Mot djupinlärningsbaserad detektion och kvantifiering av intestinal metaplasi på digitaliserade gastriska biopsier: en jämförande studie med flera experter

Varför detta är viktigt för din hälsa

Magsäckscancer är fortfarande en av världens dödligaste cancerformer, till stor del eftersom den ofta upptäcks för sent. Läkare vet att en viss förstadieförändring i magslemhinnan, kallad intestinal metaplasi, signalerar förhöjd risk flera år innan en tumör uppstår. Men i dag bedöms denna varningssignal visuellt, vilket innebär att två experter kan titta på samma biopsi och vara oense om hur allvarlig förändringen är. Denna studie undersöker om artificiell intelligens kan ge större konsekvens och precision i det viktiga tidiga varningssteget.

Hur läkare letar efter problem i magsäcken

När någon undersöks för möjlig magsjukdom tas små vävnadsprover från flera standardiserade ställen i magsäcken och undersöks i mikroskop. Patologer letar efter tecken som inflammation, förlust av normala körtlar och särskilt framträdandet av tarmliknande celler där de inte hör hemma. Ju mer utbredda dessa förändringar är och ju fler områden i magsäcken de omfattar, desto högre är den uppskattade risken för att personen så småningom ska utveckla magsäckscancer. Nuvarande poängsystem kombinerar dessa visuella intryck till stadier från mycket låg till mycket hög risk och styr hur noggrant en patient bör följas upp.

Problemet med enbart mänskligt omdöme

Även om dessa system används i stor utsträckning i kliniker, bygger de på patologens bästa uppskattning av vilken andel av vävnaden som är påverkad. Tidigare forskning och praktisk erfarenhet har visat att även välutbildade experter kan skilja sig avsevärt i sina bedömningar. I denna studie poängsatte tre patologer oberoende varandra mer än 200 uppsättningar magsbiopsier från colombianska frivilliga och patienter. Deras överensstämmelse varierade endast från svag till måttlig, vilket betyder att samma fall kunde få olika riskstadier beroende på vem som bedömde det. Denna variation väcker oro för att vissa personer kan få falsk trygghet medan andra kan få besked om högre risk än vad som faktiskt är motiverat.

Att lära en dator läsa biopsibilder

Forskarna frågade om djupinlärning, en form av artificiell intelligens som är särskilt bra på att känna igen mönster i bilder, kunde hjälpa. De digitaliserade fem biopsiprover per person vid mycket hög förstoring och använde först en specialiserad algoritm för att lokalisera körtelstrukturer i vävnaden, där de tidiga förändringarna uppträder. Från dessa regioner extraherade de hundratusentals små bildrutor. En erfaren patolog hade tidigare markerat var intestinal metaplasi fanns, vilket gjorde det möjligt att märka rutorna som antingen påverkade eller normala. Flera moderna neurala nätverksarkitekturer tränades därefter i etapper: först genom att lära sig från stora befintliga bilddatabaser och sedan genom finjustering på dessa magsäcksexempel för att särskilja metaplastiska från normala rutor.

Vad datorn fann och hur det jämförs

Bland de testade modellerna uppnådde en viss arkitektur de bästa resultaten, identifierade intestinal metaplasi korrekt i majoriteten av rutorna och nådde prestandanivåer jämförbara med andra medicinska bilduppgifter. När rutnivåprediktionerna återprojicerades på helglasbilder producerade modellen färgkodade kartor som visade var körtlarna sannolikt var påverkade. Ur dessa kartor beräknade programmet automatiskt andelen påverkad vävnad på varje biopsiställe och översatte dessa procentsatser till samma riskstadier som de mänskliga experterna använde. Även om modellen inte perfekt överensstämde med någon enskild patolog visade den stark korrelation med deras uppskattningar och, viktigt nog, var mer konsekvent från fall till fall än vad experterna var sinsemellan.

Vad detta kan innebära för framtida vård

Studien tyder på att djupinlärningssystem kan fungera som stabila "andra läsare" för magsbiopsier och erbjuda objektiva mätningar av hur stor del av vävnaden som visar tidig förstadieförändring. Istället för att ersätta patologer kan sådana verktyg ge en tillförlitlig referenspunkt, minska gissningar och meningsskiljaktigheter och hjälpa till att säkerställa att patienter med verkligt förhöjd risk identifieras och övervakas på ett ändamålsenligt sätt. Med vidare prövning över olika sjukhus och mer detaljerad märkning av vävnadssubtyper skulle detta tillvägagångssätt så småningom kunna stödja mer personligt anpassade och välgrundade beslut om vem som behöver tätare uppföljning för att förebygga magsäckscancer.

Citering: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Nyckelord: magsäckscancer, intestinal metaplasi, djupinlärning, digital patologi, cancer-riskstratifiering