JAMA: Sztuczna inteligencja oparta na MRI z 94% dokładnością przewiduje przejście łagodnych zaburzeń poznawczych w chorobę Alzheimera w ciągu 5 lat
Uniwersytet Kalifornijski w San Francisco wyszkolił algorytm na danych 2000 uczestników. AI analizuje tempo atrofii w korze śródwęchowej i poziom amyloidu mózgowego na podstawie obrazów, bez konieczności nakłucia lędźwiowego.
Artykuł analityczny: Diagnostyka AI choroby Alzheimera na podstawie pojedynczego MRI – niszczyciel rynku skanerów PET i nakłuć lędźwiowych
[Istota]: co naprawdę się dzieje
Wiadomość z JAMA o modelu AI UCSF z 94% dokładnością przewidywania przejścia MCI w chorobę Alzheimera to nie tylko kolejny sukces sztucznej inteligencji w radiologii. To moment, w którym rozpada się wielomiliardowy rynek inwazyjnej diagnostyki. Ponieważ wcześniej, aby powiedzieć pacjentowi z łagodnymi zaburzeniami poznawczymi, czy będzie miał demencję za 5 lat, trzeba było wykonać albo nakłucie lędźwiowe (beta-amyloid i tau w płynie mózgowo-rdzeniowym), albo PET z znacznikiem amyloidu (koszt 3000-5000 USD). Teraz wystarczy zwykłe MRI, które kosztuje 500-1000 USD i jest dostępne w każdym szpitalu powiatowym.
Istota pracy opublikowanej 18 maja 2026 roku w Nature Aging polega na wielozadaniowej (multitask) głębokiej sieci neuronowej, która uczyła się jednocześnie na kilku zadaniach: segmentacja tkanek mózgu (istota szara, istota biała, płyn mózgowo-rdzeniowy), diagnoza choroby Alzheimera i prognoza wskaźników poznawczych na przyszłość. Kluczową innowacją jest to, że model nie wymaga wyjściowego testowania poznawczego, specjalistycznych potoków przetwarzania obrazów, PET, analizy genetycznej ani biomarkerów z krwi/płynu mózgowo-rdzeniowego. Wystarczy MRI + wiek, płeć, wykształcenie.
Co to oznacza w praktyce: dla 55 milionów ludzi na świecie żyjących z demencją (z czego 60-70% to choroba Alzheimera) pojawia się tani, szybki i nieinwazyjny screening. Dla systemu opieki zdrowotnej – możliwość wczesnego wykrycia pacjentów do badań klinicznych nowych leków (lekanemab, donanemab), które działają tylko we wczesnych stadiach. Dla producentów znaczników PET (Eli Lilly, GE Healthcare) – sygnał alarmowy.
Ale, jak zawsze, są niuanse. Naukowcy uczyli się na danych ADNI (Alzheimer's Disease Neuroimaging Initiative) – to złoty standard, ale nie rzeczywista praktyka kliniczna. W ADNI pacjenci są wyselekcjonowani według ścisłych kryteriów, MRI wykonano na jednolitych skanerach. W rzeczywistości aparaty MRI różnych producentów (Siemens, GE, Philips) dają różne kontrasty, a pacjenci mają choroby współistniejące (demencja naczyniowa, choroba Parkinsona), które mogą zmylić model. 94% dokładności to w idealnych warunkach badawczych. W rzeczywistości będzie 80-85%.
Chronologia i kontekst
Aby zrozumieć znaczenie tego wydarzenia, należy spojrzeć na ewolucję diagnostyki AI chorób neurodegeneracyjnych w ostatnich latach.
2022-2023: Pierwsze modele AI do prognozowania choroby Alzheimera wymagają danych multimodalnych – MRI + PET + genetyka + płyn mózgowo-rdzeniowy. Wykazują dokładność 85-90%, ale są niedostępne do masowego użytku ze względu na złożoność i koszt zbierania danych.
2024: Pojawiają się modele oparte na pojedynczym MRI, ale wymagają wyjściowego testowania poznawczego (MMSE, MoCA) – czyli pacjent i tak musi być zbadany przez neurologa lub neuropsychologa. W odległych regionach i krajach o niskich dochodach to luksus.
2025: Komercyjne rozwiązania AI dla radiologii (np. Aidoc, Viz.ai) zaczynają integrację modułów neuroobrazowania, ale żadne z nich nie prognozuje przyszłego pogorszenia poznawczego – tylko aktualną patologię.
Maj 2026: Zespół Ashisha Raja z UCSF publikuje w Nature Aging swój wielozadaniowy model. Dane: trening na 2000 uczestnikach ADNI, walidacja na zewnętrznej kohorcie Dallas Lifespan Brain Study. Wynik: model przewiduje nie tylko aktualną diagnozę i segmentację tkanek, ale także przyszłe wskaźniki poznawcze (za 2, 4, 6 lat) z błędem mniejszym niż 2 punkty w skali MMSE.
Czerwiec 2026 (bieżąca wiadomość): JAMA publikuje komentarz redakcyjny do tej pracy, podkreślając jej znaczenie kliniczne. To sygnał dla praktykujących lekarzy: diagnostyka AI choroby Alzheimera nie jest już teoretyczną możliwością, ale narzędziem gotowym do walidacji w rzeczywistej praktyce.
Poza chronologią pozostaje fakt, że przez te wszystkie lata nikt nie rozwiązał głównego problemu – wyjaśnialności (explainability). Dlaczego AI postawiło taką prognozę? Które obszary mózgu były najbardziej znaczące? Bez odpowiedzi na te pytania lekarz nie zaufa AI w decyzji o rozpoczęciu terapii lekanemabem (który kosztuje 26 500 USD rocznie i niesie ryzyko obrzęku mózgu). Autorzy Nature Aging twierdzą, że ich model ma „interpretowalność” dzięki pośredniemu zadaniu segmentacji tkanek. Ale „segmentacja” to nie wyjaśnienie związków przyczynowo-skutkowych. To po prostu mapa atrofii, którą neuroradiolog i tak widzi.
Kto wygrywa, a kto traci
Wygrywają systemy ubezpieczeniowe (Medicare, NHS, prywatni ubezpieczyciele). Obecnie diagnostyka choroby Alzheimera w USA kosztuje około 5000-10 000 USD na pacjenta (konsultacja neurologa + testy poznawcze + MRI + PET lub nakłucie lędźwiowe). Model AI UCSF może obniżyć ten koszt do 500-1000 USD (tylko MRI i uruchomienie modelu). Dla Medicare, która ubezpiecza 60 milionów starszych Amerykanów, to miliardy dolarów oszczędności rocznie.
Wygrywają twórcy terapii modyfikujących przebieg choroby (lekanemab od Eisai/Biogen, donanemab od Eli Lilly). Ich leki działają tylko we wczesnych stadiach, ale screening milionów pacjentów z MCI w celu wyselekcjonowania kandydatów do badań klinicznych kosztuje astronomicznie dużo. Z filtrem AI na podstawie jednego MRI koszt selekcji spadnie 5-10 razy.
Tracą producenci znaczników PET. Eli Lilly (Amyvid, Tauvid), GE Healthcare (Vizamyl), Life Molecular Imaging (NeuraCeq) sprzedają znaczniki amyloidu i tau PET za setki milionów dolarów rocznie. Jeśli lekarze zaczną używać AI-MRI zamiast PET do potwierdzania patologii amyloidowej (model UCSF ocenia atrofię w korze śródwęchowej, która dobrze koreluje z odkładaniem tau), popyt na znaczniki PET spadnie o 30-50% w ciągu 3-5 lat.
Tracą laboratoria wykonujące analizę płynu mózgowo-rdzeniowego na beta-amyloid i tau. Koszt jednej analizy to 500-1000 USD i wymaga inwazyjnej procedury. Żaden pacjent nie zgodzi się na nakłucie lędźwiowe, jeśli istnieje nieinwazyjna alternatywa o porównywalnej dokładności.
Pośrednio tracą neuropsycholodzy zarabiający na testowaniu poznawczym. Godzina sesji neuropsychologa kosztuje 200-400 USD. Model AI nie wymaga testowania w ogóle – tylko danych demograficznych. Dla wąskich specjalistów to utrata pracy. Dla systemu opieki zdrowotnej – oszczędność.
Czego media nie mówią
Insight pierwszy: Model nie odróżnia choroby Alzheimera od innych demencji – i to ogromny problem.
Praca została wytrenowana na danych ADNI, gdzie diagnoza „choroba Alzheimera” została postawiona na podstawie kryteriów klinicznych + amyloidowego PET. Ale w rzeczywistości istnieje demencja czołowo-skroniowa, demencja z ciałami Lewy'ego, demencja naczyniowa – wszystkie powodują atrofię w MRI, ale różne wzorce. Model UCSF może błędnie przewidzieć chorobę Alzheimera u pacjenta z demencją czołowo-skroniową, ponieważ nie ma danych do diagnostyki różnicowej.
Autorzy przyznają to w artykule, ale w komunikatach prasowych jest to pomijane. Piszą, że model można dostosować do choroby Parkinsona, ALS i Huntingtona. Ale adaptacja wymaga osobnego treningu na tysiącach pacjentów z tymi diagnozami. Nikt tego nie zrobił. Dlatego na razie model ma zastosowanie tylko do przesiewu w już wyselekcjonowanej populacji z podejrzeniem choroby Alzheimera (np. u pacjentów z MCI skierowanych przez neurologa).
Insight drugi: Walidacja na niezależnej kohorcie była, ale problem „różnych skanerów” pozostał.
Zewnętrzna walidacja została przeprowadzona na Dallas Lifespan Brain Study – to te same skanery 3T od Siemens i Philips, co w ADNI. Różnica w protokołach skanowania była minimalna. W rzeczywistej praktyce klinicznej pacjent może przyjść na MRI na aparacie GE Signa 1.5T (niższa rozdzielczość, inny kontrast), a model może działać gorzej.
Nikt nie testował modelu na danych z niskopolowych MRI (1.5T) ani na danych z artefaktami ruchu (a u starszych pacjentów są one bardzo częste). Adaptacja modelu (fine-tuning) do konkretnego typu skanera wymaga setek dodatkowych oznaczonych skanów, które kosztują pieniądze i czas. Bez tego masowe wdrożenie jest niemożliwe.
Insight trzeci: 94% dokładności to wskaźnik marketingowy. Rzeczywisty NPV (negative predictive value) może być niższy.
Co to jest 94% dokładności? To średnia między czułością (Sensitivity) a swoistością (Specificity). W artykule Nature Aging podano, że AUC (pole pod krzywą ROC) wyniosło 0.96. Ale w praktyce klinicznej ważne jest co innego: jeśli model mówi pacjentowi, że nie przejdzie w demencję – jak bardzo można temu wierzyć?
W populacji z MCI częstość przejścia w demencję w ciągu 5 lat wynosi około 30%. Przy 94% dokładności, jeśli model przewidział „nie przejdzie”, prawdopodobieństwo błędu (1 – NPV) wyniesie około 10-15%. Oznacza to, że co 7-10 pacjent, któremu powiedziano „wszystko będzie dobrze”, w rzeczywistości rozwinie demencję. Dla samego pacjenta to dramat. Dla systemu opieki zdrowotnej – 10-15% przeoczonych przypadków. To dużo.
Prognoza: następne 30 dni i 90 dni
Następne 30 dni:
Spodziewaj się oficjalnych oświadczeń producentów znaczników PET (Eli Lilly, GE Healthcare) o tym, że „AI-MRI nie może zastąpić amyloidowego PET z powodu braku bezpośredniej wizualizacji płytek amyloidowych”. To standardowy obronny ruch PR, ale odzwierciedla realne zaniepokojenie: ich model biznesowy jest zagrożony. Również w ciągu najbliższych 30 dni ukaże się co najmniej jedna praca replikacyjna od niezależnej grupy (prawdopodobnie z Europy, być może z UK Biobank), która sprawdzi model na innych danych. Jeśli wyniki okażą się gorsze (np. dokładność 88-90%), ochłodzi to entuzjazm.
Następne 90 dni:
Kluczowym momentem będzie wydanie lub niewydanie przez FDA wytycznych dotyczących walidacji modeli AI do prognozowania chorób neurodegeneracyjnych. Obecnie można uzyskać zgodę 510(k) dla „pomocy w diagnostyce”. Ale „prognoza na 5 lat do przodu” to zgłoszenie nowej klasy urządzeń. Jeśli FDA uzna ten model za „przełomowe urządzenie” (Breakthrough Device Designation), przyspieszy to jego drogę na rynek o 1-2 lata.
Również w perspektywie 90 dni – konferencja Clinical Trials on Alzheimer's Disease (CTAD) w grudniu 2026 roku. Zostaną tam przedstawione dane, czy ten model był używany do przesiewu pacjentów w obecnych badaniach klinicznych lekanemabu. Jeśli tak, i jeśli model pomógł zrekrutować pacjentów szybciej i taniej, stanie się to mocnym argumentem za komercjalizacją technologii.
I ostatnie: spodziewaj się ogłoszenia startupu, który uzyska wyłączną licencję na tę technologię od UCSF. Uniwersytet złożył już patent (przedmiot wynalazku – Ashish Raj i Daren Ma). Najprawdopodobniej powstanie firma (jak to było z Butterfly Network dla ultradźwięków czy Viz.ai dla udaru), która zaoferuje model jako usługę SaaS dla radiologów. Cena – około 50-100 USD za prognozę. Jeśli przejmą 10% z 5 milionów nowych pacjentów z MCI rocznie w USA i Europie, to 25-50 mln USD rocznego przychodu. Nie blockbuster, ale bardzo dobry biznes.
Zastrzeżenie: analiza oparta na danych z Nature Aging, komunikatów prasowych UCSF i JAMA. Prognozy odzwierciedlają opinię autora i nie są zaleceniem klinicznym.
— Editorial Team
