Sztuczna inteligencja wykrywa raka prostaty we wczesnym stadium, którego nie wykryli patolodzy

Raport Scientific Reports dowodzi, że sztuczna inteligencja potrafi rozpoznawać ukryte morfologiczne cechy guza w biopsjach prostaty, które patolog wcześniej uznał za łagodne. Model głębokiego uczenia, trenowany z wykorzystaniem metody słabego nadzoru, przewidział, u których mężczyzn z podwyższonym PSA rozwinie się klinicznie istotny rak prostaty (ISUP > 1) w ciągu najbliższych 30 miesięcy, a u których rak pozostanie wolny przez co najmniej 8 lat. Otwiera to drogę do wczesnej stratyfikacji ryzyka bezpośrednio po wstępnej „czystej” biopsji i może pomóc w ustaleniu, kto naprawdę potrzebuje powtórzenia procedur inwazyjnych i lepszego nadzoru.

Tło badania

Pierwotna biopsja igłowa prostaty często daje wyniki fałszywie ujemne: znaczna część klinicznie istotnych nowotworów pozostaje „poza ekranem”, zwłaszcza w przypadku tradycyjnej systematycznej biopsji TRUS. Wprowadzenie obrazowania metodą rezonansu magnetycznego (MRI) zwiększyło odsetek klinicznie istotnych nowotworów i zmniejszyło liczbę niepotrzebnych powtórnych badań, ale nawet przy zastosowaniu nowoczesnych strategii, niektóre agresywne nowotwory pozostają niewykryte. Dylemat kliniczny pozostaje ten sam: kogo należy obserwować po „czystej” biopsji, a kogo skierować na wczesną powtórną biopsję, aby nie opóźniać diagnozy i nie obciążać pacjentów inwazyjnymi zabiegami.

Biologiczną podstawą rozwiązania tego problemu jest zjawisko TINT (tumor-instructed/indicating normal tissue – tkanka indukowana przez guz/wskazująca na normalną tkankę): guz „rekonfiguruje” otaczające pozornie normalne tkanki narządu, pozostawiając w nich słabe, ale systematyczne ślady – od przebudowy podścieliska i niedotlenienia po zmiany metaboliczne. Zmiany te zostały opisane w modelach eksperymentalnych oraz u pacjentów z rakiem prostaty i korelują z agresywnością guza, co czyni „normalną” tkankę potencjalnym źródłem sygnałów diagnostycznych, nawet jeśli w rdzeniu biopsyjnym nie ma widocznych gruczołów nowotworowych.

Patologia cyfrowa i metody głębokiego uczenia (deep learning) mają na celu wyodrębnienie takich „subtelnych” cech pola ze standardowych przekrojów hematologicznych i echologicznych. W przeciwieństwie do klasycznej morfologii, która koncentruje się na oczywistych strukturach guza, algorytmy mogą uchwycić rozproszone wzorce w podścielisku i nabłonku związane z obecnością guza w innej części narządu. Otwiera to drogę do stratyfikacji ryzyka bezpośrednio po ujemnym wyniku biopsji: wysoki wynik „score” sugeruje celowość wczesnej powtórnej biopsji lub kontroli MRI, a niski – bardziej delikatną obserwację.

To właśnie idea nowego badania opublikowanego w czasopiśmie „Scientific Reports”: autorzy sprawdzili, czy sztuczna inteligencja może przewidywać klinicznie istotnego raka prostaty w ciągu najbliższych 30 miesięcy na podstawie morfologicznych wskazówek z biopsji TINT. Praca opiera się na wcześniej zaprezentowanym preprintcie i stanowi podstawę do wdrożenia cyfrowych biomarkerów „terenowych” w kierowaniu pacjentami po wstępnej „czystej” biopsji.

Jak to zrobiono: projekt, dane, algorytm

Autorzy retrospektywnie zebrali dane z kohorty 232 mężczyzn z podwyższonym poziomem PSA i wstępnym wnioskiem o „łagodnym” wyniku biopsji igłowej (po kontroli technicznej do ostatecznej analizy włączono 213 pacjentów i 587 skrawków; biopsje z lat 1997–2016, Umea, Szwecja). Każdy pacjent został dopasowany do pary „lustrzanej” pod względem wieku, roku diagnozy i poziomu PSA: u połowy zdiagnozowano raka prostaty później (≤30 miesięcy), u drugiej połowy rak pozostał bez zmian przez co najmniej 8 lat. Preparaty hematologiczne i eozynofibrylacyjne zdigitalizowano (20×), pocięto na kafelki o wymiarach 256×256 pikseli i wprowadzono do systemu CLAM (Clustering-constrained Attention Multiple-Instance Learning) – nowoczesnego systemu o słabym nadzorze, w którym znany jest jedynie los pacjenta, a nie oznaczenie każdego piksela. Cechy zostały wyekstrahowane przez ResNet18, wstępnie wytrenowanego na 57 zbiorach danych histopatologicznych. Punkt końcowy jest binarny: niskie ryzyko (łagodne/ISUP1) w porównaniu z wysokim ryzykiem (ISUP2-5).

Dokładność przewidywań

W niezależnym teście model osiągnął AUC wynoszące 0,81 na szkiełkach i AUC wynoszące 0,82 na poziomie pacjenta. Przy progu zapewniającym akceptowalną równowagę czułość wyniosła 0,92, a wskaźnik wyników fałszywie dodatnich 0,32 (na poziomie pacjenta). Innymi słowy, wśród osób, u których początkowa biopsja „chybiła”, sztuczna inteligencja prawidłowo oznaczyła zdecydowaną większość tych, u których wkrótce potwierdzono klinicznie istotnego raka, aczkolwiek kosztem kilku fałszywych alarmów. Dla kliniki jest to sygnał: „łagodna” odpowiedź na biopsję ≠ zerowe ryzyko, który można ilościowo stratyfikować za pomocą szkła cyfrowego.

Co dokładnie sztuczna inteligencja „zauważa” w „normalnej” tkance?

Interpretacja za pomocą UMAP i map uwagi wykazała, że zmiany w podścielisku są najbardziej informatywne:

• Więcej kolagenu w podścielisku (zwłóknienie macierzy);
• Mniej komórek mięśni gładkich wokół gruczołów;
• Mniej powszechne są subtelne sygnały w nabłonku gruczołowym, prawdopodobnie poniżej dostępnej rozdzielczości downsamplingu.
  Ten wzorzec wpisuje się w koncepcję TINT (tumor-instructed/indicateing normal tissue – tkanka prawidłowa): nawet „norma” w narządzie, w którym ukryty jest guz, ulega rekonfiguracji pod jego wpływem i różni się od „normy” w narządzie bez guza. Rak to nie tylko ognisko nowotworu, ale także pole, a sztuczna inteligencja uczy się odczytywać efekt pola.

Jak podejście to sprawdza się w praktyce – potencjalne scenariusze

• Ponowna biopsja oparta na ryzyku: wysoki wskaźnik AI na „czystym” szkle - argument za wczesną ponowną biopsją lub kontrolą MRI zamiast czekania.
• Personalizacja monitorowania: Niska prędkość równoważy niepokój po „granicznym” obrazie MRI i pozwala na moderację intensywności monitorowania.
• Szkolenie w zakresie wzorców TINT: mapy uwagi i interaktywne nakładki pomagają patologom dostrzec subtelne pola wokół nowotworu, co poprawia spójność raportów.

Ważne jest zrozumienie ograniczeń

Jest to pojedynczy ośrodek w północnej Szwecji (głównie populacja rasy białej), projekt ma charakter retrospektywny, biopsje wyjściowe wykonano bez kontroli MRI (systematyczne biopsje TRUS), a markery to przyszłe wyniki, a nie „ukryty guz na tym samym szkiełku”. Nie przeprowadzono jeszcze zewnętrznej walidacji w niezależnych ośrodkach/skanerach, ani prospektywnego badania wpływu algorytmu na decyzje kliniczne i wyniki. Odsetek wyników fałszywie dodatnich pozostaje znaczący – model nie zastępuje lekarza, ale dodaje warstwę probabilistyczną do wspólnego podejmowania decyzji.

Co dalej: Plan wdrożenia

• Wieloośrodkowa walidacja zewnętrzna (różne skanery, protokoły, grupy etniczne).
• Badania prospektywne dotyczące decyzji: czy wynik AI zmienia trajektorię pacjenta (czas diagnozy, liczbę niepotrzebnych powtórnych biopsji, nadmierną/niedostateczną diagnozę).
• Integracja z MRI i kliniką: modele łączone (PSA, MRI PIRADS, czynniki kliniczne + wynik TINT według H&E).
• Kroki techniczne: standaryzacja digitalizacji, kontrola dryfu danych, wyjaśnialność (nakładki uwagi na rutynę).

Źródło: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C. i in. Odkrycie guza wskazującego na zmiany morfologiczne w łagodnych biopsjach prostaty za pomocą sztucznej inteligencji. Scientific Reports (Nature Portfolio), opublikowano 21 sierpnia 2025 r. DOI: https://doi.org/10.1038/s41598-025-15105-6