Głębsza diagnostyka raka piersi dzięki sztucznej inteligencji

9 lipca 20269 lipca 2026 polskiebrandy

Sztuczna inteligencja zmienia sposób, w jaki rozumiemy i wykrywamy raka piersi: nie chodzi już tylko o znalezienie guza, lecz o identyfikację wczesnych sygnałów, przewidywanie ryzyka, określenie podtypu nowotworu i personalizację terapii. Poniżej przedstawiam rozwiniętą, uporządkowaną prezentację dowodów, technologii i praktycznych implikacji, opartą na najważniejszych publikacjach i projektach badawczych.

Kluczowe punkty

wykrywanie zmian nawet 6–10 lat wcześniej niż kliniczne rozpoznanie,
wyższa wykrywalność nowotworów w badaniach przesiewowych,
mniej fałszywie dodatnich wyników i niższy odsetek biopsji,
predykcja nawrotu i odpowiedzi na leczenie na podstawie obrazów i danych klinicznych,
nowe technologie: spektroskopia Ramana, systemy monitorujące, multimodalne algorytmy.

Co oznacza „Głębsza diagnostyka”?

Głębsza diagnostyka to nie tylko wykrycie guza, lecz także wcześniejsza identyfikacja subtelnych sygnałów, dokładne określenie podtypu nowotworu, przewidzenie przebiegu choroby i odpowiedzi na terapię. Dzięki analizie obrazów z mammografii, MRI i USG, slajdów histopatologicznych oraz danych klinicznych i biomarkerów, systemy AI potrafią wydobyć informacje niedostrzegalne przy standardowym odczycie. To oznacza przejście od jednorazowego przesiewu do ciągłej, wielowymiarowej oceny ryzyka.

Co analizuje AI i dlaczego to ma znaczenie

Algorytmy przetwarzają miliony pikseli, sekwencje czasowe obrazów, niuanse tekstury tkanki i zależności między zmiennymi klinicznymi. Na tej podstawie potrafią:
– identyfikować wczesne wzorce zwiastujące przyszłe nowotwory,
– klasyfikować obrazy na podtypy molekularne podobne do badań molekularnych,
– przewidywać odpowiedź na leczenie i ryzyko nawrotu, co pozwala na lepsze dobieranie terapii.

Wykrywalność i redukcja fałszywych alarmów

Badania opublikowane w Radiology i innych renomowanych czasopismach porównywały wyniki przesiewów z użyciem AI i bez niego. Wyniki są jednocześnie zachęcające i praktyczne: AI zwiększa liczbę wykrytych nowotworów przy jednoczesnym zmniejszeniu liczby fałszywych alarmów, co bezpośrednio przekłada się na mniejsze obciążenie pacjentek i systemu ochrony zdrowia.

wskaźnik wykrywalności raka: 0,82% z AI vs 0,70% bez AI,
fałszywie dodatnie wyniki: 1,63% z AI vs 2,39% bez AI,
recall rate spadł o 20,5% a obciążenie radiologów zmniejszyło się o 33,4%.

W efekcie AI zwiększa wykrywalność przy jednoczesnym zmniejszeniu zbędnych dodatkowych badań. W praktyce oznacza to mniej powtórnych obrazowań, krótszy czas oczekiwania na diagnostykę i mniejsze koszty systemowe.

Zmniejszenie liczby biopsji

Jednym z najbardziej namacalnych efektów zastosowania AI jest możliwość ograniczenia liczby niepotrzebnych biopsji. Biopsje są procedurami inwazyjnymi, niosącymi ryzyko powikłań, stres i koszty. Badania pokazują, że AI może pomóc odróżnić zmiany wymagające interwencji od tych, które można monitorować.

Jedna z publikacji, opisana w Science Translational Medicine, wykazała, że algorytm porównywalny z oceną radiologiczną mógłby zredukować liczbę niepotrzebnych biopsji o nawet do 20%. To przekłada się na realne korzyści: mniejsze obciążenie pacjentek, redukcja kosztów diagnostyki i spadek liczby powikłań.

Wczesna predykcja ryzyka

Kluczowy element „głębszej diagnostyki” to zdolność do prognozowania przyszłych zachorowań na podstawie obecnych obrazów. Badania z Karolinska Institutet oraz innych ośrodków przynoszą istotne dane: AI wychwytuje subtelne oznaki, które dla ludzkiego oka są niewidoczne.

Wyniki wskazują, że:
– AI dostrzega sygnały na mammogramie średnio 6 lat przed rozpoznaniem w około 20% przyszłych przypadków,
– w niektórych analizach sygnały były wykrywalne nawet 10 lat wcześniej,
– zespół prof. Barzilay wykazał predykcję blisko 50% przyszłych zachorowań do 5 lat przed ich wystąpieniem.

To zmienia model przesiewowy z wykrywania istniejącego raka na przewidywanie ryzyka zachorowania. W praktyce pozwala to na różnicowanie częstotliwości badań (więcej badań u osób z wysokim ryzykiem, mniej u niskiego) i wdrażanie działań zapobiegawczych wcześniej niż dotychczas.

Przykłady systemów i technologii

bosomShield — system multimodalny analizujący mammografię, MRI, USG, slajdy histopatologiczne i dane kliniczne w celu oceny ryzyka nawrotu i podtypu nowotworu,
kestrel/ataraxis Breast — polski projekt testowany na > 8 000 pacjentek z 15 grup raka piersi ze skalą potencjalnego rozszerzenia do 100 000 pacjentek rocznie,
ailis — system wykorzystujący parametryczne obrazowanie dynamiczne i algorytm gęstości piersi, wykonujący około 250 pomiarów tkanek dla monitorowania zmian,
spektroskopia Ramana + AI — metoda dająca w pilotażach wysoką dokładność wykrywania bardzo wczesnych stadiów raka; w jednym badaniu wykrywalność stadium 1A sięgała 90–100%.

Te rozwiązania różnią się metodologią, modalnościami i skalą walidacji, ale wspólnym mianownikiem jest multimodalność i dążenie do ekstrakcji ukrytej informacji z dostępnych danych.

Nowe modalności diagnostyczne

Poza klasyczną mammografią rosnąca liczba badań pokazuje wartość łączenia różnych źródeł informacji. Spektroskopia Ramana analizowana przez algorytmy AI oraz badania krwi dostarczają dodatkowych biochemicznych wskaźników nowotworu. W pilotażu opublikowanym w Journal of Biophotonics metoda ta wykrywała raka piersi w stadium 1A z dokładnością 90–100%, zależnie od podtypu.

Systemy ciągłego monitorowania, takie jak AILIS, wykonują setki pomiarów tkanek i śledzą dynamikę zmian. To umożliwia bardziej granularne podejście do pacjentki: wykrywanie subtelnych trendów, które mogą zapowiadać rozwój patologii, zamiast polegania jedynie na pojedynczych badaniach przesiewowych co kilka lat.

Wpływ na planowanie leczenia i monitorowanie

Algorytmy nie tylko diagnozują, ale też wspierają decyzje terapeutyczne. Analizy cech obrazowych i histopatologicznych pozwalają przewidywać:
– odpowiedź patomorfologiczną po leczeniu (całkowita odpowiedź patomorfologiczna, tzw. pCR), co wpływa na decyzję o terapii przedoperacyjnej,
– ryzyko nawrotu i progresji, co może modyfikować intensywność nadzoru po leczeniu,
– agresywność podtypu nowotworu, co pomaga w wyborze bardziej celowanych terapii.

Dzięki temu lekarze otrzymują dodatkowe dane do personalizacji postępowania terapeutycznego. W praktyce może to oznaczać zmniejszenie terapii u osób dobrze rokujących lub intensyfikację leczenia tam, gdzie algorytm przewiduje większe ryzyko.

Korzyści systemowe

Implementacja AI w programach przesiewowych i onkologicznych przynosi korzyści na poziomie systemu ochrony zdrowia:
– skalowanie programów przesiewowych bez proporcjonalnego wzrostu liczby radiologów, co zwiększa dostęp do badań,
– skierowanie zasobów do pacjentek o najwyższym ryzyku, co poprawia efektywność wykorzystania sprzętu i specjalistów,
– redukcja kosztów związanych z niepotrzebnymi biopsjami, powtórnymi badaniami i nieefektywnymi procedurami.

Integracja AI z programami narodowymi i EHR umożliwia automatyczną triage, lepsze planowanie zasobów i ocenę efektywności polityk zdrowotnych.

Ograniczenia i wyzwania

algorytmy wymagają walidacji na zróżnicowanych populacjach,
ryzyko błędów z powodu danych treningowych obciążonych uprzedzeniami,
potrzeba standaryzacji protokołów obrazowania i interoperacyjności systemów,
konieczność oceny kosztów wdrożenia i utrzymania rozwiązań AI.

Bez rygorystycznej walidacji i nadzoru klinicznego wyniki AI mogą być mylące. Implementacja wymaga planu walidacyjnego, mechanizmów audytu i ciągłego monitorowania wyników w warunkach rzeczywistych.

Praktyczne implikacje dla pacjentek

Dla indywidualnych pacjentek korzyści AI przekładają się na:
– wcześniejsze wykrycie zmian i szybsze rozpoczęcie terapii,
– mniejszą liczbę zbędnych biopsji i związany z tym mniejszy stres oraz ryzyko powikłań,
– lepsze dopasowanie terapii dzięki przewidywaniu odpowiedzi na leczenie i klasyfikacji podtypów.

Systemy monitorujące umożliwiają śledzenie dynamiki zmian w czasie, co daje szansę na interwencję zanim rozwinie się zaawansowana choroba.

Rekomendowane kroki wdrożeniowe

Przed szerokim zastosowaniem AI w praktyce klinicznej warto przeprowadzić następujące działania: walidację narzędzi AI na lokalnych kohortach, szkolenia radiologów i patologów w interpretacji wyników AI, integrację wyników z systemami EHR, oraz ustalenie stałego monitoringu skuteczności diagnostycznej poprzez kluczowe wskaźniki, takie jak wykrywalność, recall rate, liczba biopsji i odsetek fałszywych dodatnich. Dodatkowo potrzebne są plany zarządzania ryzykiem i mechanizmy nadzoru, aby zapewnić bezpieczeństwo pacjentek i zgodność z regulacjami.

Dlaczego termin „Głębsza” jest trafny?

Bo AI dostarcza nowych warstw informacji: wcześniejsze sygnały, klasyfikację molekularną z obrazów, prognozy nawrotów i odpowiedzi terapeutycznej. Te warstwy zmieniają podejście z jednorazowego przesiewu na ciągłą, wielowymiarową ocenę ryzyka i przebiegu choroby, co ma bezpośrednie implikacje zarówno kliniczne, jak i systemowe.

Najważniejsze liczby do zapamiętania

Warto zapamiętać dane, które pokazują skalę wpływu AI:
– 6–10 lat — czas wcześniejszego wykrycia sygnałów przez AI w mammografii,
– 0,82% vs 0,70% — wykrywalność raka w przesiewie z AI i bez AI (Radiology),
– 1,63% vs 2,39% — fałszywie dodatnie wyniki z AI i bez AI,
– 20% — możliwa redukcja niepotrzebnych biopsji (publikacje kliniczne),
– 90–100% — dokładność wykrywania stadium 1A w badaniu spektroskopii Ramana z AI (pilotaż),
– 8 000 pacjentek i 15 grup — skala testów rozwiązania Kestrel/Ataraxis Breast; potencjał rozszerzenia o 100 000 pacjentek rocznie.

AI potrafi wydobyć z obrazów i danych klinicznych informacje niemożliwe do uzyskania dotychczas jedynie przez człowieka. To przesunięcie od wykrycia guza do przewidywania ryzyka i personalizacji leczenia definiuje ideę „głębszej diagnostyki”.