Nowy, wielozadaniowy model głębokiego uczenia maszynowego potrafi z wysoką precyzją wykrywać i diagnozować glejaki oraz przerzuty do mózgu na podstawie obrazów rezonansu magnetycznego (MRI). Technologia ta, osiągając w badaniach dokładność sięgającą 97%, stanowi obiecującą alternatywę dla inwazyjnych procedur diagnostycznych, takich jak biopsja.
Model AI oceniono na podstawie danych od 3909 pacjentów
Badanie opublikowane w czasopiśmie „npj Digital Medicine” przedstawia rozwój i walidację zaawansowanego systemu komputerowego wspomagania diagnostyki (CAD). W celu wytrenowania i przetestowania algorytmu wykorzystano dane kliniczne i obrazy MRI pochodzące od 3909 uczestników z siedmiu różnych ośrodków medycznych. Taka skala badania zapewnia wysoką wiarygodność uzyskanych wyników i wskazuje na potencjał modelu do generalizacji w różnych populacjach pacjentów.
Głównym zadaniem opracowanego modelu jest nie tylko wykrywanie (segmentacja) guzów mózgu na skanach MRI, ale również ich precyzyjna klasyfikacja. System został zaprojektowany, aby odróżniać glejaki, stanowiące około 70% wszystkich nowotworów tkanki mózgowej, od przerzutów pochodzących z innych narządów, co jest kluczowe dla zaplanowania dalszego leczenia.
Algorytm osiąga do 97% dokładności w diagnozie bezinwazyjnej
Tradycyjny proces diagnostyczny w przypadku podejrzenia guza mózgu opiera się na badaniu MRI, a następnie na biopsji w celu pobrania próbki tkanki do analizy histopatologicznej. Jest to procedura inwazyjna, czasochłonna i obarczona ryzykiem powikłań. Jak wskazują wyniki, opracowany model głębokiego uczenia osiąga dokładność diagnostyczną na poziomie 97%, co stwarza możliwość postawienia precyzyjnego rozpoznania bez konieczności przeprowadzania biopsji.
Wykorzystanie sztucznej inteligencji może znacząco skrócić czas oczekiwania na diagnozę i pozwolić na szybsze wdrożenie leczenia. Bezinwazyjny charakter metody jest szczególnie istotny w przypadku guzów zlokalizowanych w trudno dostępnych lub krytycznych obszarach mózgu, gdzie biopsja wiąże się ze szczególnym niebezpieczeństwem.
Sztuczna inteligencja identyfikuje przerzuty pomijane przez radiologów
Jedną z kluczowych zalet nowego systemu jest jego zdolność do identyfikacji bardzo małych zmian przerzutowych, które mogą zostać przeoczone podczas standardowej oceny obrazów MRI przez radiologa. Zjawisko to określane jest mianem retrospektywnie zidentyfikowanych przerzutów (RIM) – są to ogniska nowotworowe wykrywane dopiero w późniejszych badaniach kontrolnych.
Algorytm, dzięki analizie subtelnych wzorców na obrazach, potrafi zidentyfikować te niewielkie zmiany na wczesnym etapie. Wczesne wykrycie przerzutów do mózgu otwiera drogę do zastosowania mniej inwazyjnych metod leczenia, takich jak radiochirurgia stereotaktyczna, co może poprawić rokowania pacjentów.
Źródła
Liu X, Lv K, et al. "Multi-task deep learning assists detection and diagnosis of gliomas and brain metastases." npj Digital Medicine, 2026. https://pubmed.ncbi.nlm.nih.gov/42143150/
Wang X, Ding M, et al. "Transformer-Based Deep Learning Model for Predicting Recurrence in High-Grade Glioma." Cancer Med, 2026. https://pubmed.ncbi.nlm.nih.gov/42104545/
https://pubmed.ncbi.nlm.nih.gov/42122544/
https://pubmed.ncbi.nlm.nih.gov/42030976/
https://pubmed.ncbi.nlm.nih.gov/41993630/
