AI mengesan kanser prostat peringkat awal yang terlepas oleh ahli patologi

Laporan Saintifik menunjukkan bahawa kecerdasan buatan boleh mengenali petunjuk morfologi tumor yang tersembunyi dalam biopsi prostat yang sebelum ini dianggap jinak oleh ahli patologi. Model pembelajaran mendalam yang dilatih menggunakan pendekatan yang diselia dengan lemah meramalkan lelaki yang mempunyai PSA yang tinggi akan menghidap kanser prostat yang ketara secara klinikal (ISUP > 1) dalam tempoh 30 bulan akan datang dan yang akan kekal bebas kanser selama sekurang-kurangnya 8 tahun. Ini membuka pintu kepada stratifikasi risiko awal serta-merta selepas biopsi "bersih" awal dan boleh membantu memutuskan siapa yang benar-benar memerlukan prosedur invasif berulang dan pengawasan yang dipertingkatkan.

Latar belakang kajian

Biopsi jarum utama prostat selalunya menghasilkan keputusan negatif palsu: sebahagian besar kanser ketara secara klinikal kekal "di luar skrin", terutamanya dengan biopsi TRUS sistematik tradisional. Pengenalan panduan MRI telah meningkatkan bahagian pengesanan kanser yang ketara secara klinikal dan mengurangkan bilangan prosedur ulangan yang tidak perlu, tetapi walaupun dengan strategi moden, beberapa tumor agresif masih tidak dapat dikesan. Dilema klinikal tetap sama: siapa yang harus diperhatikan selepas biopsi "bersih" dan siapa yang harus dirujuk untuk biopsi ulangan awal, supaya tidak melambatkan diagnosis dan tidak membebankan pesakit dengan campur tangan invasif.

Asas biologi untuk menyelesaikan masalah ini ialah fenomena TINT (tumor-diarahkan/menunjukkan tisu normal): tumor "mengkonfigurasi semula" tisu organ yang kelihatan normal di sekelilingnya, meninggalkan kesan yang lemah tetapi sistematik - dari pembentukan semula stroma dan hipoksia kepada anjakan metabolik. Perubahan ini telah diterangkan dalam model eksperimen dan pada pesakit yang menghidap kanser prostat dan dikaitkan dengan keagresifan tumor, yang menjadikan tisu "normal" sebagai sumber isyarat diagnostik yang berpotensi, walaupun tiada kelenjar kanser yang jelas dalam teras biopsi.

Patologi digital dan kaedah pembelajaran mendalam bertujuan untuk mengekstrak ciri medan "halus" sedemikian daripada bahagian H&E standard. Tidak seperti morfologi klasik, yang memfokuskan pada struktur tumor yang jelas, algoritma boleh menangkap corak teragih dalam stroma dan epitelium yang berkaitan dengan kehadiran tumor di bahagian lain organ. Ini membuka jalan kepada stratifikasi risiko serta-merta selepas biopsi negatif: "skor" kaca yang tinggi menunjukkan kesesuaian biopsi ulangan awal atau panduan MRI, yang rendah menyokong pemerhatian yang lebih lembut.

Inilah idea di sebalik kajian baharu dalam Laporan Saintifik: pengarang menguji sama ada AI boleh meramalkan kanser prostat yang ketara secara klinikal dalam tempoh 30 bulan akan datang berdasarkan petunjuk morfologi daripada biopsi TINT. Kerja ini dibina di atas barisan pracetak yang dibentangkan sebelum ini dan membentuk asas yang digunakan untuk pelaksanaan biomarker digital "medan" dalam penghalaan pesakit selepas biopsi "bersih" awal.

Bagaimana ia dilakukan: reka bentuk, data, algoritma

Penulis secara retrospektif mengumpul kohort 232 lelaki dengan PSA tinggi dan kesimpulan awal "jinak" pada biopsi jarum (selepas kawalan teknikal, 213 pesakit dan 587 bahagian dimasukkan dalam analisis akhir; biopsi 1997-2016, Umea, Sweden). Setiap pesakit dipadankan dengan pasangan "cermin" mengikut umur, tahun diagnosis dan tahap PSA: separuh didiagnosis dengan kanser prostat kemudian (≤30 bulan), separuh lagi kekal bebas kanser selama sekurang-kurangnya 8 tahun. Slaid H&E telah didigitalkan (20×), dipotong menjadi jubin 256×256 piksel dan disalurkan kepada CLAM (Pembelajaran Berbilang Contoh Perhatian Terkandas Kelompok) - skim moden yang diselia dengan lemah, di mana hanya nasib pesakit yang diketahui, dan bukan penandaan setiap piksel. Ciri telah diekstrak oleh ResNet18 pra-latihan pada 57 set data histopatologi. Titik akhir ialah binari: risiko rendah (jinak/ISUP1) lwn. risiko tinggi (ISUP2-5).

Ketepatan ramalan

Dalam ujian bebas, model itu mencapai AUC 0.81 merentasi slaid dan AUC 0.82 pada tahap pesakit. Pada ambang yang memberikan keseimbangan yang boleh diterima, sensitiviti ialah 0.92 dengan kadar positif palsu 0.32 (peringkat pesakit). Dalam erti kata lain, dalam kalangan orang yang biopsi awalnya "terlepas", AI dengan betul menandakan sebahagian besar mereka yang tidak lama kemudian disahkan menghidap kanser yang ketara secara klinikal, walaupun dengan kos beberapa penggera palsu. Untuk klinik, ini adalah isyarat: tindak balas biopsi "jinak" ≠ risiko sifar, dan ia boleh disusun secara kuantitatif oleh kaca digital.

Apakah sebenarnya yang "perasan" AI dalam tisu "biasa"?

Tafsiran melalui UMAP dan peta perhatian menunjukkan bahawa perubahan stroma adalah yang paling bermaklumat:

• Lebih banyak kolagen dalam stroma (pemadatan matriks, "fibrosis");
• Kurang sel otot licin di sekeliling kelenjar;
• Kurang biasa ialah isyarat halus dalam epitelium kelenjar, mungkin di bawah resolusi pensampelan rendah yang tersedia.
  Corak ini sesuai dengan konsep TINT (tumor-diarahkan/menunjukkan tisu normal): malah "norma" dalam organ di mana tumor tersembunyi dikonfigurasikan semula di bawah pengaruhnya dan berbeza daripada "norma" dalam organ tanpa tumor. Kanser bukan sahaja nidus, tetapi juga medan, dan AI belajar membaca kesan medan.

Bagaimana pendekatan itu berguna dalam amalan - senario yang berpotensi

• Biopsi semula berasaskan risiko: kadar AI yang tinggi pada kaca "bersih" - hujah yang menyokong biopsi semula awal atau panduan MRI dan bukannya menunggu.
• Pemperibadian pemantauan: Kelajuan rendah mengimbangi kebimbangan selepas MRI "garis sempadan" dan membenarkan penyederhanaan intensiti pemantauan.
• Latihan corak TINT: Peta perhatian dan tindanan interaktif membantu ahli patologi melihat medan halus sekitar kanser, meningkatkan ketekalan laporan.

Adalah penting untuk memahami batasan

Ia adalah pusat tunggal di utara Sweden (kebanyakannya penduduk Kaukasia), reka bentuknya adalah retrospektif, biopsi asas dilakukan tanpa bimbingan MRI (biopsi TRUS sistematik), dan penanda adalah hasil masa depan dan bukannya "tumor ghaib pada slaid yang sama". Tiada pengesahan luaran di pusat/pengimbas bebas lagi, dan juga tiada percubaan prospektif kesan algoritma terhadap keputusan dan hasil klinikal. Kadar positif palsu kekal ketara - model itu tidak menggantikan doktor tetapi menambah lapisan kebarangkalian untuk membuat keputusan bersama.

Apa Seterusnya: Hala Tuju Pelaksanaan

• Pengesahan luaran berbilang pusat (pengimbas berbeza, protokol, kumpulan etnik).
• Kajian keputusan prospektif: adakah skor AI mengubah trajektori pesakit (masa untuk diagnosis, bilangan biopsi ulangan yang tidak perlu, over/under-diagnosis).
• Integrasi dengan MRI dan klinik: model gabungan (PSA, MRI PIRADS, faktor klinikal + skor TINT mengikut H&E).
• Langkah teknikal: penyeragaman pendigitalan, kawalan hanyut data, kebolehjelasan (tindihan perhatian untuk rutin).

Sumber: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C., et al. Penemuan tumor yang menunjukkan perubahan morfologi dalam biopsi prostat jinak melalui AI. Laporan Saintifik (Portfolio Alam Semula Jadi), diterbitkan 21 Ogos 2025. DOI: https://doi.org/10.1038/s41598-025-15105-6