Djupinlärning för malignitets- och tumörursprungsbedömning med cytologi- eller histopatologi-hela preparationsbilder

Varför vätskor runt lungor och buk spelar roll

När vätska samlas runt lungorna (pleurautgjutning) eller i buken (ascites) kan det vara ett tidigt tecken på att cancer har spridit sig. Läkare undersöker dessa vätskor i mikroskop för att leta efter cancerceller, men arbetet är tidskrävande och även experter kan ibland vara oense. Denna studie beskriver ett nytt artificiellt intelligenssystem (AI) som kan skanna hela digitala preparat av dessa vätskor, hjälpa till att avgöra om cancer är närvarande och till och med ge en indikation om var i kroppen tumören sannolikt började.

Att förvandla mikroskopiska objektglas till digitala kartor

Moderna patologilaboratorier kan skanna objektglas till ultrahögupplösta digitala bilder, vardera innehållande miljontals celler. Forskarna använde dessa hela preparationsbilder från två typer av preparat: tunna ”utstryk” av celler och kompakta ”cellblock” som liknar små vävnadsprov. De fokuserade på vätskor från bröstkorgen och buken insamlade på ett större sjukhus, tillsammans med ytterligare vävnadsprover från en stor internationell cancer-databas. Eftersom det är omöjligt att manuellt markera varje cancercell i denna skala byggde teamet en metod som kan lära sig från labels på preparatnivå, såsom ”malignt” eller ”benignt”, utan detaljerade annoteringar.

En AI som lär sig vad den ska leta efter

Systemet, kallat MAMILE-UNI, kombinerar två huvudidéer. För det första delar det varje bild i många små bildpatchar och för dem genom ett kraftfullt ”transformer”-nätverk som förtränats, utan mänskliga etiketter, på miljontals patologibilder. Detta självträningssteg låter modellen upptäcka användbara visuella mönster — som cellkluster och vävnadstexturer — på egen hand. För det andra lär en attention-modul vilka patchar på ett preparat som är viktigast för diagnosen, vilket effektivt efterliknar hur en patolog skannar för suspekta områden. Patchar som starkt påverkar beslutet markeras och genererar värmekartor som visar var algoritmen ”tittade” när den klassade ett preparat som canceröst eller inte.

Att upptäcka cancer i bröstkorgs- och bukvätskor

Teamet utvärderade MAMILE-UNI på 1 250 vätskepreparat från pleurautgjutningar och ascites. Jämfört med fem ledande djupinlärningsmetoder var det nya systemet konsekvent mer träffsäkert. För pleuravätskor kunde det korrekt skilja maligna från benigna preparat ungefär 9 gånger av 10 för både utstryk och cellblocks. För ascites nådde det liknande noggrannhet och var särskilt starkt i att behålla både hög känslighet (att fånga verkliga cancerfall) och hög specificitet (att undvika falska larm). Statistiska tester visade att dess prognoser stämde väl överens med verkliga diagnoser och var signifikant bättre än konkurrerande AI-modeller. Viktigt är att systemet förblev tillförlitligt även när cancerceller var sällsynta på ett preparat — en situation som ofta utmanar mänskliga granskare.

Att spåra varifrån cancern härstammar

Utöver att enbart påvisa malignitet undersökte författarna om AI kunde härleda var en metastatisk tumör startade — en stor utmaning när primärstället är okänt. Med hjälp av cytologiutstryk från pleurautgjutningar och ascites lärde sig modellen att tilldela preparat till breda ursprungsgrupper såsom lunga, bröst, mag-tarmkanal eller gynekologiska organ. Den var särskilt träffsäker för lung- och bröstcancer, medan prestandan var mer måttlig för ovanligare eller visuellt varierande tumörer. För att pröva generell tillämplighet applicerade forskarna även MAMILE-UNI på 1 196 vävnadssektioner från 69 sjukhus världen över. På dessa histologiska bilder identifierade systemet tumörursprung med påfallande hög noggrannhet, i vissa fall nära perfekt överensstämmelse med sanningens diagnoser.

Hastighet, effektivitet och stöd för kliniker

Patologer ägnar ofta minst tio minuter åt att noggrant granska ett digitalt cytologipreparat. I kontrast kan MAMILE-UNI bearbeta ett helt preparat och ge en prognos på under två minuter på ett standardgrafikkort, efter att ha komprimerat gigabyte-stora bilder till kompakta funktionsuppsättningar. Kurvbaserade utvärderingar visade att modellen tenderar att ranka verkligt maligna fall högt på sin prioriteringslista, erbjuder en fördelaktig balans mellan nytta och skada över beslutsgränser och producerar sannolikhetspoäng som stämmer väl med verkliga utfall. Attention-kartor överlappade nära med områden markerade av expertpatologer, vilket tyder på att AI:ns fokus är kliniskt meningsfullt snarare än godtyckligt.

Vad detta betyder för patienter och läkare

För patienter med vätska i bröstkorgen eller buken formar snabb och korrekt diagnos i hög grad behandlingsbeslut, men dagens tester kan vara långsamma, subjektiva och kostsamma. Denna studie visar att ett omsorgsfullt utformat AI-system pålitligt kan screena digitala vätske- och vävnadspreparat för tecken på cancer och ge ledtrådar om var sjukdomen började, samtidigt som det kräver måttliga datorresurser. Författarna betonar att MAMILE-UNI inte är en ersättning för patologer, utan ett stödverktyg som skulle kunna minska arbetsbördan, förbättra konsekvensen och öka tillgången till högkvalitativ cancerdiagnostik — särskilt i miljöer där specialistkompetens och avancerade laboratorietester är begränsade.

Citering: 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

Nyckelord: cytologi AI, pleuravätska, ascites, tumörursprungsprognos, digital patologi