Detectarea metastazelor ganglionare optimizată printr-un sistem AI „plug-and-play” cu performanțe superioare

Cercetători de la Hong Kong University of Science and Technology (HKUST), în colaborare cu Guangdong Provincial People's Hospital și Harvard Medical School, au publicat în Nature Cancer un sistem de inteligență artificială numit PRET (Pan-cancer Recognition without Example Training) - primul sistem de analiză patologică ce utilizează conceptul de „învățare în context” (in-context learning) pentru a recunoaște multiple tipuri de cancer fără antrenament specific pe sarcina dată, folosind doar 1–8 imagini adnotate ca referință.
Studiul a fost publicat în Nature Cancer pe 3 aprilie 2026 și a demonstrat că PRET depășește metodele existente în 20 din 23 de sarcini benchmark internaționale, atingând o suprafață sub curba caracteristică de funcționare a receptorului de peste 97% în 15 din aceste sarcini.

Idei principale

• PRET este primul sistem de analiză patologică care introduce conceptul de „in-context learning” din procesarea limbajului natural în analiza imaginilor patologice - permițând modelului să se adapteze instant la noi tipuri de cancer și sarcini diagnostice prin simpla referire la 1–8 imagini adnotate, fără antrenament suplimentar.
• Sistemul a obținut aria de sub curbă de peste 97% în 15 din 23 de sarcini benchmark internaționale, cu o îmbunătățire maximă de 36,76% față de metodele existente.
• În sarcina extrem de dificilă de detectare a metastazelor ganglionare, PRET a atins aria de sub curbă de aproximativ 98,71% utilizând doar opt imagini de referință - depășind performanța medie a unui grup de 11 patologi, ale căror arii de sub curbă medii au fost de aproximativ 81%.
• PRET a obținut aria de sub curbă de 100% în screeningul cancerului colorectal și aria de sub curbă de 99,54% în segmentarea tumorală a carcinomului cu celule scuamoase esofagian.
• Sistemul a demonstrat generalizabilitate stabilă și robustă la populații și regiuni cu niveluri variate de resurse medicale - validat pe 23 de baze de date internaționale din China, SUA și Olanda, acoperind 18 tipuri de cancer și sarcini diagnostice variate.
• Spre deosebire de modelele convenționale, PRET nu necesită zeci de mii de imagini adnotate per tip de cancer și nu necesită reajustare fină costisitoare - reducând drastic costurile de implementare și extinzând aplicabilitatea în regiuni cu resurse limitate.

Despre studiu

Design și metodologie

PRET funcționează ca un sistem de diagnosticare „plug-and-play” (conectează și folosește): este primul sistem de analiză patologică care introduce conceptul de în-context learning din domeniul procesării limbajului natural în analiza imaginilor patologice cu lame histologice întregi (whole-slide images - WSI). Modelul a fost evaluat pe 23 de baze de date internaționale benchmark din instituții medicale din China continentală, SUA și Olanda, acoperind 18 tipuri de cancer și sarcini diverse - inclusiv screening, subtipare tumorală și segmentare tumorală. Setul de evaluare a cuprins 4.484 de imagini WSI.

Validare și generalizabilitate

Validarea pe populații și regiuni cu resurse medicale variate a demonstrat robustețea sistemului. Rezultatele de pe grupuri cu resurse medicale limitate au fost comparabile cu cele din centre de înaltă specializare, susținând potențialul PRET de a reduce inechitățile globale în diagnosticul oncologic.

Rezultate

Performanța generală

PRET a depășit metodele existente în 20 din 23 de sarcini benchmark internaționale. Aria de sub curbă a depășit 97% în 15 din acele sarcini - o performanță remarcabilă pentru un sistem care nu necesită antrenament specific pe sarcinile evaluate. Cea mai mare îmbunătățire față de metodele existente a fost de 36,76%.

Depășirea performanței patologilor în metastaze ganglionare

În detectarea metastazelor ganglionare - una dintre cele mai dificile sarcini în patologie - PRET a atins aria de sub curbă de aproximativ 98,71% utilizând doar opt imagini de referință, depășind semnificativ aria de sub curbă mediu de aproximativ 81% al unui grup de 11 patologi. Aceasta reprezintă prima demonstrație clară că un sistem AI poate depăși performanța umană la nivel de grup de experți în această sarcină specific dificilă.

Performanțe de top pe sarcini specifice

aria de sub curbă de 100% a fost atins în screeningul cancerului colorectal; aria de sub curbă de 99,54% în segmentarea tumorală a carcinomului cu celule scuamoase esofagian - ambele utilizând un număr minim de imagini de referință.

Implicații clinice

PRET ar putea reduce dramatic volumul de muncă al patologilor în contextul penuriei globale a specialiștilor și ar putea democratiza diagnosticul oncologic de precizie în regiunile cu resurse limitate. Pasul următor planificat de echipă este extinderea aplicațiilor la predicția mutațiilor genetice și evaluarea prognostică a pacienților - sarcini cu impact clinic direct. Implementarea presupune integrarea sistemului în fluxurile clinice existente și validarea sa prospectivă în medii reale de practică.

Concluzii

PRET este un sistem AI patologic „plug-and-play” care depășește metodele existente în 20 din 23 de sarcini benchmark internaționale, atingând performanțe de nivel clinic sau chiar supraumane - inclusiv depășirea performanței medii a 11 patologi în detectarea metastazelor ganglionare - fără a necesita antrenament pe date specifice sarcinii. Prin eliminarea barierelor de date masive și costuri ridicate de antrenament, PRET deschide calea spre un diagnostic oncologic AI accesibil, echitabil și scalabil la nivel global.