Upptäckt och klassificering av sköldkörtelcancer med spektral avbildning och artificiell intelligens

Varför det är viktigt att upptäcka sköldkörtelcancer tidigt

Sköldkörtelcancer är den vanligaste cancern i de hormonproducerande körtlarna, och diagnosen bygger fortfarande till stor del på vad en patolog ser i mikroskopet. Ändå kan experter dra olika slutsatser, särskilt i gränsfall som delvis ser ofarliga och delvis oroande ut. Denna studie beskriver ett nytt sätt att läsa standardpreparat av sköldkörtelvävnad med hjälp av avancerade ljusmätningar och artificiell intelligens, med målet att hjälpa läkare att skilja normal vävnad från cancer mer exakt och konsekvent.

Att se bortom vanlig färg i vävnadspreparat

I vardaglig praxis skivas sköldkörtelvävnad som tagits bort vid operation tunt, färgas rosa och lila och undersöks i mikroskop. Färgerna kommer från två färgämnen, hematoxylin och eosin, som framhäver cellkärnor och omkringliggande vävnad. Traditionella digitala skannrar omvandlar detta till en enkel röd‑grön‑blå (RGB) bild, ungefär som en mobilkamera. Teamet bakom detta arbete byggde ett annat slags avbildningssystem, kallat spektral avbildning, som mäter hur varje liten punkt i preparatet absorberar ljus över flera dussin färger i det synliga spektrumet istället för bara tre. Detta rikare ”färgfingeravtryck” fångar subtila skillnader kopplade till hur tätt packat och organiserat det genetiska materialet är i varje cells kärna — egenskaper som ofta förändras vid cancer.

Att förvandla spektra från enskilda celler till användbar information

För att använda dessa detaljerade mätningar lät forskarna först expertpatologer markera tydligt normala respektive tydligt tumösa regioner på varje preparat. Deras spektralmikroskop scannade sedan båda områdena på ungefär 5–10 minuter per prov och samlade in omkring 40 ljusintensitetsvärden för varje pixel. Ett specialiserat neuralt nätverk, baserat på en design som ofta används inom medicinsk avbildning, hittade och markeras automatiskt kärnorna hos enskilda celler. För varje kärna beräknade systemet dess genomsnittliga spektrum samt dess storlek och form, tillsammans med hur mycket spektret skilde sig från typiska normala och typiska cancerkärnor. På detta sätt översätts det en patolog kvalitativt ser som ”mörkare” eller ”mer trångt” i kärnorna till numeriska egenskaper som en dator kan analysera.

Två vägar för att sortera normala och cancerösa celler

Studien testade två kompletterande sätt att klassificera celler. I ett semi‑automatiserat tillvägagångssätt markerar en patolog fortfarande en region som normal och en som tumör. Systemet jämför sedan varje kärnas spektrum med referensspektra från dessa två områden och använder en enkel klustringsmetod för att skilja troliga normala från troliga cancerösa celler. Denna metod uppnådde F1‑poäng — en balans mellan känslighet och precision — kring 0,8 eller högre för de viktigaste subtyperna av sköldkörtelcancer, med ytterligare förbättring när gränskärnor med blandade egenskaper satts åt sidan. I ett helt automatiserat tillvägagångssätt lärde sig en maskininlärningsmodell kallad random forest från mer än 150 000 märkta kärnor att känna igen mönster i kärnornas storlek, form och spektrala beteende som indikerar cancer. Testad på separata patientfall nådde den också F1‑poäng över 0,82, utan behov av någon manuell regionmärkning.

Från enskilda celler till beslut om hel vävnad

Läkare baserar inte behandling på ödet för en enstaka cell, utan på om större områden av vävnad är cancerösa och hur långt sjukdomen kan ha spridit sig. Forskarna utvärderade därför hur deras system presterar när det grupperar celler i små delregioner och märker varje region som tumör eller normal om majoriteten av dess kärnor ser cancerösa ut eller inte. Denna regionsbaserade vy ökade noggrannheten ytterligare, särskilt genom att minska falsklarm i normal vävnad. Viktigt är att tillvägagångssättet förblev transparent: varje beslut kan spåras tillbaka till synliga cellegenskaper och spektrogram, vilket undviker den ”svarta låda”‑beteende som gör vissa djupinlärningsverktyg svåra att lita på i kliniken.

Vad detta kan innebära för patienter och läkare

Studien visar att tillägg av detaljerade spektralmätningar och noggrant utformad AI till rutinpreparat för sköldkörteln på ett tillförlitligt sätt kan framhäva var cancer finns, även i knepiga subtyper som ofta förvirrar experter. Eftersom metoden fungerar på samma standardfärgningar som redan används globalt, kan den byggas in i digitala patologifl öden utan att ändra hur vävnaden förbereds. Systemet syftar inte till att ersätta patologer utan tillhandahåller en karta över troliga normala och cancerösa kärnor över preparatet, vilket hjälper till att bekräfta svåra diagnoser, snabbar upp granskningar och potentiellt minskar risken för både oupptäckta cancerfall och onödigt aggressiv behandling.

Citering: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Nyckelord: sköldkörtelcancer, digital patologi, spektral avbildning, artificiell intelligens, cancerdiagnos