AI zvyšuje detekci rakoviny jater zvýrazněním pochybných oblastí

Nový úvodník byl vydán v OncotargetSvazek 16, 4. dubna 2025, s názvem „Hluboká kvantifikace nejistoty založená na učení pro zajištění kvality v technikách založených na hepatobiliárních zobrazováních“.

Dr. Yashbir Singh z Mayo Clinic a jeho kolegové diskutovali o tom, jak může umělá inteligence (AI) zlepšit zobrazování jater tím, že rozpozná, kdy by to mohlo být špatné. Tento přístup, nazývaný „kvantifikace nejistoty“, pomáhá lékařům lépe detekovat rakovinu jater a další onemocnění poukazem na oblasti v lékařských skenech, které vyžadují druhý vzhled. Autoři vysvětlují, jak by tyto nástroje AI mohly učinit výsledky zobrazování přesnější a spolehlivější, což je zvláště důležitější při diagnostice vážných stavů, jako jsou jaterní nádory.

Zobrazování jater a žlučových kanálů je obtížné kvůli složité struktuře orgánů a rozdílů v kvalitě obrazu. Dokonce i kvalifikovaní radiologové se mohou snažit identifikovat malé nebo skryté nádory, zejména u pacientů s poškozením jater nebo zjizvením. Editorial vysvětluje, jak nové modely AI nejen čtou lékařské obrázky, ale také měří jejich vlastní důvěru. Když si systém AI není jistý, může kliniky upozornit, aby se blíže podíval. Tato další vrstva informací může snížit zmeškané diagnózy a zlepšit včasnou detekci rakoviny jater.

Jeden z nejpokročilejších nástrojů popsaných v redakci se nazývá Ahunet (anisotropní hybridní síť). Tento model AI pracuje s obrázky 2D a 3D a může zdůraznit, které části skenování je nejvíce sebevědomě. Při měření celé játra to fungovalo dobře a ukázalo se, jak jeho důvěra klesla při skenování menších nebo více lézí. Tato funkce pomáhá klinickým lékařům vědět, kdy je zapotřebí více testování nebo kontroly.

Autoři se také podívali na další modely AI používané při zobrazování jater. Některé nástroje byly schopny analyzovat tuk jaterních pomocí ultrazvukových obrazů a poskytnout klinickým lékařům výsledek i skóre důvěry. Jiní zlepšili rychlost a přesnost skenování magnetickou rezonancí jater (MRI), což pomáhá vytvářet jasné obrazy za kratší dobu. Tato pokrok by mohla pomoci nemocnicím pracovat rychleji a poskytovat lepší péči.

Editorial zdůrazňuje, jak může být tato technologie zvláště užitečná na menších klinikách. Pokud nemají specialisty na jater, mohli by stále používat systémy AI, které označují nejisté výsledky, a poslat je do větších center k přezkumu. Takový přístup by mohl zlepšit péči ve venkovských nebo méně zdrojových oblastech.

„Radiologie Oddělení by měly vyvinout standardizované šablony hlášení, které zahrnují metriky nejistoty spolu s tradičními zobrazovacími nálezy. “

Používáním nástrojů AI, které vědí, kdy se druhým hádat, mohou mít kliničtí lékaři spolehlivější metody pro detekci rakoviny jater a monitorování onemocnění jater. Autoři naznačují, že AI, která je známa nejistota, se může brzy stát životně důležitou součástí každodenního lékařského zobrazování, což podporuje rychlejší a přesnější rozhodnutí v péči o onemocnění jater.