Melan-Dx: system wizji i języka z rozszerzoną wiedzą poprawia różnicową diagnozę patologii nowotworów melanocytowych

Dlaczego ważna jest mądrzejsza diagnoza czerniaka

Czerniak, groźna postać raka skóry, często można wyleczyć, jeśli zostanie wykryty wcześnie — pod warunkiem że lekarze oglądający próbki tkanek pod mikroskopem poprawnie go rozpoznają. Niestety nawet doświadczeni specjaliści czasami się nie zgadzają, szczególnie w przypadku zmian granicznych, które wyglądają niemal, ale nie całkiem, złośliwie. Artykuł opisuje Melan‑Dx, nowy system sztucznej inteligencji (AI), który ma wspierać ekspertów zajmujących się rakiem skóry, łącząc tysiące obrazów mikroskopowych oznaczonych przez specjalistów ze zorganizowaną wiedzą medyczną, oferując szybsze, bardziej spójne i bardziej przejrzyste diagnozy.

Budowanie bogatego atlasu obrazów zmian skórnych

Pierwszym krokiem było zgromadzenie wysokiej jakości „atlasu” guzów melanocytowych — szerokiej rodziny zmian obejmującej nieszkodliwe pieprzyki i zagrażające życiu czerniaki. Dermatopatolodzy z University of Pennsylvania starannie wybrali i oznaczyli 2 893 obrazy mikroskopowe obejmujące 44 różne typy zmian melanocytowych, od powszechnych łagodnych znamion po rzadkie, agresywne czerniaki. Każdy obraz skupia się na obszarze zainteresowania i jest przyporządkowany do trzypoziomowej hierarchii opartej na klasyfikacji guzów Światowej Organizacji Zdrowia (WHO), grupując choroby najpierw według szerokiej kategorii, potem według podtypu, a na końcu według konkretnej diagnozy. Ta struktura odzwierciedla sposób, w jaki specjaliści myślą o tych zmianach w codziennej praktyce.

Nauczanie AI z wykorzystaniem wiedzy medycznej, nie tylko pikseli

Melan‑Dx wykracza poza typowe systemy oparte wyłącznie na obrazach, parując zdjęcia z opisami tekstowymi zaczerpniętymi z autorytatywnych źródeł medycznych. Dla każdego typu choroby zespół sporządził krótkie, ustrukturyzowane wpisy opisujące, na co patolodzy zwracają uwagę — takie jak kształt komórek, wzór wzrostu czy wyniki barwień specjalnych — i jak te cechy odróżniają jedną zmianę od drugiej. Duży model językowy pomógł uporządkować te informacje, ale ludzie‑eksperci sprawdzili je pod kątem poprawności. Wspólnie obrazy i teksty są przekształcane w numeryczne „embeddings” i przechowywane w przeszukiwalnej bazie. Dzięki temu AI nie tylko rozpoznaje wzorce wizualne, lecz także łączy je z eksplicytnymi kryteriami diagnostycznymi, podobnie jak lekarz konsultujący dobrze indeksowany, ilustrowany podręcznik.

Jak Melan‑Dx rozumuje nad nowym przypadkiem

Gdy Melan‑Dx otrzymuje nowy obraz biopsji, przetwarza go dwoma skoordynowanymi gałęziami. W gałęzi obrazowej model wizji koduje obraz i pobiera najbardziej podobne przykłady z atlasu, kładąc nacisk na te, które najlepiej pasują, i łącząc je w wzbogaconą reprezentację. W gałęzi wiedzy ten sam obraz służy do wyciągnięcia najbardziej istotnych fragmentów tekstu opisujących możliwe rozpoznania. Specjalne moduły „eksperckie” dla każdego typu choroby oceniają, które obrazy referencyjne i wpisy wiedzy mają największe znaczenie, a bloki łączenia łączą te wskazówki. System jest szkolony tak, by dla poprawnej diagnozy wzbogacone reprezentacje obrazu i tekstu były blisko siebie, natomiast niepasujące pary były od siebie oddalane. Takie uczenie kontrastowe pomaga AI rozróżniać dziesiątki subtelnie różnych typów guzów, pozostając jednocześnie zakotwiczonym w wiedzy medycznej.

Testy dokładności, bezpieczeństwa i wydajności

Naukowcy porównali następnie Melan‑Dx z kilkoma wiodącymi modelami AI w patologii w ramach różnych zadań. W podstawowym pytaniu „czerniak czy nie?” Melan‑Dx osiągnął do 87% dokładności, przewyższając zarówno modele tylko lekko zaadaptowane, jak i te w pełni przetrenowane. W trudniejszej klasyfikacji 40‑klasowej obejmującej wiele podtypów czerniaków i znamion osiągnął niemal 70% dokładności dla pierwszego wyboru i ponad 87% przy dozwolonych trzech typach, ponownie przewyższając konkurencyjne podejścia. System respektował także hierarchię chorób: gdy się mylił, częściej mylił ze sobą blisko spokrewnione stany niż mieszał kategorie łagodne z złośliwymi, co lepiej odzwierciedla realne kliniczne ryzyko. Na obrazach całego preparatu — dużych cyfrowych skanach całych przekrojów tkanek — Melan‑Dx poprawił wykrywanie raka zarówno przy ograniczonych danych treningowych, jak i przy dużej liczbie przykładów, a jednocześnie skrócił czas szkolenia o prawie 90–97%, ponieważ podstawowy model wizji nie musi być ponownie trenowany.

Co to oznacza dla pacjentów i lekarzy

Dla pacjentów obietnica Melan‑Dx nie polega na wszechwiedzącym robocie‑lekarzu, lecz na inteligentniejszej drugiej opinii, która może pomóc zmniejszyć liczbę nieodkrytych czerniaków i niepotrzebnych niepokojów związanych z nadmierną diagnozą. Dla klinicystów system oferuje nie tylko etykietę, ale też dowody: pokazuje podobne przeszłe przypadki oraz kluczowe kryteria pisemne wspierające swoją sugestię, ułatwiając weryfikację jego rozumowania. Chociaż obecna praca koncentruje się na guzach melanocytowych i opiera na starannie skuratkowanym zbiorze danych z jednego ośrodka, ta sama strategia — łączenie obrazów ze zorganizowaną wiedzą medyczną i wykorzystanie wyszukiwania do kierowania AI — mogłaby zostać rozszerzona na wiele innych chorób. Jako lekkie, wyjaśnialne narzędzie zaprojektowane do współpracy człowiek‑AI, Melan‑Dx wskazuje na przyszłość, w której patologowie pozostają decydentami, ale są lepiej wyposażeni do dostarczania trafnych, terminowych diagnoz raka skóry.

Cytowanie: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

Słowa kluczowe: diagnoza czerniaka, patologia obliczeniowa, medyczna sztuczna inteligencja, modele wizja-język, wykrywanie raka skóry