U medicinskoj dijagnostici događa se značajan pomak: kombinacija računalne obrade slike i deep learning pristupa sve se češće koristi kako bi se iz velike količine podataka izdvojili suptilni obrasci koje ljudsko oko teško uočava. Nedavno objavljeno istraživanje u časopisu Radiology pokazuje da AI sustav može prepoznati rak gušterače na CT snimkama s točnošću od 91% – posebice ohrabrujuće za promjene manje od 2 cm. Autori s Nacionalnog sveučilišta Tajvana ističu da alat temeljen na deep learning pristupu postiže razumnu osjetljivost i ne zahtijeva ručno označavanje slika, što otvara vrata bržem uvođenju u kliničku praksu.

Rak gušterače slovi za jednu od najsmrtonosnijih zloćudnih bolesti, a točan uzrok nije poznat. Prema globalnim procjenama GLOBOCAN-a, 2018. bilo je više od 450 000 slučajeva i više od 430 000 smrti. Prema izvješću American Cancer Society: Cancer Facts & Figures 2022, u SAD-u je 2022. godine oko 62 200 ljudi trebalo dobiti dijagnozu, a više od 49 800 je očekivano izgubiti život. Ove brojke pokazuju zašto je rano prepoznavanje ključno – što se ranije otkrije rak gušterače, to su terapijske mogućnosti šire i ishodi bolji.

AI sposoban za rano otkrivanje raka gušterače

Zašto je rak gušterače toliko izazovan za dijagnostiku?

Gušterača je organ smješten duboko u abdomenu. Proizvodi hormone, kao što je inzulin, te izlučuje enzime nužne za probavu. Upravo zbog anatomskog položaja simptomi su često nespecifični i pojavljuju se kasno. Kada stanice u gušterači steknu promjene u genetskom materijalu i počnu se nekontrolirano dijeliti, nastaje tumor. Najčešći oblik je duktalni adenokarcinom – često nazivan egzokrini rak gušterače – koji započinje u epitelnim stanicama kanalića. Rjeđi oblik je neuroendokrini tumor gušterače, kakav je imao i suosnivač Applea, preminuo u 56. godini. U svakodnevnoj praksi liječnici tragaju za znakovima bolesti na slikama i u laboratoriju, no rani stadiji znaju biti gotovo neprimjetni. Zbog toga je napredak koji donosi AI od iznimne važnosti za rak gušterače.

Što je točno donijelo novo istraživanje?

Istraživači su proveli retrospektivnu, proof-of-concept analizu s podacima više od 540 bolesnika s potvrđenim karcinomom i više od 730 kontrolnih ispitanika. Ukupno je korišteno više od 1 470 CT pregleda za razvoj i validaciju modela. Sustav je zamišljen kao računalno potpomognuta detekcija – CAD – sastavljena od dva ključna bloka: prvi je segmentation mreža koja locira gušteraču na slici, a drugi je ansambl od pet konvolucijskih neuronskih mreža – CNN – koje služe kao classifier i odlučuju postoji li rak gušterače na pregledu. Alat radi end-to-end, bez ručnog označavanja područja interesa i bez dodatne predobrade, što pojednostavljuje kliničku primjenu.

Prema autorima, model je postigao točnost od 91% u stvarnim, nacionalno prikupljenim podacima. Još je važnije da je pokazao solidnu osjetljivost za tumore promjera manjeg od 2 cm – upravo one koji najviše izmiču standardnoj radiološkoj procjeni. Takva izvedba sugerira da se uz potporu AI sustava može ranije uočiti rak gušterače, čime se smanjuje vjerojatnost da bolest u trenutku dijagnoze bude uznapredovala.

Kako AI gleda na CT slike?

Tehnički gledano, computer vision pristup ide od grubog prema finom. Najprije segmentation mreža, obično utemeljena na arhitekturama poput U-Net varijanti, označi volumetrijsko područje gušterače unutar cijelog abdomena. Time se modelu daje “karta” organa – prostor gdje je relevantno tražiti patološke promjene. Slijedi ansambl CNN mreža koje kao stručni konzilij procjenjuju ima li obrazaca tipičnih za rak gušterače: nepravilnih rubova, hipodenznih žarišta, promjena u okolnom masnom tkivu, proširenja kanalića i sličnih znakova. Višestruki classifier moduli smanjuju rizik od pogreške, jer se odluke preklapaju i kalibriraju.

Zašto je ansambl bitan? U medicinskim slikama varijabilnost je velika – način snimanja, kontrast, položaj pacijenta, postavke skenera. Jedan model može se “naviknuti” na specifičan stil podataka, ali ansambl različitih arhitektura i inicijalizacija poboljšava robusnost. Time se povećava vjerojatnost da će sustav pouzdano izdvojiti rak gušterače čak i kad su snimke dobivene različitim protokolima ili uređajima.

Mjesto u kliničkom workflowu

Najkorisnije je razmišljati o AI alatu kao o drugom paru očiju. Radiolog najprije pregleda cijeli abdomen, potom se fokusira na gušteraču. AI istovremeno radi u pozadini i označava sumnjiva područja koja zaslužuju dodatnu pozornost. Ako je alat uvježban na velikom i raznolikom datasetu, može “uhvatiti” suptilne indikatore koje je lako previdjeti u žurbi ili pri velikom broju pregleda. Time se za rak gušterače stvara dodatna sigurnosna mreža u svakodnevnom procesu rada.

Uloga radiologa ostaje središnja. Sustav je zamišljen kao pomoćnik, ne kao zamjena. Radiolog donosi konačnu odluku, uzimajući u obzir i povijest bolesti, laboratorijske nalaze, ultrazvuk, MR ili endoskopske postupke. Ipak, čak i jedan dodatni rani slučaj otkriven uz pomoć alata može značiti mnogo – rak gušterače je bolest u kojoj tjedni ponekad čine razliku.

Točnost, osjetljivost i ravnoteža rizika

U izvještaju je naglašena točnost od 91%. Važno je razumjeti što to znači u praksi. Točnost je udio svih ispravnih odluka među svim odlukama. No u medicini su jednako važni osjetljivost i specifičnost. Osjetljivost pokazuje koliki postotak bolesnih slučajeva sustav prepoznaje, dok specifičnost govori koliko je zdravih ispravno označeno kao zdravo. Za rak gušterače prioritet je visoka osjetljivost – ne propustiti rani tumor – ali prevelik broj lažnih alarma može opteretiti sustav i izazvati nepotrebnu zabrinutost. Zato se modeli često kalibriraju tako da neznatno “podebljaju” osjetljivost uz prihvatljivu razinu false positive ishoda, a ansambl pristup dodatno pomaže ravnoteži.

Još jedan važan aspekt je pouzdanost referentne istine – ground truth. U idealnom slučaju, oznake bi se temeljile na histopatološkoj potvrdi i konsenzusu više iskusnih radiologa. Kada je riječ o ranim, vrlo malim lezijama, standardizacija postaje izazov. Upravo tu dodatno pomaže dizajn s više mreža i dosljedna validacija na vanjskim skupovima podataka.

Što ovo znači za pacijente i liječnike?

Kada se u praksi uvede alat koji prepoznaje rak gušterače na CT snimkama ranije nego što bi to bilo uobičajeno, mijenja se niz koraka u skrbi. Pacijenti s nejasnim tegobama mogu brže dobiti jasniju procjenu rizika; multidisciplinarni tim može ranije planirati dodatne pretrage; kirurška procjena može se zatražiti pravodobno. U bolesti kao što je rak gušterače, u kojoj je smrtnost visoka, vremenski dobitak ima veliku vrijednost – čak i kada je konačna odluka i dalje na liječniku.

Potencijalne koristi u praksi

Rano označavanje sumnjivih područja na standardnim snimkama abdomena, čime se povećava vjerojatnost da će se uočiti rak gušterače u stadiju pogodnom za intervenciju.
Ujednačavanje kvalitete tumačenja među ustanovama s različitim iskustvom, jer AI uvodi standardizirane kriterije za rak gušterače.
Brži protok informacija u multidisciplinarnom timu – radiolog, gastroenterolog, onkolog i kirurg dobivaju ranije signale da je moguć rak gušterače.
Smanjenje dijagnostičkog “zamor” efekta kod velikog broja pregleda, uz dodatni sloj provjere za rak gušterače.
Pomoć pri odlučivanju koje pacijente uputiti na naprednije pretrage, primjerice MR ili endoskopsku ultrasonografiju, ako AI označi rizik za rak gušterače.
Mogućnost praćenja rizičnih skupina kroz vrijeme, gdje bi sustav iz pregleda u pregled pratio promjene relevantne za rak gušterače.
Jačanje dokumentacije kroz automatske izvještaje – uz slike bi se pohranjivale i karte vjerojatnosti za rak gušterače.

Ograničenja i stvarni izazovi

Unatoč impresivnim rezultatima, riječ je o retrospektivnom istraživanju. To znači da je model treniran i testiran na već prikupljenim podacima. Sljedeći korak su prospektivna ispitivanja – u realnom vremenu, u više centara – kako bi se potvrdilo da alat dosljedno detektira rak gušterače u različitim uvjetima. Također, iako sustav ne zahtijeva ručno označavanje, kvaliteta inicijalnih dijagnoza i patohistoloških potvrda i dalje je ključna. Svaka pogreška u oznakama može “naučiti” model pogrešnim obrascima.

Drugo, postoji pitanje generalizacije. Ako je dataset dominantno prikupljen iz nekoliko sličnih bolnica, model se može nesvjesno prilagoditi njihovim skenerima i protokolima. Za rak gušterače, koji se u ranoj fazi manifestira jedva vidljivim nijansama, i male razlike u kontrastu ili rekonstrukcijskim algoritmima mogu bitno utjecati na izvedbu. Zato je važno uključiti raznolike podatke, različite proizvođače uređaja i međunarodne skupove.

Treće, lažno negativni nalazi ostaju osjetljivi. Propustiti rani rak gušterače ima teške posljedice. Klinički timovi zato uvode zaštitne mehanizme: dvostruko očitanje, usmjerene konzultacije i dodatne pretrage kada klinička slika i dalje izaziva sumnju, bez obzira na AI procjenu.

Transparentnost modela i objašnjivost

Kako liječnik dobiva povjerenje u odluku “crne kutije”? Jedan pristup su karte važnosti (npr. Grad-CAM) koje vizualiziraju regije na koje je model obraćao pozornost. Ako je istaknuto područje anatomski smisleno – na primjer, dio parenhima s hipoenhanciranjem uz proširen kanal – radiologu je lakše prihvatiti da sustav doista detektira rak gušterače, a ne artefakt. Objašnjivost pomaže i u edukaciji mlađih liječnika, jer prikazuje koje obrasce vrijedi tražiti.

Sigurnost podataka i etička pitanja

Uvođenje AI sustava u kliničku svakodnevicu zahtijeva snažnu zaštitu privatnosti. Anonimizacija i siguran prijenos podataka standard su bez kojih se ne može. Za rak gušterače – kao bolest s visokom smrtnošću – pristanak pacijenata da se njihovi podaci koriste za poboljšanje alata može biti veći, no to ne umanjuje potrebe za jasnim pravilima, auditom i mogućnošću povlačenja podataka. Uz to, treba paziti da treniranje na jednom skupu bolesnika ne dovede do pristranosti prema određenoj dobnoj, spolnoj ili etničkoj skupini.

Integracija s postojećim sustavima

Da bi alat bio stvarno koristan, mora se neprimjetno uklopiti u bolnički informacijski sustav i PACS. To znači da će izvještaji sadržavati strukturirane elemente – npr. “vjerojatnost za rak gušterače: visoka/srednja/niska” – te snimke s označenim regijama interesa. Poželjno je i da se rezultati mogu pretraživati, kako bi se lakše provodile interne revizije i iterativno poboljšavanje modela. Automatizirana, ali pregledna integracija smanjuje otpor korisnika i skraćuje vrijeme potrebno da bi AI stvarno pomagao pri detekciji za rak gušterače.

Što pacijent može očekivati?

Za pacijenta je iskustvo jednostavno: standardni CT abdomena obavlja se kao i do sada. Razlika je u pozadini – snimke prolaze i kroz AI analizu. Ako sustav označi sumnjivo područje, radiolog će to uključiti u nalaz i, po potrebi, predložiti dodatnu obradu. Cilj nije stvaranje dodatne zabrinutosti, nego raniji i precizniji put do potvrde ili isključenja sumnje na rak gušterače. U slučaju da je nalaz uredan, informacija da je i automatizirana analiza negativna može dodatno smanjiti neizvjesnost.

Uloga multidisciplinarnog tima

Rak gušterače zahtijeva timski pristup – radiolog, gastroenterolog, onkolog, patolog i kirurg zajednički planiraju strategiju. AI im može poslužiti kao katalizator: jasniji vizualni prikaz žarišta, ranije sumnje i standardiziran jezik u nalazima potiču brže i preciznije odluke. Ako je, primjerice, AI označio dvije suspektne regije, tim može odlučiti koji je korak sljedeći – dodatni MR, EUS biopsija ili kirurška konzultacija – sve s ciljem da se potvrdi ili isključi rak gušterače s najmanje odgode.

Učenje kroz praksu: stalno poboljšavanje

Prednost machine learning sustava jest mogućnost da se s vremenom usavršavaju. Svaki novi potvrđeni slučaj, bilo rak gušterače ili benigno stanje, može pomoći u finoj prilagodbi modela. Međutim, to mora biti regulirano – s jasnim protokolom za prikupljanje i validaciju novih podataka, kako bi se održala kvaliteta i smanjio rizik od “drifta”. U praksi to znači periodične provjere izvedbe na vanjskim skupovima i transparentno izvještavanje o rezultatima.

Što ne smijemo očekivati od AI sustava

Važno je izbjeći pretjerana očekivanja. AI ne postavlja konačne dijagnoze i ne određuje terapiju. Također, ne može zamijeniti klinički kontekst – primjerice, gubitak tjelesne mase, novonastali dijabetes ili povišene vrijednosti određenih laboratorijskih markera. Za rak gušterače, najbolji ishodi postižu se kada AI bude dio šireg, pažljivo orkestriranog procesa koji uključuje i čovjeka i tehnologiju. U tom okviru, alat koji prepoznaje rane znakove može doslovno promijeniti tijek bolesti.

Zaključne misli o implementaciji u sustav

Iako su rezultati vrlo poticajni, svaka ustanova treba proći vlastitu “mini-validaciju”. To podrazumijeva testiranje na vlastitim slučajevima, usporedbu s povijesnim ishodima i definiciju praga pri kojem će AI alarm biti označen kao visok rizik za rak gušterače. Također, treba planirati edukaciju osoblja – od radiologa do tehničara – da se razjasni način na koji alat donosi odluke i koje su mu granice. Sustavno vođeni programi uvođenja smanjuju šum i povećavaju povjerenje.

Šira slika: što slijedi u slikanju abdomena

Razvoj alata za rak gušterače samo je dio većeg trenda. Slični modeli već pomažu u detekciji promjena u jetri, bubrezima, plućima i crijevima. Kako se povećava računalna snaga i dostupnost standardiziranih dataseta, očekuje se porast alata specifičnih za organe i indikacije. Kroz nekoliko godina moglo bi postati uobičajeno da svaki CT abdomena automatski dobije i izvještaj algoritma, s jasno označenim razlozima za i protiv sumnje na rak gušterače.

Bitne poruke iz rada

Sažeto, riječ je o alatima koji prepoznaju rak gušterače na standardnim snimkama uz visoku točnost; validirani su na velikom uzorku; rade bez ručnog označavanja i predobrade; i pokazuju potencijalnu korist upravo u ranijem otkrivanju manjih tumora. Buduća istraživanja trebaju potvrditi generalizaciju i utjecaj na stvarne ishode liječenja – no već sada je jasno da je integracija AI pristupa sve bliže rutinskoj klinici, s vidljivim učinkom na način na koji tražimo rak gušterače.