AI přesně předpovídá rakovinu mozku bez biopsie z PET/CT dat
V časopise Neuroradiology byla představena multimodální AI model založený na grafových neuronových sítích pro neinvazivní diagnostiku gliomů. Systém analyzuje PET/CT a s přesností >95 % předpovídá klíčové mutace (IDH, MGMT, 1p/19q).
Analytický přehled: Neuroradiogenomika na grafech – když AI vidí to, co chirurg nevidí
Autor: Nezávislý analytik v oblasti výpočetní diagnostiky a AI v onkoradiologii
Datum: 7. června 2026
Událost: Publikace v Neuroradiology (5. června 2026) studie mezinárodního týmu vedeného Abdallou A. (Univerzita Hafr-el-Batin, Saúdská Arábie) o multimodálním AI modelu pro neinvazivní predikci tří klíčových markerů gliomů – IDH, MGMT a 1p/19q – s využitím pouze CT a PET.
Zatímco venture kapitalisté nadále vlévají stovky milionů do sekvenování cirkulující nádorové DNA (ctDNA) pro diagnostiku rakoviny, tým ze Saúdské Arábie, Jordánska a Taifské univerzity udělal něco opačného. Dokázali, že odpověď na nejdůležitější otázku neuroonkologie – jaký je molekulární podpis nádoru dříve, než jej narušíme skalpelem – lze získat z rutinních CT a PET skenů s přesností srovnatelnou s invazivní biopsií.
Tento výsledek není jen další článek. Je to signál, že rozkvět „radiogenomiky“ již nastal a AI zde vystupuje ne jako pěkný bonus ke skeneru, ale jako plnohodnotná náhrada patologa. Model založený na grafových neuronových sítích (GNN) analyzuje nejen pixely, ale topologii vztahů uvnitř nádoru, odhaluje textury a metabolické „podpisy“, které člověk a klasická počítačová tomografie (bez AI) prostě nejsou schopni zachytit.
[Podstata]: co se skutečně děje
Nejde o „hádání“ rakoviny. Jde o předoperační dešifrování genetického pasu nádoru s třímilimetrovým prostorovým rozlišením. Autoři shromáždili bezprecedentní vzorek – 1472 pacientů ze čtyř mezinárodních center. To není 50–100 případů, na kterých se obvykle trénují startupy. To je industriální měřítko dat, které umožňuje hovořit o statistické významnosti.
Jak přesně to funguje? Vzali multimodální CT a PET, překryli je pomocí vlnkové transformace – algoritmu, který umí zvýraznit detaily různých měřítek, jako photoshopový filtr, ale matematicky rigorózní. Poté extrahovali tři vrstvy informací: 24 klinických parametrů (věk, pohlaví, příznaky), 3654 radiomických příznaků (tvar, textura, voxelové korelace) a 43 776 „hlubokých“ příznaků prostřednictvím tří architektur hlubokého učení: EfficientNet-B7, Swin Transformer a DINOv3.
Pak přichází kouzlo grafových neuronových sítí (GNN). Běžná konvoluční síť (CNN) se dívá na obraz jako na pravoúhlou mřížku pixelů. GNN se dívá na nádor jako na graf – sadu uzlů (různé části nádoru) a vazeb mezi nimi (jak moc je jedna část metabolicky podobná druhé). To umožňuje modelu zachytit heterogenitu – klíčový problém gliomů, kdy v jednom nádoru mohou být oblasti s různými mutacemi. Výsledek: IDH (isocitrátdehydrogenáza) je predikována s AUC > 0,96, MGMT (metylace promotoru – klíč k odpovědi na temozolomid) s AUC > 0,93 a 1p/19q (kodelece odlišující oligodendrogliom) s AUC > 0,95.
Časová osa a kontext
Kontext této studie sahá do let 2017–2018, kdy první práce v radiomice se pokoušely predikovat IDH1 z MRI s přesností kolem 0,80 AUC. Tehdy to vypadalo jako průlom. Nyní je Accuracy 85–90 % na MRI považována za základní úroveň.
Klíčový posun nastal v letech 2024–2025 s příchodem DINOv3 – architektury samoučení od Meta, která umí extrahovat sémanticky významné příznaky bez anotace. Autoři studie jako první aplikovali DINOv3 na fúzované CT/PET snímky. Datum přijetí článku v Neuroradiology – pravděpodobně březen–duben 2026, publikace 5. června.
Současně s tím, doslova měsíc před publikací, vyšla práce o HiPerfGNN (MICCAI 2026), která používala perfuzní MRI k predikci IDH a 1p/19q s AUC 0,96 a 0,89. A na arXiv v listopadu 2025 se objevila práce o zero-shot predikci IDH pomocí GPT-5, která vykázala accuracy 92 % na heterogenních kohortách. To znamená, že průmysl směřuje ke konvergenci: grafové sítě, LLM a radiomika splývají v jediný nástroj.
Kdo vyhrává a kdo prohrává
Vyhrává č. 1: Neurochirurgové a pacienti. Biopsie gliomu s sebou nese riziko krvácení (1–2 %), neurologického deficitu (až 5 %) a falešně negativních výsledků kvůli heterogenitě (jehla může zasáhnout špatnou oblast). Model pracující s CT/PET poskytuje „virtuální biopsii“ celého nádoru najednou. To je obzvláště kritické pro hluboko uložené nebo funkčně významné oblasti, kam chirurg bez krajní nutnosti nevleze.
Vyhrává č. 2: Výrobci PET radiofarmak specifických pro aminokyseliny. Studie používá rutinní PET, ale neupřesňuje, s jakým konkrétním tracerem (FDG? MET? FET?). Pokud se ukáže, že přesnost modelu kriticky závisí na metabolických signaturách transportu aminokyselin, výrobci [¹⁸F]FET a [¹¹C]MET získají nový trumf. Jde o trh o velikosti přibližně 500 milionů USD ročně, který by mohl při zavedení AI přístupu vzrůst na 2 miliardy USD.
Vyhrává č. 3: Pojišťovny (v zemích s platbou za výsledek). V USA se náklady na jeden léčebný cyklus glioblastomu s chirurgií, ozařováním a temozolomidem pohybují od 150 000 do 300 000 USD. Pokud AI diagnostika za 500–1000 USD může zabránit zbytečné biopsii (náklady 15 000–25 000 USD) nebo urychlit zahájení cílené terapie o 2–3 týdny, úspora pro systém bude obrovská.
Prohrává č. 1: Bioptické společnosti (Medtronic, Integra LifeSciences, Boston Scientific). Trh se systémy pro stereotaktickou biopsii mozku se odhaduje na 1,2–1,5 miliardy USD. Pokud se 30–40 % biopsií stane zbytečnými, segment se propadne. Samozřejmě ne zítra – regulátoři budou vyžadovat validaci – ale trend je zřejmý.
Prohrává č. 2: Laboratoře molekulární patologie žijící ze sekvenování bioptátů gliomů. Sekvenování jednoho vzorku gliomu (panel 50–100 genů) stojí 2000–5000 USD. Pokud se AI naučí poskytovat stejný výsledek bez tkáně, část tohoto trhu přejde do digitálu.
Co média neříkají
A teď to, o čem se v tiskových zprávách nepíše.
Ne zřejmý postřeh č. 1: Model byl trénován na CT/PET, nikoli na MRI, která je 10× citlivější pro měkké tkáně.
Je to vědomá volba a je geniální. MRI je drahá, pomalá, má spoustu kontraindikací. CT a PET jsou rutinou v každém onkocentru světa, včetně Afriky a jihovýchodní Asie. Tím, že autoři dokázali, že z CT/PET lze získat molekulární profil, vytvořili technologii škálovatelnou na globální úroveň. Ale co zamlčují: prostorové rozlišení CT pro mozkovou tkáň je asi 1–2 mm, zatímco heterogenita gliomu může být na úrovni 100–200 mikronů. Model „vyhlazuje“ mikroheterogenitu, což znamená, že může přehlédnout malé klony s rezistentními mutacemi. To není problém pro IDH, ale může to být problém pro MGMT.
Ne zřejmý postřeh č. 2: Grafová síť je způsob, jak obejít hlavní problém radiomiky – „slepou“ extrakci příznaků.
Klasická radiomika trpí tím, že z nádoru se extrahují tisíce příznaků, ale 90 % z nich je šum závislý na skeneru, protokolu a rekonstrukci. GNN pracující přes graf se zaměřuje na vztahy mezi voxely, které jsou více invariantní vůči hardwarovým rozdílům. To je klíčový technologický průlom, bez kterého by se model nezobecňoval na data z různých PET skenerů.
Ne zřejmý postřeh č. 3: Práce se zřejmě neobešla bez výpočetního clusteru úrovně >1 milion USD.
43 776 hlubokých příznaků ze tří architektur (EfficientNet-B7 má 66 milionů parametrů, Swin Transformer asi 88 milionů, DINOv3 300+ milionů) na 1472 pacientech – to je trénink vyžadující 8–16 GPU úrovně A100 nebo H100 po dobu několika týdnů. Autoři hardware neuvádějí, ale účet za cloudové výpočty (AWS/GCP) mohl činit 50 000–150 000 USD jen za trénink. Toto není „levná“ AI – je to industriální přístup.
Předpověď: následujících 30 dní a 90 dní
Následujících 30 dní (do 7. července 2026):
Očekávejte, že model bude reprodukován nejméně dvěma nezávislými skupinami: ze Stanfordu (mají přístup k datům a výpočetnímu výkonu, již publikovali přehled o multimodální AI pro gliomy) a z Drážďanské technické univerzity (zabývají se optovláknovou autofluorescencí a AI pro intraoperační diagnostiku a velmi potřebují předoperační „nápovědu“). Do konce června se na medRxiv objeví preprint s pokusem o validaci na nezávislé evropské kohortě.
Také očekávejte, že Siemens Healthineers a GE Healthcare do 30 dnů vydají tiskové zprávy, že „jejich AI platformy pro neurozobrazování již podobné funkce podporují“. To je standardní marketingová odpověď – přidat do prospektu nový slib.
Následujících 90 dní (do září 2026):
Nejdůležitější posun bude regulatorní. Autoři pravděpodobně již podali patentovou přihlášku prostřednictvím Technologického úřadu Univerzity Hafr-el-Batin (nebo prostřednictvím průmyslového partnera – jordánské společnosti? Neuvedeno). Do 90 dnů po publikaci bude založen startup pro komercializaci – pravděpodobně v Saúdské Arábii s vazbou na program Vision 2030 (biotechnologie je jednou z priorit). Seed kolo – odhadem 5–8 milionů USD od místních fondů (Saudi Aramco Entrepreneurship Center, Riyadh Valley Company).
Paralelně začnou jednání s FDA o statusu „Breakthrough Device“ pro předoperační diagnostiku gliomů bez biopsie. Data jsou silná, ale FDA bude chtít prospektivní studii, kde se AI predikce srovnává s biopsií u 200+ pacientů. Do září 2026 bude pravděpodobně podepsán protokol takové studie.
A poslední věc: Tchajwanský AItewan (již mají FDA 510(k) pro DeepBT Detector pro detekci nádorů na MRI) do 90 dnů oznámí partnerství s autory pro integraci GNN modelu do své platformy. Jejich současná verze detekuje nádory, ale neklasifikuje mutace. Přidáním této vrstvy získají produkt, který nemá na trhu obdoby.
Shrnutí: Tato studie není o „další AI“. Je o tom, že směřujeme k éře, kdy pacient s podezřením na gliom leží na CT/PET, za hodinu dostane nejen snímek, ale i kompletní molekulární profil, a neurochirurg jde na operační sál již s vědomím, jakou strategii zvolit – agresivní resekci nebo šetrnou biopsii s následnou chemoradiací. Bioptická jehla zatím zůstává zlatým standardem. Ale její dny jsou sečteny.
— Editorial Team
