Sztuczna inteligencja odróżnia glejaka wielopostaciowego od innych nowotworów mózgu

Nowe narzędzie sztucznej inteligencji PICTURE umożliwia chirurgom i patologom szybkie i dokładne rozróżnienie glejaka wielopostaciowego od podobnych nowotworów mózgu, takich jak PCNSL, podczas operacji. System działa w czasie rzeczywistym i może zminimalizować błędy diagnostyczne, wspierając decyzje terapeutyczne. Jak podkreśla Kun-Hsing Yu, model oferuje niemal idealną dokładność i posiada funkcję wykrywania niepewności, co zwiększa bezpieczeństwo pacjentów.

Glejak wielopostaciowy jest najczęstszym i najbardziej agresywnym nowotworem mózgu, natomiast pierwotny chłoniak ośrodkowego układu nerwowego (PCNSL) rozwija się z komórek układu odpornościowego. Oba guzy pod mikroskopem wyglądają podobnie, co często prowadzi do błędnej diagnozy i opóźnienia w leczeniu.

Zespół z Harvard Medical School, kierowany przez Kun-Hsing Yu, opracował system PICTURE (Pathology Image Characterization Tool with Uncertainty-aware Rapid Evaluations). Model umożliwia rozróżnienie glejaka wielopostaciowego od PCNSL z niemal 98% dokładnością, w tym na zamrożonych skrawkach pobranych podczas operacji.

Unikalną cechą systemu PICTURE jest wbudowany detektor niepewności, który sygnalizuje przypadki, których model wcześniej nie widział, co pozwala człowiekowi dokonać ostatecznej weryfikacji. Jak mówi Yu:

Model PICTURE przetestowano na 2141 preparatach patologicznych w pięciu szpitalach w czterech krajach. System przewyższył tradycyjną ocenę patologów oraz inne modele AI, poprawnie identyfikując przypadki, które wcześniej były błędnie diagnozowane w 38% sytuacji.

PICTURE dostarcza chirurgom kluczowych informacji w czasie rzeczywistym, umożliwiając decyzje, czy usunąć tkankę guza – jak w przypadku glejaka wielopostaciowego – czy zastosować radioterapię i chemioterapię, preferowaną w PCNSL. Model może zmniejszyć ryzyko niepotrzebnych operacji i opóźnień w leczeniu.

Wdrożenie systemu PICTURE może zdemokratyzować dostęp do neuropatologii, wspierać edukację patologów i rozszerzać diagnostykę na inne rodzaje guzów mózgu. Naukowcy planują dalsze badania, aby potwierdzić skuteczność w różnych populacjach oraz połączyć system z analizą genetyczną i molekularną.