A mesterséges intelligencia szerepe a nőgyógyászati daganatok ellátásában: innováció és klinikai kihívások

Emlőrák: bizonyított előnyök a korai felismerésben

A svéd MASAI vizsgálatban 100.000 nő bevonásával a számítógépes szűrés mellett lényegesen magasabb daganatfelismerési arányt értek el, mint a kontrollcsoportban. A ScreenTrustCAD tanulmány kimutatta, hogy az AI (mint független második lektor) alkalmazása számottevően javította a daganatfelismerési rátát, miközben nem maradt el a hagyományos kettős leletezéstől.

A kockázatbecslés területén a Deep-LIBRA algoritmus pontosabban és reprodukálhatóbban értékelte az emlősűrűséget, mint a klinikailag használt eszközök. Tisztán mammográfiás alapú AI-algoritmus több nemzetközi helyszínen kiváló eredményeket ért el az ötéves emlőrák-kockázat előrejelzésében. Egy másik, korábbi mammográfiás felvételeket is integráló modell több mint 200.000 nő adatain robusztus teljesítményt mutatott, etnikai szempontból változatos populációban.

A diagnosztika és stádiumbesorolás területén az AI-támogatott axilláris ultrahang átfogó elemzése magas szenzitivitást és kiváló előrejelző képességet eredményezett nyirokcsomó-áttét megítélésében. A DENSE vizsgálatban egy gépi tanulásra épülő MRI modell jelentős arányban helyesen azonosította az elváltozás-mentes emlő MRI vizsgálatokat, anélkül hogy egyetlen rosszindulatú elváltozás is kimaradt volna.

Petefészekrák: adathiány és preklinikai jelzések

A petefészekrák esetében az AI-fejlesztéseket korlátozza a nagy, gondosan feldolgozott adatbázisok hiánya. A digitális járványtan révén azonban új lehetőségek nyílnak. Ez a módszer azon a feltevésen alapul, hogy az emberek a fizikai tüneteik (pl. alhasi duzzanat) vagy egészségügyi aggodalmaik kapcsán gyakran először a Google vagy más keresőmotorok segítségével tájékozódnak, mielőtt orvoshoz fordulnának. Az online keresési minták elemzése alapján az alhasi duzzanat, emésztési panaszok és kismedencei fájdalom körülbelül egy évvel a diagnózis előtt előre jelezhető. A Cancer Loyalty Card Study kimutatta, hogy a fájdalom- és a gyomorpanaszok elleni gyógyszerek vásárlása (akár 8 hónappal a diagnózis előtt) megnövekszik.

Gépi tanulási algoritmusok a CA125, HE4 tumormarkerek és a neutrophil szám alapján magas pontossággal különböztették meg a rosszindulatú adnexalis terimétől a jóindulatú elváltozásokat. Az intelligens kés intraoperatív alkalmazása mesterséges intelligenciával kombinálva kiemelkedő szenzitivitást és specificitást ért el petefészekrák és normál szövet megkülönböztetésében.

A kórjóslati értékelésben a CT-alapú radiomic prognostic vector elkülönítette a high-grade serosus petefészekrákokat: magas értékek kötőszövet-aktivációval és kemoterápia-rezisztenciával, míg alacsony értékek DNS-javító aktivitással és platina-érzékenységgel társultak. Egy integrált radiomikai-klinikai-genetikai modell, amely a daganaton belüli és daganatok közötti eltéréseket is figyelembe vette, eredményesen előre jelezte a platina-rezisztenciát.

Méhtestdaganat: új eszközök a kockázatbecslésben

Népességszintű szűrővizsgálat méhtestrákok esetében nem létezik, ám gépi tanulási modellek az életkor, testtömegindex és endometrialis vastagság alapján kiváló eredménnyel jelezték előre a prekancerózus vagy rosszindulatú elváltozás kockázatát. Szérum anyagcsere-elemzésen alapuló modell rendkívül magas pontossággal ismerte fel a méhtestrákot.

A fluoreszcens spektroszkópia vizeletalapú alkalmazása jó pontosságot eredményezett. Méhűri tükrözés képeinek mélytanulási elemzése kiemelkedő diagnosztikai pontosságot ért el. Az intelligens kés tömegspektrometria AI-támogatással magas pontossággal különböztette meg a rosszindulatú és normál méhnyálkahártya-szövetet valós időben.

A termékenység megőrzését célzó kezelés kimenetelének előrejelzésében az AdaBoost ensemble kimagasló pontossággal felülmúlta a hagyományos gépi tanulási modelleket. Többféle adatforrást használó kórjóslati modellezés magas pontossággal jósolta meg az öt- és tízéves túlélést.

Sugárkezelés: az automata körvonalazás korszaka

A sugárterápia terén az AI már a klinikai gyakorlat része. Méhnyakrák kezelésekor a mélytanuláson alapuló modellek kimagaslóan pontosan azonosítják a besugárzandó daganatos területet (klinikai célvolumenek) és a sugárzástól óvandó kritikus szerveket (veszélyeztetett szervek). Ráadásul ezeket az AI-generált körvonalazásokat külső, független onkológiai centrumok is túlnyomó többségben preferálták vagy egyenértékűnek találták. Az átlagos dóziscsökkentés és tervezési idő jelentős mértékben javult. A brachyterápia terén az automatikus applikátor-rekonstrukció kiváló pontosságot ért el.

Kihívások és jövőbeli irányok

A mesterséges intelligencia klinikai gyakorlatba történő beültetésének legnagyobb gátját jelenleg több tényező jelenti: a képalkotó eljárások egységesítésének hiánya; a daganat körvonalainak pontos, automatizált kijelölésének nehézsége; és az, hogy a módszerek nagyszámú betegen történő igazolása még nem történt meg.

Az alapmodellek, a nagy nyelvi modellek és a generatív AI megjelenése azonban áttörést hozhat. Például emlőrák esetében a generatív szintézis képes volt kontrasztanyag nélküli MRI felvételekből is kiváló képminőséget és strukturális pontosságot elérni. Ez a fejlesztés jelentősen javítja a kórjóslati markerek és a tumortípus előrejelzésének pontosságát.

A betegek számára alapvető fontosságú a bizalom megteremtése az AI-rendszerek iránt: komoly aggályok merülnek fel ugyanis az eszközök megbízhatóságával és az érvényesítésükhöz felhasznált adatok minőségével kapcsolatban. Éppen ezért továbbra is az emberi felügyelet megtartása az elsődleges szempont, és további erőfeszítések szükségesek a betegbiztonság garantálásához.

Rockall AG, Chiu SMY, Aboagye EO, et al. Artificial intelligence in women's cancers: innovation and challenges in clinical translation. Lancet Digit Health 2025; Published Online. https://doi.org/10.1016/j.landig.2025.100940