Uczenie głębokie do przewidywania złośliwości i pochodzenia guza na podstawie cytologii lub histopatologii zeskanych całych preparatów

Dlaczego płyny wokół płuc i w jamie brzusznej mają znaczenie

Gdy wokół płuc (wysięk opłucnowy) lub w jamie brzusznej (ascites) gromadzi się płyn, może to być wczesny sygnał przerzutów nowotworowych. Lekarze badają te płyny pod mikroskopem, szukając komórek nowotworowych, ale to zadanie jest żmudne i nawet eksperci czasem się nie zgadzają. W badaniu opisano nowy system sztucznej inteligencji (AI), który potrafi przeskanować całe cyfrowe preparaty tych płynów, pomóc ocenić, czy obecny jest nowotwór, i zasugerować, skąd w organizmie mógł pochodzić guz.

Przekształcanie preparatów mikroskopowych w mapy cyfrowe

Nowoczesne laboratoria patologiczne mogą skanować szkiełka do ultra-wysokorozdzielczych obrazów cyfrowych, z milionami komórek w każdym obrazie. Badacze wykorzystali te obrazy całych preparatów z dwóch rodzajów przygotowań: cienkich „rozmazów” komórek oraz zwartych „bloków komórkowych”, przypominających niewielkie próbki tkankowe. Skoncentrowali się na płynach z klatki piersiowej i jamy brzusznej pobranych w dużym szpitalu oraz na dodatkowych próbkach tkankowych z międzynarodowej bazy danych onkologicznych. Ponieważ ręczne oznaczanie każdej komórki nowotworowej jest niemożliwe na tej skali, zespół opracował metodę uczącą się z etykiet na poziomie całego preparatu, takich jak „złośliwy” lub „łagodny”, bez szczegółowych adnotacji.

AI, które samo uczy się, czego szukać

System nazwano MAMILE‑UNI i łączy on dwa kluczowe pomysły. Po pierwsze, dzieli każdy preparat na wiele małych fragmentów obrazu i przepuszcza je przez wydajną sieć „transformera”, wstępnie wytrenowaną bez etykiet ludzkich na milionach obrazów patologicznych. Ten etap samouczenia pozwala modelowi samodzielnie odkrywać użyteczne wzorce wizualne — takie jak skupiska komórek czy tekstury tkanek. Po drugie, moduł uwagi uczy się, które fragmenty preparatu są najważniejsze dla diagnozy, naśladując sposób, w jaki patolog wyszukuje podejrzane obszary. Fragmenty silnie wpływające na decyzję są uwydatniane, tworząc mapy cieplne pokazujące, gdzie algorytm „patrzył”, gdy oznaczał preparat jako nowotworowy lub nie.

Wykrywanie nowotworu w płynach z klatki piersiowej i brzucha

Zespół ocenił MAMILE‑UNI na 1 250 preparatach płynów z wysięków opłucnowych i ascites. W porównaniu z pięcioma wiodącymi metodami uczenia głębokiego nowy system był konsekwentnie dokładniejszy. Dla wysięków opłucnowych poprawnie rozróżniał preparaty złośliwe od łagodnych w około 9 na 10 przypadków zarówno dla rozmazów, jak i bloków komórkowych. Dla ascites osiągał podobną dokładność i był szczególnie silny w utrzymywaniu zarówno wysokiej czułości (wychwytywanie prawdziwych nowotworów), jak i wysokiej swoistości (unikanie fałszywych alarmów). Testy statystyczne wykazały, że jego przewidywania ściśle odpowiadały prawdziwym rozpoznaniom i były istotnie lepsze niż u konkurencyjnych modeli AI. Co ważne, system pozostawał wiarygodny nawet wtedy, gdy komórek nowotworowych było niewiele na preparacie — sytuacja często stanowiąca wyzwanie dla ludzkich czytelników.

Śledzenie, skąd pochodził nowotwór

Ponad samo wykrywanie złośliwości, autorzy zapytali, czy AI potrafi wnioskować, gdzie zaczął się guz przerzutowy — to duże wyzwanie, gdy miejsce pierwotne jest nieznane. Korzystając z rozmazów cytologicznych z wysięków opłucnowych i ascites, model nauczył się przypisywać preparaty do szerokich grup pochodzenia, takich jak płuca, pierś, przewód pokarmowy czy narządy ginekologiczne. Był szczególnie trafny dla nowotworów płuc i piersi, podczas gdy wydajność była umiarkowana dla rzadszych lub wizualnie zróżnicowanych nowotworów. Aby sprawdzić ogólność, badacze zastosowali MAMILE‑UNI także do 1 196 przekrojów tkankowych z 69 szpitali na całym świecie. Na tych preparatach histologicznych system określał pochodzenie guza z uderzająco wysoką dokładnością, zbliżając się do niemal doskonałej zgodności z rozpoznaniami referencyjnymi.

Szybkość, efektywność i wsparcie dla klinicystów

Patolodzy często spędzają co najmniej dziesięć minut na dokładnym przeglądzie jednego cyfrowego preparatu cytologicznego. W przeciwieństwie do tego MAMILE‑UNI może przetworzyć cały preparat i zwrócić przewidywanie w czasie poniżej dwóch minut na standardowej karcie graficznej, po skompresowaniu obrazów zajmujących gigabajty do zwartego zestawu cech. Ewaluacje oparte na krzywych wykazały, że model ma skłonność do umieszczania prawdziwie złośliwych przypadków wysoko na liście priorytetów, oferuje korzystną równowagę między korzyściami a szkodami w różnych progach decyzyjnych i generuje prawdopodobieństwa dobrze zgodne z rzeczywistymi wynikami. Mapy uwagi pokrywały się ściśle z obszarami zaznaczonymi przez ekspertów-patologów, co sugeruje, że skupienie AI jest klinicznie istotne, a nie przypadkowe.

Co to oznacza dla pacjentów i lekarzy

Dla pacjentów z płynem w klatce piersiowej lub jamie brzusznej szybka i dokładna diagnoza silnie wpływa na decyzje terapeutyczne, tymczasem obecne testy mogą być wolne, subiektywne i kosztowne. Badanie pokazuje, że starannie zaprojektowany system AI może niezawodnie przesiewowo badać cyfrowe preparaty płynów i tkanek pod kątem cech nowotworowych oraz dostarczać wskazówek o miejscu początkowym choroby, przy użyciu umiarkowanych zasobów obliczeniowych. Autorzy podkreślają, że MAMILE‑UNI nie ma zastępować patologów, lecz stanowić narzędzie wspomagające, które może zmniejszyć obciążenie pracą, poprawić spójność i rozszerzyć dostęp do wysokiej jakości diagnostyki onkologicznej — szczególnie w miejscach, gdzie brakuje specjalistycznej wiedzy i zaawansowanych badań laboratoryjnych.

Cytowanie: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Słowa kluczowe: Sztuczna inteligencja w cytologii, wysięk opłucnowy, ascites, przewidywanie pochodzenia guza, patologia cyfrowa