Naukowcy z Uniwersytetu Jyväskylä stworzyli nowoczesne narzędzie wykorzystujące sztuczną inteligencję do analizy próbek tkankowych w celu diagnozowania raka jelita grubego. Nowy model sztucznej sieci neuronowej osiągnął lepsze wyniki niż dotychczasowe metody klasyfikacji. Co więcej, narzędzie udostępniono bezpłatnie, aby przyspieszyć postępy w badaniach nad rakiem.
Zespół badawczy składający się z ekspertów z Uniwersytetu Jyväskylä, Instytutu Biomedycyny Uniwersytetu w Turku, Uniwersytetu w Helsinkach oraz Szpitala Nova w Środkowej Finlandii opracował innowacyjne rozwiązanie bazujące na sztucznej inteligencji. Opracowany model przewyższył poprzednie technologie pod względem dokładności analizy mikroskopowych próbek tkanek nowotworowych.
„Na podstawie naszych badań, opracowany model jest w stanie rozpoznać wszystkie istotne kategorie tkanek związanych z identyfikacją raka z dokładnością na poziomie 96,74%” – mówi Fabi Prezja, doktorant na Uniwersytecie Jyväskylä. Tak wysoka skuteczność może znacząco poprawić efektywność pracy patologów i przyczynić się do szybszej diagnostyki.
W standardowej praktyce diagnostycznej analizy patologiczne wymagają ręcznego przeglądania cyfrowych zdjęć tkanek pobranych od pacjenta. Specjalista punkt po punkcie zaznacza obszary, w których widoczne są komórki nowotworowe i inne istotne elementy tkankowe. Dzięki opracowanemu narzędziu cały ten proces można zautomatyzować. Algorytm sztucznej inteligencji sam analizuje próbkę, identyfikuje struktury nowotworowe i podświetla obszary o różnych kategoriach tkankowych. To oznacza nie tylko oszczędność czasu dla lekarzy, ale także możliwość szybszego postawienia diagnozy oraz lepszego dostosowania leczenia do indywidualnego przypadku pacjenta.
Zespół badawczy zdecydował się udostępnić narzędzie badaczom na całym świecie, licząc na dalsze przełomowe odkrycia w onkologii. „Darmowa dostępność ma na celu przyspieszenie przyszłych odkryć poprzez zachęcenie naukowców i programistów do dalszej rozbudowy narzędzia oraz znajdowania dla niego nowych zastosowań” – wyjaśnia Prezja.
Mimo obiecujących wyników naukowcy podkreślają, że wprowadzenie narzędzi AI do standardowej praktyki klinicznej wymaga ostrożności i stopniowej implementacji. Zanim tego typu rozwiązanie zostanie powszechnie wdrożone w placówkach medycznych, musi przejść rygorystyczny proces walidacji, aby spełniać zarówno normy kliniczne, jak i regulacyjne. Dopiero po pełnym potwierdzeniu skuteczności i bezpieczeństwa może ono stać się standardowym narzędziem wspierającym lekarzy w diagnostyce nowotworów.
