Využití algoritmů umělé inteligence k diagnostice karcinomu prsu, plic a prostaty

V posledních desetiletích došlo k obrovskému pokroku v oblasti umělé inteligence (Artificial Inteligence – AI) a jejího využívání v medicíně, přičemž patologie se stala jednou z klíčových oblastí, kde se AI ukazuje jako mimořádně užitečný nástroj. Patologie, která se zabývá diagnostikou nemocí prostřednictvím analýzy biologických vzorků, zejména tkání a buněk, je náročná a vyžaduje vysokou úroveň odborných znalostí a zkušeností lékařů. Diagnóza na základě mikroskopických snímků tkání i jednotlivých buněk závisí na individuální interpretaci obrazu ze sítnice oka v lidském mozku, což může vést k interpersonální i intrapersonální variabilitě. V poslední době dochází k pokrokům v terapii i diagnostice a tím roste objem dat i potřeba přesné diagnostiky onemocnění (tzv. precizní medicína). To vede k rozvoji technologií umělé inteligence, které mohou výrazně zvýšit efektivitu, přesnost a spolehlivost diagnostických procesů.

Umělá inteligence v oblasti patologie využívá sofistikované algoritmy, zejména metody strojového učení a hlubokého učení, k analýze digitálních snímků tkání a k identifikaci specifických vzorců, které mohou naznačovat přítomnost patologických změn, jako jsou nádory, záněty nebo jiné chorobné procesy. Mezi nejvýznamnější oblasti aplikace AI v patologii patří analýza histopatologických snímků, kde AI systémy pomáhají patologům detekovat nádory, klasifikovat jejich různé typy a stupně diferenciace, případně i pomoci stanovit prognózu nemocného. AI se však používá i v dalších oblastech, jako je analýza mamografických a CT snímků při diagnostice nádorů prsu a plic.

AI systémy mají potenciál výrazně zlepšit diagnostiku nádorů, což je jednou z největších výzev současné medicíny. Nádorová onemocnění představují jednu z hlavních příčin úmrtí na celém světě a jejich včasná a přesná diagnostika je klíčová pro úspěšnost léčby a záchranu životů. S využitím AI mohou patologové detekovat i drobné změny v tkáních, které by mohly být jinak přehlédnuty. AI nástroje dokáží rychle analyzovat obrovské množství dat, což zkracuje dobu potřebnou k diagnostice a umožňuje rychlejší zahájení léčby. Pomocí pokročilých algoritmů dokáže AI také identifikovat vzory a vztahy v datech, které mohou pomoci nejen při diagnóze, ale i při predikci vývoje nemoci a výběru optimální léčby.

Cílem této práce je podrobně prozkoumat roli umělé inteligence v diagnostice nádorů prsu, plic a prostaty. Práce se zaměří na to, jak AI přispívá k analýze obrazových dat a jak může pomoci patologům při detekci nádorů, klasifikaci jejich typu, hodnocení agresivity nádorů a stanovení prognózy pacienta.

Při používání prostředků umělé inteligence často vyvstává otázka etiky. V případě, že by AI algoritmy vyhodnocovaly bioptické vzorky zcela samostatně od naskenování preparátu na skle až po vydání výsledku klinikům, je samozřejmé, že bychom mohli zpochybňovat etický aspekt vložení lidského zdraví „do rukou“ přístrojového učení. V našem provozu je ale AI využívána jako výkonný pomocník pro složitější případy, kdy patolog pečlivě kontroluje všechny výstupy z AI a algoritmy jsou tak vítaným přínosem pro urychlení vydání diagnózy u případů karcinomu prsu, plic a prostaty.

Další otázkou při použití algoritmů a platforem nadnárodních společností je ochrana osobních údajů pacienta. Zneužití nebo celkově úniku informací předcházíme pseudonymizací osobních dat pacienta, která opouští naše oddělení, a také přísnými smluvními podmínkami pro poskytovatele algoritmu.

Historie a vývoj umělé inteligence v patologii

Umělá inteligence v oblasti medicíny, a zejména v patologii, prošla dlouhou cestou vývoje. Počátky jejího využívání v diagnostice onemocnění sahají do 60. let 20. století, kdy se první experimenty zaměřily na využívání počítačů k analýze obrazových dat. Ačkoliv technologie, které byly k dispozici v této době, nebyly tak vyspělé, položily základy pro pozdější pokroky v oblasti digitální patologie.

Počátky automatizace v patologii (1960–1980)

Počátky automatizace v patologii sahají do 60. let 20. století, kdy se objevily první pokusy o analýzu mikroskopických obrazů pomocí počítačů. Tyto systémy byly zpočátku založeny na jednoduchých pravidlech pro rozpoznání tvarů a velikostí buněk, které měly napodobit rozhodovací procesy patologů. Důležitým milníkem bylo zavedení systémů pro automatickou detekci nádorových buněk v krevních a tkáňových vzorcích. V 70. letech došlo k rozvoji digitální analýzy mikroskopických obrazů, ale nedostatečný výpočetní výkon bránil většímu uplatnění těchto technologií (1).

Nástup laboratorních informačních systémů (1980–2000)

V 80. a 90. letech došlo k rozvoji laboratorních informačních systémů (LIS), které umožnily efektivnější správu laboratorních dat. Tyto systémy poskytly základnu pro budoucí integraci algoritmů umělé inteligence. LIS se staly klíčovým nástrojem pro ukládání a sdílení dat, což umožnilo jejich větší dostupnost pro algoritmy AI. Souběžně s tím došlo k rozšíření komunikačních prostředků, které umožnily přenos laboratorních dat mezi nemocnicemi (konkrétně HL7 a DICOM) (1).

Vzestup digitální patologie a snímkování celého preparátu (2000–2010)

Na začátku 21. století se objevily technologie digitálního snímkování celého preparátu (Whole Slide Imaging – WSI), které umožnily digitalizaci celé plochy sklíčka s histologickými řezy. WSI se staly klíčovým nástrojem pro telepatologii a dálkové konzultace mezi patology. Digitalizované obrazy byly přístupné na dálku a sloužily nejen k diagnostice, ale také k výuce patologů a studentů medicíny (1). Například v roce 2007 byl v africké Zambii nainstalován skener sklíček a snímky z něj pak přes satelitní internetové připojení hodnotili nezávisle na sobě dva patologové v Itálii. Tímto způsobem je možné řešit nedostatek lékařského personálu v afrických i jiných rozvojových zemích (2).

Implementace umělé inteligence v patologii (2010–2020)

První implementace AI v patologii zahrnovaly algoritmy strojového učení (ML – machine learning), které byly schopny analyzovat obrazy tkáně a identifikovat nádorové buňky. S vývojem hlubokého učení (deep learning) se objevily modely schopné detekovat morfologické změny v tkáni a poskytovat přesnější diagnózy. Tyto modely byly trénovány na rozsáhlých datasetech digitálních obrazů tkání. Systémy AI se začaly používat pro kvantifikaci biomarkerů, jako jsou hormonální receptory pro karcinom prsu (3).

Současné trendy a budoucí směry (2020 – současnost)

Dnes je AI neodmyslitelnou součástí digitální patologie. AI systémy pomáhají patologům při rozhodování, identifikují oblasti podezřelé z nádorů a navrhují optimální metody testování. Implementace AI do klinické praxe je doprovázena vývojem standardů pro validaci a schvalování AI v patologii (4).

Historický vývoj AI v patologii vedl od jednoduchých modelů a LIS po pokročilé systémy hlubokého učení, které dnes podporují personalizovanou medicínu. Umělá inteligence výrazně zlepšila rychlost, přesnost a dostupnost diagnostiky patologických změn. Do budoucna se očekává větší role AI ve zpracování velkých dat a propojení s elektronickými zdravotními záznamy (3–5).

V současnosti existuje několik komerčně dostupných nástrojů, které integrují AI do klinické praxe a pomáhají patologům při hodnocení histologických vzorků. Tyto systémy mohou výrazně zlepšit efektivitu analýzy, snížit variabilitu mezi různými odborníky a zlepšit přesnost diagnostiky. Pokroky v oblasti telemedicíny a telepatologie rovněž umožňují využívání AI ke vzdálené diagnostice a konzultacím mezi odborníky, což zlepšuje dostupnost kvalitní zdravotní péče. I přes rychlý vývoj AI v patologii však stále existují výzvy, zejména v oblasti integrace AI nástrojů do každodenní klinické praxe, zajištění kvality a dostupnosti dat pro trénování algoritmů a otázky etiky a ochrany osobních údajů.

Základní principy a technologie umělé inteligence v patologii Využití AI v patologii je postaveno na několika klíčových technologiích, které umožňují analýzu obrazových dat a jejich následnou interpretaci.

AI v patologii, podobně jako v jiných oblastech medicíny, využívá metody strojového učení (machine learning – ML) a hlubokého učení (deep learning – DL) k analýze a interpretaci rozsáhlého množství dat. V oblasti patologie, kde je analýza mikroskopických obrazů tkání a buněk velmi složitá, hraje AI významnou roli při zlepšování přesnosti diagnostiky, rychlosti analýzy a predikce vývoje onemocnění (3,6,7).

Strojové učení a hluboké učení

Strojové učení (ML) a hluboké učení (DL) jsou základními oblastmi AI, které se široce využívají v patologii. Strojové učení zahrnuje algoritmy, které umožňují počítačům učit se z dat bez explicitního programování. V patologii se používají různé typy strojového učení, jako je klasifikace, regrese a klastrování, k rozpoznávání vzorců v historických datech a následné aplikaci těchto vzorců na nová, dosud nehodnocená data. Algoritmy strojového učení, jako jsou rozhodovací stromy, k-NN (množství „k“ nejbližších sousedů – neparametrický klasifikační a regresní algoritmus v oblasti strojového učení), nebo podmíněné modely, jsou užitečné při klasifikaci buněk nebo tkání podle typu nádoru či odhalování dalších patologických změn (8).

Hluboké učení, podskupina strojového učení, se zaměřuje na umělé neuronové sítě, které se skládají z několika vrstev (tzv.„hluboké“ modely). Tato technologie je schopná modelovat složité vzory a struktury, které jsou těžko rozpoznatelné lidským okem. V oblasti patologie se hluboké učení využívá zejména v analýze digitálních mikroskopických snímků tkání a buněk, kde konvoluční neuronové sítě (Convolutional Neural Network – CNN) vykazují vysokou přesnost při detekci a klasifikaci patologických vzorců, jako jsou nádorové buňky nebo jiné abnormality (9–11).

Počítačové vidění v patologii

Počítačové vidění (computer vision) je oblast, která se zaměřuje na automatizovanou analýzu obrazových dat, což je klíčová komponenta při použití AI v patologii. Technologie počítačového vidění umožňuje převod digitálních obrazů na data, která lze analyzovat a interpretovat pomocí algoritmů AI. V patologii se počítačové vidění používá k analýze mikroskopických obrazů tkání, buněk a morfologických vzorců (12,13).

Pomocí technik jako jsou segmentace obrazu, detekce hran a analýza textur může počítačové vidění rozpoznávat různé typy buněk a tkání, identifikovat nádorové buňky nebo jiné patologické změny, a dokonce kvantifikovat jejich rozsah a lokalizaci (14).

Digitální patologie a její role v diagnostice

Digitální patologie je oblast, která zahrnuje digitalizaci mikroskopických snímků a jejich následnou analýzu pomocí technologií AI. Tato oblast umožňuje patologům využívat vzdálený přístup k digitálním snímkům a provádět analýzu obrazu s využitím AI. Digitální patologie umožňuje rychlejší a přesnější diagnostiku a také podporuje vývoj algoritmů strojového a hlubokého učení pro detekci patologických změn (15,16).

Aplikace umělé inteligence v diagnostice karcinomu prsu a plic

Využití AI v oblasti diagnostiky nádorů prsu a plic se stává stále častější součástí moderní medicíny. AI umožňuje rychlou, přesnou a efektivní analýzu obrazových dat, což je klíčové pro včasnou detekci a správné klasifikování nádorů. Diagnostika nádorů prsu a plic je výzvou, protože obě tyto nemoci mohou mít mnoho různých morfologických projevů a jejich identifikace vyžaduje vysokou úroveň odbornosti. AI systémy, především ty založené na strojovém učení a hlubokém učení, hrají v těchto oblastech stále důležitější roli.

AI v diagnostice karcinomu prsu

V současnosti se pro screening karcinomu prsu používá mammografie, ultrazvuk a MRI. Tyto metody, ačkoli efektivní, mohou mít určité limity, jako je vysoká míra falešně pozitivních nebo negativních výsledků. AI, zejména modely hlubokého učení, jsou schopné výrazně zlepšit přesnost těchto diagnostických nástrojů (17).

V rámci mamografických snímků AI systémy využívají CNN k automatické detekci abnormalit, jako jsou nádorové masy nebo mikrokalcifikace, které mohou indikovat přítomnost karcinomu. Studie (4) ukázaly, že algoritmy AI mohou vykazovat podobnou nebo dokonce vyšší přesnost než lidští odborníci v identifikaci těchto abnormalit. CNN analyzují různé vzory v obraze a dokážou odhalit detaily, které by mohly být přehlédnuty při vizuálním hodnocení. AI může také pomoci při klasifikaci nádorů podle jejich typu a stupně malignity, což je rozhodující pro určení optimálního léčebného postupu.

Dalším benefitem AI je optimalizace procesů spojených s analýzou mamografických snímků tím, že urychlí diagnostický proces a zredukuje pracovní zátěž radiologů. Studie ukázaly, že AI systémy, trénované na milionech mamografických snímků, mohou s vysokou přesností identifikovat známky karcinomu prsu a zlepšit diagnostiku u žen s vysokým rizikem onemocnění (4).

Nedávná studie z Univerzity v Lübecku v Německu ukázala, že použití AI při screeningu karcinomu prsu může výrazně zlepšit míru detekce tohoto onemocnění v reálných podmínkách. Výzkum zahrnoval 461 818 žen a odhalil, že u těch, jejichž screeningy byly podpořeny AI, byla míra detekce o 17,6 % vyšší ve srovnání s tradičními metodami, které zahrnují pouze radiology. AI nástroje označily podezřelé snímky, což vedlo radiology k jejich důkladnějšímu prozkoumání. Tato metoda udržela stabilní míru vyžádání dalších testů a zároveň snížila pracovní zátěž radiologů tím, že rychle vyloučila normální snímky. Odborníci vidí v AI potenciál pro zvýšení efektivity a přesnosti screeningů, což by mohlo přispět k včasnější diagnostice a léčbě, ačkoli existují obavy z nadměrné diagnostiky a potřeby pečlivé implementace pod odborným dohledem (18).

V návaznosti na tyto poznatky plánuje britský NHS zahájit největší světovou studii AI v diagnostice karcinomu prsu. Pokud bude tato iniciativa úspěšná, mohla by nahradit potřebu dvojího posouzení mamogramů dvěma radiology, přičemž by se spoléhalo na jednoho radiologa s AI jako sekundárním hodnotitelem. To by mohlo výrazně snížit pracovní zátěž radiologů a zkrátit dobu čekání pacientek na diagnostické výsledky. (https://www.theguardian.com/society/2025/jan/07/more-breast- -cancer-cases-found-when-ai-used-in-screenings-study-finds)

V histopatologii, která je základem pro diagnostiku tohoto onemocnění, hraje AI klíčovou roli zejména díky svým schopnostem automatizace, standardizace a zpracování velkých objemů obrazových dat. Díky digitalizaci histologických sklíček pomocí technologie WSI a pokročilým algoritmům hlubokého učení je možné přesně analyzovat tkáně, což přispívá ke zlepšení diagnostických a prognostických postupů.

Jednou z hlavních aplikací AI v histopatologii je automatická detekce nádorových buněk a rozpoznání maligních struktur. CNN, které jsou základem většiny moderních AI systémů, dokážou analyzovat digitální obrazy tkání a identifikovat oblasti s přítomností nádoru s vysokou přesností. Tyto algoritmy nejenže rozlišují mezi benigními a maligními buňkami, ale také umožňují detekovat invazivní karcinomy, které mohou být přehlédnuty při hodnocení patologem. Automatizované systémy mohou navíc zpracovat velké množství obrazů za zlomek času, který by byl potřebný pro patologický rozbor, čímž šetří čas a snižují zátěž odborníků (11).

Umělá inteligence zlepšuje a zjednodušuje proces hodnocení biomarkerů (ER, PR, HER2 a Ki67) prostřednictvím automatizované kvantifikace těchto biomarkerů. AI algoritmy dokážou přesně spočítat procento nádorových buněk exprimujících ER (obr. 1) nebo PR (obr. 2) a poskytnout standardizovaná hodnocení. U imunohistochemického vyšetření HER2, které je zásadní pro rozhodnutí o cílené biologické léčbě, dokážou AI systémy klasifikovat membránové barvení (0, 1+, 2+, 3+) a identifikovat případy, které vyžadují další analýzu pomocí in situ hybridizace (ISH). Pro Ki-67, jenž slouží jako marker proliferace, AI dokáže analyzovat velké množství buněk a přesně určit procento pozitivních jader, což má významné prognostické využití (obr. 3) (19).

AI také hraje zásadní roli při gradingu nádorů, který hodnotí agresivitu karcinomu na základě jaderného pleomorfismu, mitotické aktivity a tvorby tubulů. Automatizované systémy dokážou analyzovat tyto parametry na základě obrazů WSI a stanovit grade nádoru podle Nottinghamské klasifikace. Díky své konzistenci a schopnosti analyzovat i velmi subtilní morfologické rysy může AI minimalizovat chyby způsobené lidským faktorem.

Další významnou aplikací AI je klasifikace histologických podtypů karcinomu prsu. Například invazivní duktální karcinom a lobulární karcinom mají odlišné morfologické vlastnosti, které mohou být obtížně rozeznatelné. Algoritmy hlubokého učení dokážou tyto podtypy spolehlivě odlišit a identifikovat i vzácnější formy karcinomu, což je důležité pro stanovení optimální terapie (20).

Jedním z algoritmů pro analýzu histologických vzorků a diagnostiku karcinomu prsu, které využívají umělou inteligenci a strojové učení, je uPath HER2 Dual ISH (Roche Diagnostics). Tento algoritmus je navržen pro kvantitativní hodnocení počtu signálů genu HER2 a chromozomu 17 se stanovením jejich poměru při in situ hybridizaci v rámci prediktivní diagnostiky HER2 statusu, což je zásadní pro určení vhodné cílené terapie. Pomocí automatizované analýzy obrazových dat z histologických vzorků dokáže algoritmus poskytnout objektivní a konzistentní výsledky, čímž zefektivňuje diagnostický proces a zvyšuje přesnost diagnózy (obr. 4-14).

Dalším důležitým nástrojem pro moderní management terapie karcinomu prsu je VENTANA Companion Algorithm (Roche Diagnostics), který slouží jako nástroj pro vyhodnocení imunoexprese hormonálních receptorů (ER a PR) a také pro imunohistochemickou analýzu analýzu exprese HER2 proteinu a proliferačního markeru Ki-67. VENTANA Companion Algorithm podporuje patologickou diagnostiku tím, že poskytuje semikvantitativní skóre, které pomáhá lékařům při rozhodování o léčbě (obr. 15-17).

Výše uvedené algoritmy vycházejí z pokročilých metod strojového učení a hlubokého učení. Nejprve jsou trénovány na rozsáhlých datových sadách obsahujících jak zdravé, tak patologické vzorky. Tento proces zahrnuje analýzu tisíců snímků, což umožňuje algoritmům naučit se rozpoznávat specifické vzory spojené s různými typy nádoru prsu. Po tréninku jsou algoritmy schopny automaticky analyzovat nové snímky a poskytovat diagnostické výstupy v reálném čase. To zahrnuje nejen identifikaci přítomnosti nádorových buněk, ale také jejich klasifikaci podle různých biomarkerů, což je zásadní pro personalizaci léčby pacientů.

Všechny tyto nástroje jsou integrovány do softwaru uPath (Roche Diagnostics), který umožňuje správu případů, sdílení snímků a vytváření zpráv. Díky tomu mohou patologové efektivněji spolupracovat, konzultovat případy na dálku a zlepšovat workflow v laboratořích (https://diagnostics.roche.com/cz/cs/ home.html.; https://diagnostics.roche.com/cz/cs/article-listing/ labor-aktuell/labor-aktuell-2021.html)

Recentněji zaváděným nástrojem hodnocení karcinomů prsu pomocí AI je produkt IBEX Breast (IBEX Medical Analytics), který využívá pokročilé algoritmy strojového učení k automatizaci hodnocení biomarkerů, jako je HER2, estrogenový receptor a progesteronový receptor. Od předchozích řešení uvedených výše, se tato platforma odlišuje zejména klinickou validací algoritmů, které tak dosahují vysoké senzitivity a specificity u různých typů nádoru. Například u karcinomu prsu dosahují senzitivity 95,5 % a specificity 93,6 %. Tyto algoritmy byly validovány v multicentrických studiích, což potvrzuje jejich spolehlivost v klinickém prostředí. IBEX má také CE certifikaci pro použití v Evropě, což znamená, že splňuje přísné normy pro in vitro diagnostiku. Dalším důležitým rozdílem je široká podpora různých tkání a biomarkerů. IBEX dokáže detekovat různé morfologie karcinomu prsu, včetně invazivního karcinomu (IDC/ILC) a karcinomu in situ (DCIS). Automatizované skórování biomarkerů jako HER2, ER/PR a Ki-67 umožňuje patologům rychleji a efektivněji hodnotit vzorky. Platforma nabízí tzv. „zero-click“ workflow, což znamená, že výsledky jsou generovány automaticky bez nutnosti manuálního zadávání. To zrychluje diagnostický proces a snižuje riziko lidských chyb. Taková integrace je zásadní pro zajištění efektivity ve zdravotnických zařízeních, kde je čas rozhodující. Důraz na „real-world“ je realizován spoluprací s předními zdravotnickými institucemi, jako jsou NHS (The National Health Service – systém veřejně financovaných nemocnic ve Velké Británii) nebo Institut Curie. Tyto spolupráce umožňují implementaci technologie v reálném klinickém prostředí a přispívají ke zvýšení kvality diagnostiky. Uživatelé hlásí zkrácení času potřebného k analýze biopsií o 27 %, což má přímý dopad na péči o pacienty. Technologický základ IBEXu spočívá v rozsáhlých tréninkových datasetech. Algoritmy jsou trénovány na více než 10 milionech sklíček z celého světa, které zahrnují jak vzorky zdravých, tak patologických tkání. Tato rozmanitost dat zajišťuje robustnost a přesnost výsledků.

IBEX se zaměřuje na několik klíčových oblastí v diagnostice karcinomu prsu. Jeho hlavním produktem je Galen Breast HER2, který využívá AI pro objektivní hodnocení exprese HER2. Tento protein je klíčovým biomarkerem pro určení vhodné cílené terapie u pacientek s HER2-pozitivním nebo HER2-low karcinomem prsu. Algoritmus dokáže automaticky detekovat invazivní nádorové oblasti na imunohistochemicky obarvených sklech a analyzovat jejich barvení pro stanovení HER2 skóre (0, 1+, 2+, 3+). Tímto způsobem se zvyšuje shoda mezi patology (inter-observer agreement) ze 75 % na 83,7 % u HER2-low případů. Kromě hodnocení HER2 výše zmíněným algoritmem existuje další algoritmus Galen Breast Algorithm 3.4.2, který dokáže také rozlišovat mezi benigními a maligními lézemi. Identifikace invazivního karcinomu (IDC/ILC) a hodnocení jaderného gradu DCIS jsou dalšími funkcemi této platformy. Tyto schopnosti umožňují patologům rychleji reagovat na složité případy a optimalizovat léčebné postupy. Používání platformy IBEX také přispívá ke zvýšení kvality diagnostiky v klinických laboratořích.

Platforma IBEX počítá s rozšířením algoritmů o další typy nádorů a zlepšení jejich schopnosti predikovat molekulárně biologické změny na základě histologického vzhledu. Tento pokrok by mohl vést k personalizovanější léčbě pacientů s nádory. IBEX také plánuje navázat další spolupráce s farmaceutickými společnostmi za účelem vývoje řešení pro hodnocení biomarkerů ve vztahu k novým terapeutickým možnostem. Takové partnerství by mohlo poskytnout cenné informace pro výzkum nových léčebných metod a podpořit personalizovanou medicínu (https://www.businesswire.com/ news/home/20241015816615/en/; https://alvernolabs.com/ ibex-partners-with-alverno-labs-to-enhance-u-s-roll-out-of-ai-cancer-diagnosis-platform/; https://www.fiercebiotech. com/medtech/ibex-wins-european-approval-for-breast-cancer-spotting-ai-pathology-tool).

AI v diagnostice nádorů plic

Diagnostika nádorů plic obvykle zahrnuje zobrazovací metody, jako jsou CT (computed tomography = počítačová tomografie) snímky, které jsou zásadní pro včasnou detekci a hodnocení velikosti a lokalizace nádorů. Nicméně, vzhledem k vysoké variabilitě mezi pacienty, je pro radiology náročné správně interpretovat všechny výsledky, zejména při hodnocení malých nebo začínajících nádorů. AI v diagnostice nádorů plic obvykle využívá algoritmy pro analýzu CT snímků, kde modely strojového učení, zejména hluboké učení, pomáhají detekovat abnormality, jako jsou plicní uzly nebo jiné léze, které mohou být příznakem karcinomu. Technologie jako jsou CNN, které byly využity v několika studiích, ukázaly, že AI může detekovat plicní nádory s vysokou přesností a dokáže odlišit benigní od maligních lézí, což je pro správnou diagnózu klíčové (21).

Jedním z významných pokroků je vývoj modelů pro detekci nádorů plic v raných stádiích, kdy je prognóza lepší. Studie publikované v The Lancet Oncology (22) ukázaly, že algoritmy AI trénované na CT snímcích byly schopny rozpoznat maligní plicní uzly s větší citlivostí než tradiční metody, což vedlo k výraznému zlepšení včasné detekce. AI může také pomoci v prognóze a predikci vývoje onemocnění tím, že analyzuje různé faktory, jako jsou velikost a tvar nádorů, jejich lokalizace a struktura, což může pomoci lékařům při rozhodování o léčbě (23). Tradiční metody diagnostiky často zahrnují invazivní biopsie, které mohou být komplikované, zejména u pacientů s periferními nádory. AI technologie umožňují lékařům lépe plánovat a provádět tyto zákroky. Algoritmy mohou analyzovat zobrazovací data z CT a navrhnout optimální trasu pro bronchoskopické vyšetření, čímž se zvyšuje pravděpodobnost úspěšného odběru vzorku z nádorové tkáně.

AI se ale stává klíčovým nástrojem v diagnostice karcinomu plic i v oblasti histopatologie. Díky pokročilým algoritmům a technikám strojového učení se zlepšuje přesnost diagnostiky a urychluje proces identifikace nádorových onemocnění. Díky AI se zlepšuje schopnost detekovat maligní buňky na základě histologických snímků. Algoritmy strojového učení jsou, stejně jako u karcinomu prsu, trénovány na rozsáhlých databázích histopatologických snímků, což jim umožňuje rozpoznávat vzory spojené s nádorovými buňkami a odlišovat je od zdravé tkáně. Tímto způsobem mohou patologové rychleji a přesněji identifikovat přítomnost karcinomu plic. Také v této oblasti se Roche zaměřuje na vývoj algoritmů, které podporují patologické hodnocení a určují specifické biomarkery, jako je PD-L1, což je důležité pro volbu imunoterapie. Společnost Roche vyvinula specifický algoritmus zaměřený na analýzu exprese PD-L1, což je protein, který hraje klíčovou roli v imunitní odpovědi a je důležitým biomarkerem pro imunoterapii. Vysoká exprese PD-L1 v nádorových buňkách může indikovat, že pacient bude mít prospěch z léčby inhibitory PD-1/PD-L1. Algoritmus analyzuje histologické vzorky a automatizovaně hodnotí úroveň exprese PD-L1 pomocí imunohistochemických metod. Jsou použity techniky hlubokého učení k identifikaci specifických vzorů exprese PD-L1 v nádorových buňkách. Na základě analýzy algoritmus poskytuje kvantitativní skóre exprese PD-L1, které patologové mohou použít k určení vhodnosti imunoterapie (obr. 18-21).

Předběžná studie publikovaná v časopise Pathologica hodnotila diagnostickou výkonnost AI platformy uPath PD-L1 (SP263) při určování skóre PD-L1 (TPS) u pacientů s pokročilým nemalobuněčným karcinomem plic (NSCLC) léčených check-point inhibitory PD-1/PD-L1. Studie zahrnovala 44 pacientů, jejichž PDL1 TPS bylo již dříve stanoveno pomocí klonu SP263 v klinické praxi. Výsledky ukázaly významnou korelaci mezi uPath PD-L1 skóre a původním PD-L1 TPS. Nicméně pouze 61,4 % případů bylo hodnoceno ve stejné klinicky relevantní kategorii exprese. Zatímco původní PD-L1 TPS nebylo významně spojeno s klinickými výsledky, uPath PD-L1 skóre prokázalo dobrou diagnostickou schopnost předpovídat riziko úmrtí s optimálním cut-off ≥ 3,2. Pacienti s vyšším uPath skóre měli lepší celkové přežití (OS) a přežití bez progrese (PFS) (24).

Vzhledem k rychlému rozvoji technologií umělé inteligence lze očekávat, že jejich využití v diagnostice karcinomu plic bude i nadále růst. Integrace AI do klinických praktik by mohla nejen zlepšit přesnost diagnózy, ale také přispět k personalizaci léčby na základě specifických biomarkerů, jako je PD-L1. To by mohlo znamenat revoluci v péči o pacienty s karcinomem plic a výrazně zlepšit prognózu nemocných (25) (https://onkologickarevue. cz/cs/imunoterapie-nemalobunecneho-karcinomu-plic-cestou-anti-pd-l1-protilatek).

AI v diagnostice karcinomu prostaty

Včasné rozpoznání karcinomu prostaty je klíčové pro úspěšnou léčbu. Mezinárodní studie vedená Radboud University Medical Center prokázala, že AI dokáže detekovat karcinom prostaty na MRI skenech účinněji než radiologové, a zároveň snížit falešně pozitivní výsledky o polovinu. Z 10 207 zahrnutých vyšetření mělo 2 440 případů histologicky potvrzenou karcinomu prostaty Gleasonova stupně 2 nebo vyšší. V podskupině 400 testovacích případů, ve kterých byl systém umělé inteligence srovnáván s radiology účastnícími se čtenářské studie, systém umělé inteligence vykázal statisticky lepší a méně kvalitní AUROC 0,91 s počtem 62 radiologů. Při průměrném operačním bodě systém AI detekoval o 6,8 % více případů s karcinomem Gleasonova stupně 2 nebo vyšší se stejnou specificitou, nebo o 50,4 % méně falešně pozitivních výsledků a o 20,0 % méně případů karcinomu ve skupině Gleasona 1 s nižší citlivostí. Ve všech 1000 testovacích případech, kdy byl systém AI porovnáván s radiologickými výsledky provedenými během multidisciplinární praxe, nebyla noninferiorita potvrzena, protože systém AI vykazoval nižší specificitu při stejné citlivosti (26).

Umělá inteligence proniká do diagnostiky karcinomu prostaty stále hlouběji, přičemž významnou roli hraje samozřejmě také v histopatologické analýze bioptických vzorků. AI v histologii karcinomu prostaty slibuje zlepšení přesnosti, efektivity a objektivity diagnostiky, a tím i péče o pacienty.

Časopise Nature Medicine zveřejnil výzvu PANDA, které se zúčastnilo 1 290 vývojářů. Cílem bylo vyvinout reprodukovatelné algoritmy umělé inteligence pro Gleasonovo hodnocení pomocí 10 616 digitalizovaných biopsií prostaty. Výsledky ukázaly, že různé předložené algoritmy dosáhly úrovně výkonnosti srovnatelné s patology na nezávislých mezinárodních souborech dat. Na externích validačních sadách z USA a Evropy algoritmy dosáhly shody s experty s hodnotami kvadraticky váženého kappa koeficientu 0,862 a 0,868, nejlepší AI modely tedy mají výkonnost srovnatelnou s patology. Tato soutěž vytvořila velký otevřený dataset a katalog modelů, které mohou být dále použity ve výzkumu a klinické praxi. (27)

Nám dostupné AI systémy, například platforma Galen (IBEX Medical Analytics), jsou schopny automatizovat a standardizovat proces analýzy digitalizovaných obrazů bioptických vzorků prostaty. Tyto systémy jsou trénovány na rozsáhlých datových souborech obsahujících tisíce vzorků s různými stádii a typy karcinomu prostaty. Díky tomu jsou schopny detekovat i subtilní morfologické změny, které by mohly uniknout lidskému oku, a tím minimalizovat riziko falešně negativních výsledků. Automatizace analýzy také snižuje variabilitu mezi různými patology a zajišťuje konzistentnější a objektivnější diagnostiku.

AI algoritmy mohou pomoci patologům s detekcí karcinomu prostaty i v případech, kdy se jedná o malá a špatně diferencovaná ložiska. Algoritmy dokážou identifikovat charakteristické rysy nádorových buněk a architektonické změny v tkáni, které jsou typické pro karcinom prostaty. Kromě detekce samotného karcinomu hraje AI klíčovou roli v gradingu nádoru dle Gleasonova skóre (28). AI algoritmy analyzují uspořádání nádorových buněk a automaticky navrhují Gleasonovo skóre, čímž pomáhají patologům s objektivnějším a konzistentnějším stanovením grade. Přesnější určení Gleasonova skóre má zásadní význam pro volbu optimální léčebné strategie a prognózu pacienta. Kromě detekce a gradingu nádoru mohou AI algoritmy pomoci s identifikací dalších prognosticky významných markerů, jako je perineurální invaze (šíření nádoru kolem nervů) a kribriformní uspořádání nádorových žlazek. Tyto markery mají vliv na agresivitu nádoru a riziko recidivy, a proto je jejich detekce důležitá pro stratifikaci pacientů a volbu individualizované léčby (https://institut-curie. org/news/research/artificial-intelligence-institut-curie-implements-ibex-medical-analytics-tools) (obr. 22-27).

Na druhou stranu je třeba říci, že hodnotící AI algoritmy jsou stále ve vývoji a je třeba je ještě doplnit o některé funkcionality, podle naší zkušenosti nejvíce postrádáme přesné percentuální stanovení jednotlivých Gleason patternů ve válečcích, dále absenci detekce kribriformního patternu 4 a celkové souhrnné stanovení Gleason skóre ze všech zaslaných válečků tkáně od pacienta; dle vyjádření pracovníků dodavatelských firem je ale na těchto funkcionalitách nyní usilovně pracováno a je tedy výhled, že výše zmíněné nedostatky budou v dohledné době odstraněny. Další směr vývoje funkcionalit systému předpokládáme směrem k hodnocení transuretrálně získaných vzorků prostatické tkáně a tkání radikálních prostatektomií.

AI algoritmy mohou být integrovány do stávajících laboratorních informačních systémů (LIS) a pracovních postupů patologa. Patolog může využít AI k rychlému a automatickému screeningu vzorků, identifikaci podezřelých oblastí a stanovení Gleasonova skóre. Výsledky AI analýzy pak slouží jako podklad pro finální rozhodnutí patologa.

Výhody a výzvy využívání umělé inteligence v patologii

Přestože AI v patologii přináší obrovský potenciál pro zlepšení diagnostiky, její implementace přichází s řadou výhod, ale i výzev. Konečný úspěch této technologie závisí na efektivní integraci do klinické praxe a na schopnosti překonat problémy spojené s kvalitou dat, regulacemi a etickými otázkami.

Jednou z hlavních výhod použití AI je zvýšení přesnosti diagnózy. AI systémy, zejména ty využívající hluboké učení, vykazují vysokou přesnost při analýze obrazových dat, což vede k lepšímu rozpoznávání vzorců a detailů, které by mohly být přehlédnuty. To je zvlášť důležité v onkologii, kde přesnost diagnózy přímo ovlivňuje úspěšnost léčby (29). AI může také výrazně urychlit analýzu mikroskopických snímků nebo CT obrazů. To umožňuje patologům rychleji poskytnout výsledky a je klíčovým faktorem pro zajištění včasné diagnostiky a tím pádem může pacientům výrazně zvýšit šanci na úspěšnou léčbu (30).

Článek publikovaný v časopise npj Digital Medicine se zabýval vlivem spolupráce mezi lidmi a AI na snížení pracovního zatížení při interpretaci lékařských snímků. Meta-analýza zahrnovala 36 studií, které porovnávaly dobu čtení nebo počet hodnocených snímků před a po integraci AI do procesu diagnostiky. Hlavním zjištěním bylo, že při implementaci AI do diagnostického procesu se doba čtení snímků snížila o 27,20 %. Když AI sloužila jako druhé čtení, počet hodnocených snímků klesl průměrně o 44,47 %. Při použití AI pro předběžné třídění se počet snížil dokonce o 61,72 %. Také došlo ke zvýšení přesnosti diagnostiky celková relativní senzitivita byla 1,12 a specificita 1,00, což naznačuje zvýšenou schopnost detekce onemocnění bez kompromitace přesnosti (31).

Systémy AI mohou pomoci standardizovat diagnostické postupy a snížit variabilitu mezi jednotlivými odborníky, což je zvláště důležité v patologii, kde může být rozdíl mezi různými odborníky v hodnocení obrazových dat značný (32). AI systémy jsou schopny analyzovat komplexní sady dat, jako jsou histopatologické snímky, molekulární profily a klinické údaje, a tím umožňuje vytváření prediktivních modelů, které mohou pomoci přizpůsobit léčbu konkrétnímu pacientovi (33).

Výzvou při využívání AI algoritmů může být získávání relevantních dat. Kvalitní anotovaná data jsou klíčová pro trénování AI modelů. Ve zdravotnictví je však obtížné získat dostatečně velká a reprezentativní data, která jsou potřebná pro vytvoření robustních algoritmů (34). V oblasti zdravotnictví je AI přísně regulována a každý nový nástroj musí projít rozsáhlými klinickými zkouškami a schváleními. To zpomaluje implementaci nových technologií a může vést k vysokým nákladům na jejich schválení (35).

Otevřeným tématem jsou stále otázky související s ochranou osobních údajů, transparentností algoritmů a odpovědností za rozhodnutí přijatá AI. Tyto otázky musí být řešeny dříve, než budou AI technologie široce implementovány v klinické praxi (36).

Etické a právní aspekty využívání umělé inteligence v patologii Využívání umělé inteligence (AI) v patologii přináší nejen technologické a praktické výhody, ale i závažné etické a právní otázky. V oblasti medicíny je ochrana pacientů a jejich údajů zásadní, a stejně tak i transparentnost rozhodovacích procesů AI. Tyto otázky jsou ještě důležitější v patologii, kde AI pomáhá při analýze citlivých zdravotních údajů a může mít přímý vliv na diagnostiku a následnou léčbu. V tomto kontextu je nezbytné řešit několik klíčových problémů, které se týkají ochrany osob- ních údajů, odpovědnosti za chyby a pravidel pro použití AI v klinické praxi.

Ochrana osobních údajů a soukromí

V oblasti zdravotní péče je ochrana osobních údajů klíčovým právním a etickým problémem. Zdravotní data jsou velmi citlivá, a proto je jejich sběr, zpracování a uchovávání regulováno přísnými předpisy, jako je například Evropská směrnice o ochraně osobních údajů (GDPR) (https://eur-lex.europa.eu/CS/legal-content/summary/general-data-protection-regulation-gdpr. html). Použití AI v patologii, které často vyžaduje obrovské množství dat pro trénování algoritmů, může znamenat, že tato data budou sdílena mezi institucemi nebo anonymizována pro výzkumné účely (https://commission.europa.eu/law/law-topic/ data-protection_en).

Ačkoli anonymizace dat může snížit riziko zneužití osobních informací, stále existuje možnost, že data mohou být neúmyslně zpřístupněna nebo zneužita. To znamená, že i při anonymizaci musí být zajištěna bezpečnost dat, což je náročný úkol při práci s citlivými zdravotními informacemi. Jakékoli porušení pravidel ochrany osobních údajů může vést nejen k právním důsledkům pro organizace, ale také k ztrátě důvěry veřejnosti v použití AI ve zdravotnictví.

Odpovědnost za chyby

Dalším zásadním etickým problémem je otázka odpovědnosti za chyby při použití AI v diagnostickém procesu. Pokud AI systém chybně diagnostikuje karcinom nebo jinou nemoc, kdo ponese odpovědnost? Bude to vývojář AI systému, zdravotnický pracovník, který rozhodl o využití AI v diagnostickém procesu, nebo poskytovatel zdravotní péče?

Zatímco AI může výrazně zlepšit diagnostickou přesnost, není bezchybné a může dělat chyby, které by při tradičním hodnocení lidským patologem nebyly přítomny. Tento problém je složitější u systémů hlubokého učení, které se učí z dat a jejich rozhodnutí nejsou vždy snadno vysvětlitelná (tzv. „black box“ problém). V případě chyby je důležité mít jasně stanovené, kdo je odpovědný za rozhodnutí, která vedla k nesprávné diagnóze nebo léčbě.

Tento problém je významný, protože tradiční způsoby odpovědnosti v lékařství (například odpovědnost lékaře) nemusí být snadno aplikovatelné na AI systémy, které fungují na základě algoritmů a datových vzorců. Právní předpisy pro tento typ odpovědnosti jsou stále ve vývoji a je třeba se jim věnovat, aby bylo možné zajistit ochranu pacientů a správné řízení rizik spojených s použitím AI v medicíně (37).

Transparentnost a vysvětlitelnost rozhodnutí AI

Další etickou otázkou je transparentnost a vysvětlitelnost rozhodnutí učiněných AI. I když AI systémy mohou dosahovat vysoké přesnosti v diagnostice, je důležité, aby lékaři a pacienti rozuměli tomu, jak k těmto rozhodnutím došlo. To je obzvlášť důležité v patologii, kde mohou rozhodnutí AI ovlivnit následné terapeutické kroky.

„Vysvětlitelná AI“ je koncept, který zahrnuje snahu učinit rozhodovací procesy AI transparentními, aby bylo možné přesně pochopit, jak model dospěl k závěru. To je klíčové pro zajištění důvěry a přijetí AI ve zdravotnickém prostředí. Bez vysvětlitelnosti může být pro lékaře obtížné ověřit správnost rozhodnutí a přijmout je jako součást léčby pacienta (38,39).

PROHLÁŠENÍ

Autor práce prohlašuje, že v souvislosti s tématem, vznikem a publikací tohoto článku není ve střetu zájmů a vznik ani publikace článku nebyly podpořeny žádnou farmaceutickou firmou. Toto prohlášení se týká i všech spoluautorů.

Obr. 1. Hodnocení exprese estrogenových receptorů pomocí algoritmu ER (SP1) Breast RUO 1.1 (Roche, platforma Navify).

Obr. 2. Hodnocení exprese progesteronových receptorů pomocí algoritmu PR (1E2) Breast RUO 1.1 (Roche, platforma Navify).

Obr. 3. Hodnocení proliferační aktivity (exprese markeru Ki-67) pomocí algoritmu Ki-67 (30-9) Breast RUO 1.1.1 (Roche, platforma Navify).

Obr. 4. Hodnocení exprese proteinu HER2/neu – před označením cílové oblasti.

Obr. 5. Hodnocení exprese proteinu HER2/neu v cílové oblasti z obr. 4. pomocí algoritmu HER2 (4B5) Breast IVD 1.1.1 (Roche, platforma Navify) s výsledkem 3+.

Obr. 6. Hodnocení exprese proteinu HER2/neu – před označením cílové oblasti.

Obr. 7. Hodnocení exprese proteinu HER2/neu v cílové oblasti z obr. 6. pomocí algoritmu HER2 (4B5) Breast IVD 1.1.1 (Roche, platforma Navify) s výsledkem 2+.

Obr. 8. Hodnocení exprese proteinu HER2/neu – před označením cílové oblasti.

Obr. 9. Hodnocení exprese proteinu HER2/neu v cílové oblasti z obr. 8. pomocí algoritmu HER2 (4B5) Breast IVD 1.1.1 (Roche, platforma Navify) s výsledkem 1+.

Obr. 10. Hodnocení exprese proteinu HER2/neu pomocí algoritmu HER2 (4B5) Breast IVD 1.1.1 (Roche, platforma Navify) s výsledkem 0.

Obr. 11. Hodnocení počtu kopií genu HER2/neu (černý signál) a chromosomu 17 (červený signál) z in situ hybridizace – před označením cílové oblasti.

Obr. 12. Hodnocení počtu kopií genu HER2/neu (černý signál) a chromosomu 17 (červený signál) z in situ hybridizace v cílové oblasti z obr. 11. pomocí algoritmu HER2 DUAL ISH Breast IVD 1.1.1 (Roche, platforma Navify) s výsledným poměrem 1.0 (bez prokázané amplifikace genu HER2/neu).

Obr. 13. Hodnocení počtu kopií genu HER2/neu (černý signál) a chromosomu 17 (červený signál) z in situ hybridizace – před označením cílové oblasti.

Obr. 14. Hodnocení počtu kopií genu HER2/neu (černý signál) a chromosomu 17 (červený signál) z in situ hybridizace v cílové oblasti z obr. 13. pomocí algoritmu HER2 DUAL ISH Breast IVD 1.1.1 (Roche, platforma Navify) s výsledným poměrem 6.4 (prokázána amplifikace genu HER2/neu).

Obr. 15. Hodnocení karcinomu prsu pomocí algoritmu Galen Breast Algorithm 3.4.2 (IBEX, platforma Navify) – vypnuté heatmapy.

Obr. 16. Hodnocení karcinomu prsu pomocí algoritmu Galen Breast Algorithm 3.4.2 (IBEX, platforma Navify) – heatmapa znázorňující oblasti s pravděpodobností přítomnosti karcinomu.

Obr. 17. Hodnocení karcinomu prsu pomocí algoritmu Galen Breast Algorithm 3.4.2 (IBEX, platforma Navify) – heatmapa znázorňující oblasti s morfologíí odpovídající spíše duktálnímu karcinomu a oblasti s morfologií odpovídající spíše lobulárnímu karcinomu.

Obr. 18. Hodnocení exprese markeru PD-L1 (TPS) u karcinomu plic – před označením cílové oblasti.

Obr. 19. Hodnocení exprese markeru PD-L1 (TPS) u karcinomu plic v cílové oblasti z obr. 18. pomocí algoritmu PD-L1 (SP263) NSCLC IVD 1.1.1 (Roche, platforma Navify) s výsledkem 99 %.

Obr. 20. Hodnocení exprese markeru PD-L1 (TPS) u karcinomu plic – před označením cílové oblasti.

Obr. 21. Hodnocení exprese markeru PD-L1 (TPS) u karcinomu plic v cílové oblasti z obr. 20. pomocí algoritmu PD-L1 (SP263) NSCLC IVD 1.1.1 (Roche, platforma Navify) s výsledkem 0,1 %.

Obr. 22. Hodnocení karcinomu prostaty pomocí algoritmu Galen Prostate Algorithm 3.4.2 (IBEX, platforma Navify) – vypnuté heatmapy.

Obr. 23. Hodnocení karcinomu prostaty pomocí algoritmu Galen Prostate Algorithm 3.4.2 (IBEX, platforma Navify) – heatmapa znázorňující oblasti s pravděpodobností přítomnosti karcinomu v oblasti z obr. 22.

Obr. 24. Hodnocení karcinomu prostaty pomocí algoritmu Galen Prostate Algorithm 3.4.2 (IBEX, platforma Navify) – vypnuté heatmapy.

Obr. 25. Hodnocení karcinomu prostaty pomocí algoritmu Galen Prostate Algorithm 3.4.2 (IBEX, platforma Navify) – heatmapa znázorňující oblasti s výskytem jednotlivých Gleason patternů v oblasti z obr. 24.

Obr. 26. Hodnocení karcinomu prostaty pomocí algoritmu Galen Prostate Algorithm 3.4.2 (IBEX, platforma Navify) – vypnuté heatmapy.