Umjetna inteligencija koja vidi pluća skenirana na način na koji to radi radiolog

Radiolozi svakodnevno čitaju velike količine CT snimaka tražeći nešto što bi se lako moglo previdjeti. Mali čvorić. Suptilnu sjenu. Nešto što bi mogao biti rani rak pluća ili uopće ne biti ništa.

Rak pluća ubija više ljudi diljem svijeta nego bilo koji drugi rak. Preživljavanje je snažno povezano s time koliko se rano otkrije. A opterećenje u većini radioloških odjela ostavlja malo prostora za vrstu trajne, dvostruko usmjerene pažnje koju pronalaženje male sumnjive lezije zapravo zahtijeva.

Studija upravo objavljena u časopisu Scientific Reports, koju je izradio međunarodni istraživački tim koji uključuje istraživače s Tehnološkog sveučilišta u Kaunasu u Litvi, izgradila je sustav umjetne inteligencije osmišljen za nešto s čime su se postojeći alati stalno borili. Skeniranje se vidi na dva načina istovremeno.

Način na koji radiolog zapravo čita snimku

Kada radiolog radi na CT snimci, stalno mijenja perspektivu. Zumira na područje interesa kako bi ispitao fine detalje. Povlači se korak unatrag kako bi razumio kako se to područje odnosi na cijelo pluće. Nije jedno ili drugo. Oboje se ponavlja tijekom očitavanja.

Većina AI sustava izgrađenih za ovaj zadatak morala je birati. Ili su dobri u hvatanju finih lokalnih detalja ili su dobri u razumijevanju šireg strukturnog konteksta. Istovremeno dobivanje oboje bio je stalni tehnički problem.

Rješenje tima je model koji nazivaju C-Swin. Kombinira dvije različite vrste arhitekture neuronske mreže koje rade zajedno. Konvolucijska neuronska mreža obrađuje fino zrnate lokalne značajke, vrstu detaljnog prepoznavanja uzoraka koja prepoznaje male lezije i suptilne teksture. Swin transformator, arhitektura koja koristi pristup pomicanja prozora za analizu prostornih područja slike, obrađuje širi kontekst. Dvije komponente rade paralelno, njihovi izlazi integrirani, a ne sekvencijalni.

Istraživač Inzamam Mashood Nasir sa sjedištem na KTU-u to opisuje jednostavno. Jedan dio modela fokusira se na male detalje, poput sitnih mrlja ili tekstura u plućima, dok drugi promatra cjelokupnu sliku i razumije širu sliku. Možete to zamisliti kao da imate povećalo i potpuni prikaz skeniranja istovremeno.

Što su rezultati pokazali

Model je testiran na skupu podataka IQ-OTH/NCCD, javno dostupnoj kolekciji CT snimaka, klasificirajući snimke u tri kategorije: normalne, benigne i maligne.

Razlikovanje benignih (nekancerogenih) čvorova od malignih tumora jedan je od najtežih zadataka u radiologiji; pogrešno određivanje dovodi do previda karcinoma ili nepotrebnih, invazivnih biopsija.

Rezultati su bili jaki. C-Swin je postigao točnost od 96,26%, s preciznošću od 97,48% i F1 rezultatom od 97,42%. U usporedbi s postojećim metodama, poboljšanje točnosti kretalo se od 2,31% do 6,81%, ovisno o usporedbi.

U medicini te granice nisu male. Postotak dijagnostičke točnosti, skaliran na tisuće pacijenata i stotine tisuća skeniranja, prevodi se u stvarne ishode.

Istraživači paze na ono što tvrde. Model je obučen na jednom skupu podataka. Još nije testiran na različitim proizvođačima skenera, različitim protokolima snimanja ili različitim populacijama pacijenata. Nasir je izravan po tom pitanju. U stvarnim uvjetima postoji mnogo varijabli i sustav treba testirati na svima njima prije kliničke upotrebe.

Ova napomena ne umanjuje vrijednost otkrića. To je iskren opis mjesta gdje se dobro istraživanje nalazi prije nego što postane klinička praksa. Sljedeći koraci su klinička validacija, testiranje u bolničkim okruženjima i integracija u postojeće medicinske sustave snimanja.

Zašto je tajming ključan

Rak pluća se i dalje najčešće dijagnosticira kasno, kada su mogućnosti liječenja uže, a ishodi teži. Jaz između onoga što je biološki moguće i onoga što zapravo stiže do pacijenata na vrijeme jedan je od ključnih problema u onkologiji.

Alati umjetne inteligencije koji istinski smanjuju propuštene slučajeve i stope lažno pozitivnih rezultata, što znači manje pacijenata poslanih na nepotrebne postupke i tjeskobu koja dolazi s njima, istovremeno se bave objema stranama tog problema.

Nasir ističe da arhitektura nije ograničena samo na rak pluća. Bilo koji zadatak medicinskog snimanja koji zahtijeva i detaljnu lokalnu analizu i šire strukturno razumijevanje mogao bi imati koristi od istog pristupa. Tumori mozga, rak dojke i bolesti oka spominju se kao potencijalne primjene.

Šira slika

Ovog tjedna, izvršni direktor Google DeepMinda, Demis Hassabis, dao je dva značajna intervjua, jedan u podcastu 20VC s Harryjem Stebbingsom i jedan sa znanstvenom komunikatoricom Cleo Abram, u kojima je govorio o svojoj viziji onoga što umjetna inteligencija može učiniti u medicini. Njegova dosljedna poruka bila je da najvažniji rad umjetne inteligencije nije u potrošačkim proizvodima. Ona je u pobjedi nad bolestima. Govorio je o tome kako želi vidjeti desetljetni proces otkrivanja lijekova sažet u mjesece. O tome kako umjetna inteligencija dostiže točku u kojoj medicina ne izgleda onako kako izgleda danas.

C-Swinov rad nije te ambicije. To je jedan model, jedan skup podataka, jedan pažljivo ograničen skup rezultata koji čeka kliničku validaciju. Ali upravo se tako prelazi udaljenost između ovdje i tamo. Ne u pojedinačnim skokovima, već u studijama poput ove, pažljivo provedenim, javno objavljenim i nadograđenim od strane sljedećeg tima.

Biologija raka pluća postaje sve bolje razumljiva. Liječenje počinje slijediti. A sada, polako, to se događa i s mehanizmima otkrivanja.

Izvor: Yousafzai SN, Nasir IM, Mansour S i dr. Hibridni pristup dubokog učenja koji integrira CNN i transformator za klasifikaciju raka pluća pomoću CT skeniranja. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Slika: Ilustracija generirana umjetnom inteligencijom