Umetna inteligenca, ki si slike pljuč ogleduje tako kot radiolog

Radiologi vsak dan pregledujejo velike količine CT-posnetkov in iščejo nekaj, kar bi lahko zlahka spregledali. Majhen vozliček. Neopazna senca. Nekaj, kar bi lahko bil zgodnji pljučni rak, ali pa sploh nič.

Pljučni rak po svetu ubije več ljudi kot katerakoli druga oblika raka. Preživetje je tesno povezano s tem, kako zgodaj se bolezen odkrije. Delovna obremenitev na večini radioloških oddelkov pa pušča le malo prostora za tisto vztrajno, dvojno osredotočeno pozornost, ki jo odkritje majhne sumljive lezije dejansko zahteva.

V študiji, ki je bila pravkar objavljena v reviji »Scientific Reports« in jo je pripravila mednarodna raziskovalna skupina, v kateri sodelujejo tudi raziskovalci s Tehnične univerze v Kaunasu v Litvi, so razvili sistem umetne inteligence, ki je zasnovan za opravljanje naloge, s katero so se obstoječa orodja doslej nenehno spopadala. Sistem namreč skenirano sliko obravnava na dva načina hkrati.

Kako radiolog dejansko interpretira sliko

Ko radiolog pregleduje slike iz računalniške tomografije, nenehno spreminja perspektivo. Približuje zanimivo območje, da bi pregledal drobne podrobnosti. Nato se oddalji, da bi razumel, kako se to območje navezuje na celotno pljučno tkivo. Ni gre za eno ali drugo. Gre za oboje, in to večkrat zaporedoma med celotnim pregledom.

Večina sistemov umetne inteligence, razvitih za to nalogo, se je morala odločiti. So bodisi dobri pri zajemanju drobnih lokalnih podrobnosti bodisi pri razumevanju širšega strukturnega konteksta. Hkratno doseganje obeh ciljev je bilo dolgo časa vztrajna tehnična težava.

Rešitev ekipe je model, ki ga imenujejo C-Swin. Združuje dve različni vrsti arhitektur nevronskih mrež, ki delujeta skupaj. Konvolucionalna nevronska mreža obdeluje drobne lokalne značilnosti – gre za podrobno prepoznavanje vzorcev, ki zazna majhne lezije in subtilne teksture. Swin Transformer, arhitektura, ki za analizo prostorskih območij slike uporablja pristop s premikajočim se oknom, pa obdeluje širši kontekst. Obe komponenti delujeta vzporedno, njuni izhodi pa se integrirajo, namesto da bi bili zaporedni.

Raziskovalec Inzamam Mashood Nasir, zaposlen na KTU, to pojasni na preprost način. En del modela se osredotoča na majhne podrobnosti, kot so drobne lise ali teksture v pljučih, medtem ko drugi del upošteva celotno sliko in razume širši kontekst. To si lahko predstavljate tako, kot da bi hkrati imeli povečevalno steklo in celoten pogled na sliko.

Kaj so pokazali rezultati

Model je bil preizkušen na podatkovnem nizu IQ-OTH/NCCD, javno dostopni zbirki CT-posnetkov, pri čemer so bili posnetki razvrščeni v tri kategorije: normalni, benigni in maligni.

Razlikovanje med benignimi (nerakavimi) vozlički in malignimi tumorji je ena najtežjih nalog v radiologiji; napačna diagnoza lahko privede bodisi do spregledanih primerov raka bodisi do nepotrebnih, invazivnih biopsij.

Rezultati so bili odlični. Model C-Swin je dosegel 96,26-odstotno točnost, natančnost 97,48 % in F1-skor 97,42 %. V primerjavi z obstoječimi metodami je izboljšanje točnosti znašalo od 2,31 % do 6,81 %, odvisno od posamezne primerjave.

V medicini te razlike niso zanemarljive. Ena odstotna točka pri diagnostični natančnosti, preračunana na tisoče pacientov in sto tisoče pregledov, se odraža v dejanskih rezultatih.

Raziskovalci so previdni pri svojih trditvah. Model je bil usposobljen na podlagi enega samega niza podatkov. Še ni bil preizkušen pri različnih proizvajalcih skenerjev, različnih protokolih slikanja ali različnih skupinah bolnikov. Nasir je glede tega odkrit. V dejanskih razmerah obstaja veliko spremenljivk, sistem pa je treba pred klinično uporabo preizkusiti v vseh teh primerih.

Ta opozorilo ne zmanjšuje pomena ugotovitve. Gre za iskren opis stanja, v katerem se nahaja kakovostno raziskovalno delo, preden se prenese v klinično prakso. Naslednji koraki so klinična validacija, testiranje v bolnišničnem okolju in vključitev v obstoječe sisteme za medicinsko slikanje.

Zakaj je pravi trenutek ključnega pomena

Pljučni rak se še vedno najpogosteje odkrije prepozno, ko so možnosti zdravljenja omejene in izidi slabši. Razlika med tem, kar je biološko mogoče, in tem, kar dejansko pravočasno doseže bolnike, je eden od ključnih problemov v onkologiji.

Orodja umetne inteligence, ki dejansko zmanjšujejo število spregledanih primerov in stopnjo lažnih pozitivnih rezultatov – kar pomeni, da je manj bolnikov napotenih na nepotrebne posege in s tem povezano tesnobo –, hkrati rešujejo obe strani tega problema.

Nasir poudarja, da ta arhitektura ni omejena zgolj na pljučnega raka. Enak pristop bi lahko koristil pri kateri koli nalogi medicinskega slikanja, ki zahteva tako podrobno lokalno analizo kot širše strukturno razumevanje. Kot možne aplikacije so navedeni možganski tumorji, rak dojke in očesne bolezni.

Širši pogled

Ta teden je Demis Hassabis, izvršni direktor podjetja Google DeepMind, dal dva pomembna intervjuja – enega v podcastu 20VC z Harryjem Stebbingsom in drugega z znanstveno komunikatorko Cleo Abram –, v katerih je spregovoril o svoji viziji glede vloge umetne inteligence v medicini. Njegovo dosledno sporočilo je bilo, da najpomembnejša vloga umetne inteligence ni v potrošniških izdelkih, temveč v boju proti boleznim. Izrazil je željo, da bi se desetletni proces odkrivanja novih zdravil skrajšal na nekaj mesecev. O tem, da bo umetna inteligenca dosegla točko, ko medicina ne bo več takšna, kot je danes.

Članek o C-Swinu ni tako ambiciozen. Gre za en model, en nabor podatkov, en skrbno omejen sklop rezultatov, ki čaka na klinično potrditev. A prav na ta način se premosti razdalja med tem, kar imamo zdaj, in tistim, kar želimo doseči. Ne z velikimi skoki, ampak s študijami, kot je ta – skrbno izvedenimi, odprto objavljenimi in na katerih gradi naslednja ekipa.

Biologija pljučnega raka postaja vse bolj razumljiva. Na podlagi tega se začenjajo razvijati tudi načini zdravljenja. In zdaj se počasi razvija tudi sistem odkrivanja te bolezni.

Vir: Yousafzai SN, Nasir IM, Mansour S in sod. Hibridni pristop globokega učenja, ki združuje CNN in transformer za razvrščanje pljučnega raka na podlagi CT-posnetkov. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Slika: ilustracija, ustvarjena z umetno inteligenco