Umělá inteligence detekuje rakovinu prostaty v raném stádiu, kterou patologové přehlédli

Zpráva Scientific Reports ukazuje, že umělá inteligence dokáže rozpoznávat skryté morfologické stopy nádoru v biopsiích prostaty, které patolog dříve považoval za benigní. Model hlubokého učení trénovaný pomocí slabě kontrolovaného přístupu předpověděl, u kterých mužů se zvýšeným PSA se v příštích 30 měsících rozvine klinicky významný karcinom prostaty (ISUP > 1) a kteří zůstanou bez rakoviny po dobu nejméně 8 let. To otevírá dveře k včasné stratifikaci rizika ihned po počáteční „čisté“ biopsii a může pomoci rozhodnout, kdo skutečně potřebuje opakované invazivní zákroky a zvýšený dohled.

Pozadí studie

Primární jehlová biopsie prostaty často dává falešně negativní výsledky: významná část klinicky významného karcinomu zůstává „mimo obrazovku“, zejména při tradiční systematické TRUS biopsii. Zavedení MRI navigace zvýšilo podíl detekce klinicky významného karcinomu a snížilo počet zbytečných opakovaných zákroků, ale i při moderních strategiích zůstávají některé agresivní nádory neodhaleny. Klinické dilema zůstává stejné: kdo by měl být po „čisté“ biopsii sledován a kdo by měl být odeslán k časné opakované biopsii, aby se neoddálila diagnóza a pacienti nebyli přetíženi invazivními zákroky.

Biologickým základem pro řešení tohoto problému je fenomén TINT (tumor-instructed/indicating normal tissue): nádor „rekonfiguruje“ okolní zdánlivě normální tkáně orgánu a zanechává v nich slabé, ale systematické stopy – od stromální remodelace a hypoxie až po metabolické posuny. Tyto změny byly popsány v experimentálních modelech a u pacientů s rakovinou prostaty a korelují s agresivitou nádoru, což činí z „normální“ tkáně potenciální zdroj diagnostických signálů, i když v bioptickém vzorku nejsou žádné zjevné rakovinné žlázy.

Metody digitální patologie a hlubokého učení se zaměřují na extrakci těchto „jemných“ terénních rysů ze standardních H&E řezů. Na rozdíl od klasické morfologie, která se zaměřuje na zjevné struktury nádoru, dokáží algoritmy zachytit distribuované vzory ve stromatu a epitelu spojené s přítomností nádoru v jiné části orgánu. To otevírá cestu ke stratifikaci rizika ihned po negativní biopsii: vysoké „skóre“ na bázi Glass naznačuje vhodnost časné opakované biopsie nebo navádění MRI, nízké podporuje šetrnější pozorování.

Toto je myšlenka, která stojí za novou studií publikovanou v časopise Scientific Reports: autoři testovali, zda umělá inteligence dokáže předpovědět klinicky významný karcinom prostaty v příštích 30 měsících na základě morfologických znaků z biopsií TINT. Práce navazuje na dříve prezentovaný preprint a tvoří aplikovaný základ pro implementaci „terénních“ digitálních biomarkerů do směrování pacientů po počáteční „čisté“ biopsii.

Jak to bylo provedeno: návrh, data, algoritmus

Autoři retrospektivně shromáždili kohortu 232 mužů se zvýšeným PSA a počátečním závěrem „benigní“ na základě biopsie jehlou (po technické kontrole bylo do finální analýzy zahrnuto 213 pacientů a 587 řezů; biopsie 1997-2016, Umea, Švédsko). Každý pacient byl porovnán se „zrcadlovým“ párem podle věku, roku diagnózy a hladiny PSA: u poloviny byla rakovina prostaty diagnostikována později (≤30 měsíců), druhá polovina zůstala bez rakoviny po dobu nejméně 8 let. Preparáty H&E byly digitalizovány (20×), rozřezány na dlaždice o rozměrech 256×256 pixelů a vloženy do CLAM (Clustering-constrained Attention Multiple-Instance Learning) - moderního slabě kontrolovaného schématu, kde je znám pouze osud pacienta, nikoli označení každého pixelu. Charakteristiky byly extrahovány pomocí ResNet18 předtrénovaného na 57 histopatologických datových sadách. Koncový bod je binární: nízké riziko (benigní/ISUP1) vs. vysoké riziko (ISUP2-5).

Přesnost predikce

V nezávislém testu model dosáhl AUC 0,81 napříč preparáty a AUC 0,82 na úrovni pacienta. Při prahové hodnotě, která poskytovala přijatelnou rovnováhu, byla senzitivita 0,92 s mírou falešně pozitivních výsledků 0,32 (na úrovni pacienta). Jinými slovy, u lidí, jejichž počáteční biopsie „neúspěšně“ identifikovala umělá inteligence správně drtivou většinu těch, u kterých byla brzy potvrzena klinicky významná rakovina, i když za cenu některých falešných poplachů. Pro kliniku je to signál: „benigní“ bioptická odpověď ≠ nulové riziko a lze ji kvantitativně stratifikovat pomocí digitálního skla.

Čeho přesně si umělá inteligence „všimne“ v „normální“ tkáni?

Interpretace pomocí UMAP a map pozornosti ukázala, že stromální změny jsou nejinformativnější:

• Více kolagenu ve stromatu (zhutnění matrixu, „fibróza“);
• Méně buněk hladkého svalstva kolem žláz;
• Méně časté jsou jemné signály v žlázovém epitelu, pravděpodobně pod dostupným rozlišením downsamplingu.
  Tento vzorec zapadá do konceptu TINT (tumor-instructed/indicating normal tissue – normální tkáň indikovaná nádorem): i „norma“ v orgánu, kde je nádor skrytý, se pod jeho vlivem překonfiguruje a liší se od „normy“ v orgánu bez nádoru. Rakovina není jen ložisko, ale také pole a umělá inteligence se učí číst efekt pole.

Jak je tento přístup užitečný v praxi – možné scénáře

• Opakovaná biopsie na základě rizika: vysoká míra AI na „čistém“ skle – argument ve prospěch včasné opakované biopsie nebo navádění pomocí MRI namísto čekání.
• Personalizace monitorování: Nízká rychlost vyvažuje úzkost po „hraniční“ magnetické rezonanci a umožňuje moderování intenzity monitorování.
• Trénink vzorů TINT: Mapy pozornosti a interaktivní překryvy pomáhají patologům vidět jemná pole kolem rakoviny, což zlepšuje konzistenci zpráv.

Je důležité pochopit omezení

Jedná se o jedno centrum v severním Švédsku (převážně bělošská populace), design je retrospektivní, výchozí biopsie byly provedeny bez navádění MRI (systematické TRUS biopsie) a markery jsou budoucí výsledky, spíše než „skrytý nádor na stejném preparátu“. Zatím neexistuje žádná externí validace v nezávislých centrech/skenerech, ani prospektivní studie vlivu algoritmu na klinická rozhodnutí a výsledky. Míra falešně pozitivních výsledků zůstává významná – model nenahrazuje lékaře, ale přidává pravděpodobnostní vrstvu pro sdílené rozhodování.

Co bude dál: Plán implementace

• Multicentrická externí validace (různé skenery, protokoly, etnické skupiny).
• Prospektivní rozhodovací studie: mění skóre AI trajektorii pacienta (doba do diagnózy, počet zbytečných opakovaných biopsií, nadhodnocení/podhodnocení diagnózy)?
• Integrace s MRI a klinickými studiemi: kombinované modely (PSA, MRI PIRADS, klinické faktory + TINT skóre dle H&E).
• Technické kroky: standardizace digitalizace, kontrola datového driftu, vysvětlitelnost (překrytí pozornosti pro rutinu).

Zdroj: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C. a kol. Objev tumoru indikujícího morfologické změny v benigních biopsiích prostaty pomocí umělé inteligence. Scientific Reports (Nature Portfolio), publikováno 21. srpna 2025. DOI: https://doi.org/10.1038/s41598-025-15105-6