Opracowany w Heidelbergu system sztucznej inteligencji Hetairos pozwala na sklasyfikowanie 102 molekularnych podtypów nowotworów ośrodkowego układu nerwowego w zaledwie kilkanaście minut. Technologia opiera się na analizie standardowych preparatów histologicznych, co może radykalnie skrócić czas i obniżyć koszty diagnostyki onkologicznej.
Hetairos: AI wytrenowane na danych z czterech kontynentów
Model głębokiego uczenia maszynowego Hetairos jest wynikiem pracy zespołu z Niemieckiego Centrum Badań nad Rakiem (DKFZ) i Uniwersytetu w Heidelbergu. Jego działanie polega na analizie cyfrowych obrazów standardowych preparatów barwionych hematoksyliną i eozyną (H&E), które są rutynowo wykorzystywane w patologii. System został wytrenowany na ogromnym zbiorze danych, obejmującym ponad 11 000 zeskanowanych preparatów, które pochodziły od 9 606 pacjentów z jedenastu ośrodków na czterech kontynentach.
Jako punkt odniesienia, czyli „złoty standard”, do trenowania algorytmu posłużyły wyniki klasyfikatora metylacji DNA. Jest to zaawansowana technika, która w ostatnich latach stała się kluczowym narzędziem w neuropatologii molekularnej. Dzięki takiemu podejściu Hetairos nauczył się rozpoznawać wzorce histologiczne odpowiadające 102 różnym podtypom molekularnym guzów, pokrywając niemal całe spektrum aktualnej klasyfikacji WHO nowotworów ośrodkowego układu nerwowego.
Diagnostyka molekularna w kilkanaście minut zamiast tygodni
Największą zaletą systemu Hetairos jest drastyczne skrócenie czasu potrzebnego na postawienie precyzyjnej diagnozy molekularnej. Standardowe procedury mogą trwać wiele tygodni, podczas gdy algorytm AI jest w stanie przedstawić wynik w około 12 minut. Taka szybkość może mieć kluczowe znaczenie dla planowania leczenia. Zastosowanie AI do analizy łatwo dostępnych preparatów H&E oznacza również znaczące obniżenie kosztów w porównaniu do drogich i czasochłonnych badań genetycznych.
Technologia ta wpisuje się w szerszy trend wykorzystania zaawansowanych narzędzi w diagnostyce nowotworów OUN. Jak wskazują analizy, markery molekularne, takie jak mutacje IDH1/2 czy metylacja promotora MGMT, są niezbędne do precyzyjnej klasyfikacji i prognozowania przebiegu glejaków. Problemem pozostają jednak inwazyjność biopsji tkankowych oraz ryzyko błędu wynikające z heterogeniczności guza, co ogranicza możliwość pełnego zobrazowania jego złożoności.
Nowe narzędzie jako wsparcie dla neuropatologów
Twórcy systemu podkreślają, że Hetairos nie ma na celu zastąpienia neuropatologa ani zaawansowanych badań molekularnych. Jego rolą jest działanie komplementarne – jako szybkie narzędzie przesiewowe, które może dostarczyć cennych wskazówek na wczesnym etapie diagnostycznym. Może pomóc ukierunkować dalsze, bardziej szczegółowe testy i zoptymalizować proces terapeutyczny.
Kluczowe korzyści płynące z wdrożenia tego typu systemów AI w praktyce klinicznej obejmują:
- Skrócenie czasu oczekiwania na diagnozę molekularną z tygodni do minut.
- Obniżenie kosztów diagnostyki dzięki wykorzystaniu standardowych preparatów H&E.
- Wczesne ukierunkowanie dalszych badań i planowania terapii.
- Potencjalne zwiększenie dostępności zaawansowanej diagnostyki w ośrodkach o ograniczonych zasobach.
Źródła
Nguyen TTT, et al. "Advances in Brain Tumor Biomarkers: From Molecular Profiling to Liquid Biopsy and AI-Driven Detection." Cancers (Basel), 2026. https://pubmed.ncbi.nlm.nih.gov/42279362/
Leskova B, et al. "Brain Cancer: Molecular Alterations and Emerging Trends in Neuropharmacology." Int J Mol Sci, 2026. https://pubmed.ncbi.nlm.nih.gov/42278411/
