Algorytmy AI stają się narzędziem transformującym onkologię na każdym etapie – od wykrywania przez leczenie po nadzór i badania. Eksperci podkreślają konieczność przedefiniowania infrastruktury medycznej oraz publicznych strategii dla onkologii. Sztuczna inteligencja jest już opłacalnym narzędziem systemów ochrony zdrowia. Skraca czas kwalifikacji pacjentów do badań klinicznych o 99 proc. oraz czas rozpoczęcie farmakoterapii – np. u pacjentów z rakiem wątroby do kilku tygodni od diagnozy. Algorytmy przewidują przemieszczenie się guza z submilimetrową dokładnością, redukują czas konturowania narządów o 65 proc. i przewidują ryzyko zachorowalności.
Sztuczna inteligencja poprawia skuteczność leczenia oraz racjonalizuje koszty systemu opieki zdrowotnej. Zastosowanie algorytmów komputerowych już obecnie jest głęboko osadzone w onkologii i dotyczy m.in obrazowania, planowania radioterapii, terapii systemowej, doboru terapii celowanych, immunoterapii, rekrutacji do badań klinicznych, a także odkrywania nowych leków. Wykorzystuje się głębokie uczenie (DL), szczególnie konwolucyjne sieci neuronowe (CNN), sieci transformatorowe oraz generatywne modele językowe (LLM), takie jak ChatGPT. Są to algorytmy zdolne do integracji, przetwarzania i analizy danych medycznych z dokładnością przekraczającą ludzką percepcję. Technologia ta może służyć jako narzędzie równoważenia dysproporcji zdrowotnych, racjonalizacji zasobów i przyspieszania rozwoju nowych terapii.
Przypadek kliniczny 63-letniej pacjentki z rakiem płuca niedrobnokomórkowego, u której sztuczna inteligencja rozpoznała subtelne zmiany w RTG, niedostrzeżone przez radiologa, opisano w artykule opublikowanym przez Amerykański Związek Onkologii Klinicznej autorstwa dr Arturo Loaiza-Bonilla i in. Sztuczna inteligencja zasugerowała obecność choroby w węzłach chłonnych mimo ich prawidłowego rozmiaru. Systemy analizujące obrazy PET/CT zidentyfikowały cechy charakterystyczne dla III stadium choroby, a zintegrowane algorytmy histopatologiczne przewidziały obecność mutacji EGFR wyłącznie na podstawie obrazu z barwienia histopatyczonego. Prognoza została następnie potwierdzona w badaniu molekularnym. Wyniki diagnostyki, wcześniej uzyskiwane po tygodniach pracy, były dostępne w ciągu niewielu godzin dzięki pełnej cyfryzacji ścieżki diagnostycznej. W patomorfologii meta-analiza WSI (Whole Slide Imaging) obejmująca 152 tysiące obrazów potwierdziła czułość sztucznej inteligencji na poziomie 96,3 proc., a swoistość na 93,3 proc. Technologia Immunoscore wspierana przez sztuczną inteligencję zwiększa precyzję określenia sposobu otaczania i wnikania do guza komórek układu odpornościowego organizmu. Pozwala na wykrywanie cech molekularnych, takich jak MSI (niestabilność mikrosatelitarna), bez konieczności wykonywania drogich testów genetycznych.
W obszarze radioterapii modele predykcyjne umożliwiają planowanie leczenia w czasie rzeczywistym oraz dostosowanie dawek do dynamicznych zmian anatomicznych. Modele głębokiego uczenia, zintegrowane z rezonansem magnetycznym (MR-Linac), przewidują przemieszczenia guza z dokładnością submilimetrową. Algorytmy zredukowały czas konturowania narządów o 65 proc., a systemy takie jak Varian Ethos i Elekta MOSAIQ skracają czas przygotowania planu terapeutycznego z godzin do kilku minut. W sytuacjach klinicznych, w których leczenie zależy od dokładnej lokalizacji i objętości guza – jak nowotwory płuca czy jamy brzusznej – precyzja sztucznej inteligencji może bezpośrednio przełożyć się na mniejsze toksyczności i wyższą skuteczność leczenia.
W personalizacji terapii algorytmy sztucznej inteligencji w przypadku raka jelita grubego pozwalają zidentyfikować pacjentów, którzy mogą bezpiecznie zrezygnować z chemioterapii uzupełniającej. W przypadku raka przełyku na podstawie danych z tomografii komputerowej algorytmy przewidują odpowiedź na leczenie neoadjuwantowe. Modele językowe dużej skali (LLM), takie jak GPT-4, osiągają zgodność z zaleceniami ekspertów na poziomie 86 proc. w doborze terapii w przypadku wczesnego raka piersi. W obszarze immunoterapii model LORIS, oparty na sześciu parametrach klinicznych (m.in. wiek, albuminy, TMB), przewyższył skutecznością predykcji tradycyjne biomarkery, takie jak PD-L1. Model MUSK z Uniwersytetu Stanforda, łączący dane patologiczne i tekstowe, skutecznie identyfikował pacjentów z rakiem płuca i przełyku, którzy odniosą korzyść z leczenia inhibitorami punktów kontrolnych.
Znacząco zmienia się także rola komputerowych modeli analitycznych w kwalifikacji pacjentów do badań klinicznych. W artykule omówiono przypadek gdzie zastosowanie algorytmu zwiększyło liczbę dopasowań pacjenta do badania klinicznego 1,82-krotnie, a czas potrzebny na dokonanie kwalifikacji skrócono o 99,9 proc. w porównaniu z metodą ręczną. Rozwiązania takie jak prescreening hubs i tzw. „just-in-time site activation” pozwalają otwierać ośrodki badań tylko wtedy, gdy identyfikowany jest pacjent spełniający kryteria. Inicjatywy takie jak Advanced Research Projects Agency for Health amerykańskiej federalnej agencji badawczej budują infrastrukturę dla zdecentralizowanych badań klinicznych, co znacząco zwiększa dostępność innowacyjnych terapii, szczególnie dla pacjentów z regionów o ograniczonych zasobach.
Sztuczna inteligencja przyspieszenia również odkrywanie nowych leków onkologicznych. Narzędzia takie jak AlphaFold radykalnie skracają czas potrzebny do oceny struktury białka – dla raka wątrobowokomórkowego udało się przewidzieć kandydatów do leczenia w ciągu kilku tygodni. Integracja danych molekularnych, struktur chemicznych i danych z rejestrów pacjentów pozwala szybciej podjąć decyzje o zatwierdzaniu terapii.
W zakresie wczesnego wykrywania nowotworów, modele analityczne wpłynęły na istotne zmiany w publicznych strategiach badań przesiewowych. W przypadku raka piersi, model MIT przewidział rozwój nowotworu u 31 proc. pacjentek, które zachorowały w ciągu 5 lat, w porównaniu z 18 proc. skutecznością tradycyjnego modelu Tyrer-Cuzick (p < 0,001). W USA model Google ograniczył liczbę wyników fałszywie dodatnich o 5,7 proc., a w Wielkiej Brytanii o 1,2 proc. Fałszywie ujemne wyniki ograniczono odpowiednio o 9,4 proc. i 2,7 proc. W randomizowanym badaniu przeprowadzonym w Szwecji sztuczna inteligencja pozwoliła na zmniejszenie obciążenia radiologów o 44,3 proc. przy zachowaniu skuteczności wykrywania raka. W przypadku raka płuca model Sybil opracowany przez MIT osiągnął 86–92 proc. skuteczność w przewidywaniu ryzyka rozwoju nowotworu w okresie rocznym, bez konieczności podawania danych demograficznych. W przypadku raka prostaty modele sztucznej inteligencji osiągają czułość sięgającą 100 proc. w biopsjach, a przy zastosowaniu MRI i sieci typu U-Net – 96 proc.
Autorzy artykułu wskazują, że kluczowe wyzwania technologicznej transformacji obejmują pozyskiwanie jakościowych danych, wyznaczenie poziomu standaryzacji, jak również zapewnienie transparentność algorytmów i bezpieczeństwa etycznego. Podkreślają wymóg przedefiniowanie pojęcia infrastruktury medycznej. Inwestycjom w sprzęt obrazowy i leki musi towarzyszyć system zdolny do przetwarzania i łączenia danych na skalę populacyjną.
