej spójnymi i częściej prawidłowymi w przypadku wielu typów zmian żołądkowych. Zamiast wymiany mniejszej liczby przeoczeń na większą liczbę fałszywych alarmów, AI miała tendencję do poprawy zarówno czułości, jak i specyficzności jednocześnie — co wskazuje na rzeczywistą wartość dodaną, a nie jedynie na przesunięcie progu. Praca ta jest nadal wczesnym, starannie skuratowanym testem, więc jej wpływ na codzienne przepływy pracy, koszty i długoterminowe wyniki pacjentów wymaga potwierdzenia w większych, prowadzonych na żywo badaniach klinicznych. Niemniej wyniki te wspierają wizję przyszłości, w której endoskopia rutynowo odbywa się z partnerem AI, pomagając lekarzom wcześniej i bardziej niezawodnie dostrzegać zmiany wysokiego ryzyka, dając pacjentom lepsze szanse na terminowe leczenie i poprawę przeżywalności.

Cytowanie: Lee, Y.H., Park, G., Kim, J.Y. et al. Artificial intelligence assistance improves endoscopist accuracy for gastric cancer dysplasia and intestinal metaplasia. Sci Rep 16, 12428 (2026). https://doi.org/10.1038/s41598-026-43149-9

Słowa kluczowe: badania przesiewowe w kierunku raka żołądka, AI w endoskopii, metaplazja jelitowa, wykrywanie dysplazji, analiza obrazów medycznych