Francuscy naukowcy opracowali system oparty na głębokim uczeniu, który automatyzuje analizę obrazów PET u pacjentek z rakiem piersi. Narzędzie ma na celu precyzyjne wyodrębnianie guzów i ekstrakcję biomarkerów, co jest kluczowe dla monitorowania odpowiedzi na chemioterapię neoadiuwantową. Technologia ta stanowi odpowiedź na problemy związane z czasochłonną i subiektywną manualną oceną skanów.
System oparty na głębokim uczeniu przeanalizował 423 skany
Badanie, którego wyniki opublikowano 18 maja 2026 roku w „Scientific Reports”, opierało się na analizie dużej bazy danych obrazów medycznych. Algorytmy sztucznej inteligencji zostały wykorzystane do przetworzenia łącznie 423 skanów pozytonowej tomografii emisyjnej (PET) z użyciem znacznika 18F-FDG. Zbiór ten obejmował 243 skany wyjściowe, wykonane przed rozpoczęciem leczenia, oraz 180 skanów kontrolnych, przeprowadzonych po pierwszym cyklu chemioterapii.
Głównym zadaniem opracowanego systemu była automatyczna segmentacja, czyli precyzyjne wyznaczanie granic pierwotnego guza piersi na obrazach PET. Na tej podstawie system dokonywał ekstrakcji kluczowych biomarkerów, które odzwierciedlają ewolucję metaboliczną nowotworu w odpowiedzi na wdrożone leczenie. Proces ten pozwala na obiektywną ocenę zmian zachodzących w guzie.
Automatyzacja kluczem do oceny chemioterapii neoadiuwantowej
Chemioterapia neoadiuwantowa jest standardowym postępowaniem klinicznym w leczeniu raka piersi, mającym na celu zmniejszenie guza przed zabiegiem chirurgicznym. Badanie PET odgrywa w tym procesie kluczową rolę, ponieważ pozwala na wczesną ocenę odpowiedzi patologicznej na leczenie. Obrazowanie metabolicznej aktywności komórek nowotworowych umożliwia monitorowanie skuteczności terapii.
Nowy system automatyzuje ten proces, dostarczając powtarzalnych i obiektywnych danych. Analiza biomarkerów przed i po pierwszym kursie chemioterapii pozwala lekarzom na szybsze podejmowanie decyzji dotyczących kontynuacji lub modyfikacji planu leczenia. Dzięki temu możliwe jest spersonalizowanie terapii i zwiększenie jej efektywności.
Przewaga nad metodami manualnymi: szybkość i obiektywizm
Tradycyjna, ręczna segmentacja obrazów PET jest procesem, który ma istotne ograniczenia. Jest ona nie tylko czasochłonna, ale również subiektywna i w dużym stopniu zależna od doświadczenia lekarza oceniającego badanie. Różnice w interpretacji między specjalistami mogą prowadzić do niespójności w ocenie progresji choroby.
Zastosowanie algorytmów głębokiego uczenia eliminuje te problemy. Automatyzacja zapewnia wysoką powtarzalność wyników oraz znacząco skraca czas analizy obrazów. Integracja sztucznej inteligencji z metodami obrazowania, takimi jak PET/CT czy PET/MR, zwiększa dokładność diagnostyczną i pozwala na wykrywanie subtelnych zmian, które mogłyby zostać przeoczone podczas oceny manualnej.
Źródła
Tareke TW, Payan N, et al. "Automatic computation of breast cancer biomarkers from multiple [Formula: see text] F-FDG PET image segmentation." Sci Rep, 2026. https://pubmed.ncbi.nlm.nih.gov/42151250/
