Model AI do wczesnej diagnostyki raka pęcherzyka żółciowego wykazuje wysoką dokładność w wieloośrodkowym badaniu
Naukowcy z PGIMER (Indie) opracowali i opublikowali w The Lancet Regional Health model sztucznej inteligencji, który analizuje standardowe filmy USG i z wysoką dokładnością wykrywa raka pęcherzyka żółciowego we wczesnych stadiach. Model jest dostępny bezpłatnie w formie aplikacji, co ma kluczowe znaczenie dla regionów o wysokim ryzyku zachorowania.
PARADOKS PERYFERII: Jak indyjska AI pokonuje diagnostykę tam, gdzie drogie systemy są bezsilne
[Sedno]: co naprawdę się dzieje
22 maja 2026 roku w The Lancet Regional Health – Southeast Asia ukazało się badanie, które odwraca wyobrażenie o tym, jaki powinien być „właściwy” system medycznej AI.
Zespół pod kierownictwem dr. Pankaja Gupty z PGIMER (Chandigarh) opracował model oparty na technologii multiple instance learning, który analizuje standardowe filmy USG i wykrywa raka pęcherzyka żółciowego. Bez drogich TK. Bez kontrastu. Bez specjalisty najwyższej klasy na miejscu.
Model przyjmuje na wejściu kilka obrazów USG jednego pacjenta (tak jak robi to radiolog w rzeczywistej praktyce) i wydaje jedną diagnozę – „rak” lub „nie rak” – wraz z oceną prawdopodobieństwa i podświetleniem tych obszarów obrazu, które wpłynęły na decyzję.
I kluczowe: Kartik Bose, informatyk w zespole, opracował bezpłatną aplikację desktopową, która jest już przekazywana do szpitali na żądanie.
Dlaczego to wydarzenie wykracza poza ramy „kolejnej publikacji o AI”?
Ponieważ to pierwszy przypadek, gdy system AI do diagnostyki raka na USG został zaprojektowany nie po to, by „pomóc ekspertowi w centrum”, ale by całkowicie zastąpić brak eksperta na peryferiach.
Chronologia i kontekst
2018 rok: Zespół Gupty rozpoczyna pracę nad projektem. Problem, który próbują rozwiązać, jest znany od dziesięcioleci: rak pęcherzyka żółciowego w północnych Indiach zabija, ponieważ jest wykrywany zbyt późno. Aparaty USG są w każdym szpitalu powiatowym. Radiologów zdolnych rozpoznać wczesne oznaki złośliwości – brak.
2022 rok: Najnowsze globalne dane GLOBOCAN: na świecie 122 491 nowych przypadków raka pęcherzyka żółciowego. Indie są na drugim miejscu po Chinach z 21 870 przypadkami. Ale ważniejsze od liczb bezwzględnych są wskaźniki standaryzowane: u indyjskich kobiet ASR wynosi 2,1 na 100 000. W stanach północnych – jeszcze wyżej.
Kwiecień 2026 roku: Publikacja badania w The Lancet Regional Health – Southeast Asia. Model zwalidowano na danych z czterech dużych szpitali w północnych Indiach.
22 maja 2026 roku: Wiadomość trafia do głównego nurtu mediów. Aplikacja staje się dostępna dla szpitali o znaczeniu krajowym.
Co pozostaje poza kadrem większości relacji: model oparty jest na technologii multiple instance learning (MIL). To nie klasyfikator pojedynczych obrazów, gdzie artefakt może oszukać algorytm. To system, który patrzy na zestaw obrazów jako całość i uczy się wykrywać wzorce rozrzucone po różnych klatkach – tak jak robi to ludzkie oko, przeglądając wideo.
Kto wygrywa, a kto przegrywa
Wygrywają (oczywiści):
- PGIMER i zespół Gupty. Instytut, który dotychczas był znany głównie w indyjskich kręgach akademickich, teraz wchodzi do światowego obiegu w dziedzinie AI w diagnostyce. Dr Pankaj Gupta staje się osobą, którą zaproszą na wszystkie duże konferencje o medycznej AI w latach 2026–2027.
- Szpitale peryferyjne i ich pacjenci. Na obszarach wiejskich północnych Indii, gdzie nie ma specjalisty zdolnego odróżnić wczesnego raka pęcherzyka żółciowego od przewlekłego zapalenia pęcherzyka na tle kamieni, pojawiło się narzędzie. I to bezpłatne.
- Kobiety w północnych Indiach. Rak pęcherzyka żółciowego jest najczęstszym nowotworem układu pokarmowego wśród kobiet w północnych Indiach. Zapadalność – 21 przypadków na 100 000 kobiet. Kamica żółciowa, która jest głównym czynnikiem ryzyka, występuje u 80% pacjentów z rakiem pęcherzyka żółciowego. To właśnie ta grupa odniesie największe korzyści z wczesnej diagnostyki.
Przegrywają:
- Producenci drogich systemów TK i MRI w Indiach. Im dokładniejsza staje się diagnostyka USG z pomocą AI, tym mniej skierowań na tomografię komputerową. Każde zapobiegnięte skierowanie to utracone 50–200 USD dla centrum diagnostycznego. W skali Indii – miliony dolarów.
- Zachodnie startupy AI próbujące wejść na rynek indyjski. Sprzedają rozwiązania za tysiące dolarów za licencję, często w subskrypcji. PGIMER rozdaje swoją aplikację za darmo. W segmencie wrażliwym na cenę peryferyjnej medycyny indyjskiej ten czynnik decyduje o wszystkim.
- Radiolodzy w małych miastach. Nie dlatego, że stracą pracę (i tak jest ich katastrofalnie mało), ale dlatego, że ich model biznesowy oparty na płatnych konsultacjach w zakresie interpretacji USG zostanie zakwestionowany. Aplikacja, która stawia diagnozę za darmo, dewaluuje usługę.
Czego media nie dopowiadają
Nieoczywisty insight nr 1: Darmowość aplikacji to genialny, ale bardzo ryzykowny ruch
Zespół PGIMER udostępnił aplikację za darmo. Wygląda to jak altruizm. W rzeczywistości to jedyny sposób, w jaki taki system może zostać wdrożony w indyjskich szpitalach państwowych, gdzie budżet na zakupy IT na poziomie szpitala powiatowego często nie przekracza 5 000–10 000 USD rocznie.
Ale darmowość ma też drugą stronę: kto zapłaci za wsparcie?
Aktualizacje modelu przy pojawianiu się nowych danych. Integracja z różnymi aparatami USG (a w Indiach są dziesiątki modeli różnych producentów). Wsparcie techniczne dla lekarzy, którzy nie są specjalistami IT.
Obecnie robi to zespół PGIMER za pieniądze z grantów. Ale granty się kończą. A system AI w medycynie nie może być „porzucony” – wymaga stałej kontroli jakości i aktualizacji.
Prawdopodobny scenariusz za 12–18 miesięcy: darmowa podstawowa wersja pozostaje, ale za rozszerzone funkcje (integracja z HIS, automatyczne wystawianie skierowań, zdalny audyt) będzie pobierana opłata. Albo pojawi się kontrakt państwowy z Ministerstwem Zdrowia Indii na skalowanie.
Nieoczywisty insight nr 2: Wybór raka pęcherzyka żółciowego nie jest przypadkowy. To idealny model do udowodnienia koncepcji „AI dla biednych”
Zespół Gupty nieprzypadkowo wybrał właśnie tę lokalizację.
Rak pęcherzyka żółciowego ma jasny, zrozumiały, „rutynowy” protokół diagnostyczny: USG → przy podejrzeniu → TK/MRI. Problem nie leży w braku technologii, ale w braku kwalifikacji na pierwszym etapie.
To idealna nisza, w której AI może zastąpić nie lekarza, ale brak lekarza. I dowód działa w każdym regionie świata z podobnym problemem – od obszarów wiejskich Bangladeszu (ASR 7,7 u kobiet – prawie 4 razy wyższy niż w Indiach) po odległe regiony Chile (ASR 7,4) i Boliwii (ASR 8,4).
Co więcej, z punktu widzenia medycyny opartej na dowodach to czysty model: binarny wynik (rak/nie rak), złoty standard weryfikacji (histologia po cholecystektomii lub biopsji), jasne kryteria włączenia.
Jeśli model wykaże wysoką czułość i swoistość w prospektywnych badaniach (a to kolejny etap, który zespół już planuje), będzie można go zaadaptować do innych rodzajów raka diagnozowanych za pomocą USG – raka jajnika, raka wątroby, raka trzustki.
Nieoczywisty insight nr 3: Dane przedkliniczne pokazują, że czułość jest jeszcze daleka od ideału
We wcześniejszej pracy tej samej grupy (2024 rok, Clinical and Experimental Hepatology) porównano dwie głębokie modele – GBCNet i MedViT – do klasyfikacji zmian w pęcherzyku żółciowym w niejednoznacznym USG.
Liczby były skromne: czułość GBCNet w wykrywaniu raka – 51,1%, swoistość – 83,3%, AUC – 0,709. MedViT wykazał czułość 92,8%, ale swoistość tylko 50%.
Oznacza to, że jeden model pomija połowę przypadków raka. Drugi daje fałszywe alarmy w połowie przypadków.
Badanie z 2026 roku w The Lancet Regional Health prawdopodobnie pokazuje lepsze wyniki (inaczej nie zostałoby opublikowane w takim czasopiśmie), ale szczegóły metryk w dostępnych źródłach nie są ujawnione. Bez publikacji pełnej macierzy błędów ocena rzeczywistej przydatności modelu do użytku klinicznego jest przedwczesna.
Prognoza: następne 30 dni i 90 dni
30 dni (do końca czerwca 2026):
- Fala zapytań ze szpitali. PGIMER już otrzymuje zapytania od „szpitali o znaczeniu państwowym” o otrzymanie aplikacji. W ciągu miesiąca liczba zapytań wzrośnie do dziesiątek. Pytanie, jak zespół poradzi sobie z dystrybucją i wstępnym szkoleniem bez wydzielonego personelu.
- Publikacja pełnych metryk. Spodziewaj się, że w najbliższych tygodniach sam Gupta lub niezależni analitycy ujawnią dokładne wskaźniki czułości, swoistości i AUC modelu z badania 2026. Jeśli czułość przekroczy 85% przy swoistości powyżej 80% – to poziom komercyjny. Jeśli niższe – pozostaje narzędziem niszowym do badań przesiewowych.
- Rozmowy z państwem. Ministerstwo Zdrowia Indii prawdopodobnie już wie o opracowaniu. Następne 30 dni pokaże, czy pojawi się oficjalny program pilotażowego wdrożenia w 5–10 szpitalach powiatowych. Budżet takiego pilota – od 500 000 do 1 mln USD na 12 miesięcy.
90 dni (do końca sierpnia 2026):
- Uruchomienie prospektywnego badania klinicznego. Zespół Gupty zapowiadał plany walidacji modelu w prospektywnych badaniach. Projekt: włączenie pacjentów z podejrzeniem raka pęcherzyka żółciowego, równoległe USG z interpretacją AI i niezależną weryfikacją (TK/MRI + histologia). Czas rekrutacji – 6–12 miesięcy, wyniki – nie wcześniej niż 2027.
- Integracja z procesami pracy USG. Obecna wersja to aplikacja desktopowa, do której trzeba ręcznie ładować obrazy. Następny krok – integracja bezpośrednio z aparatami USG. PGIMER już bada taką możliwość. Technicznie jest to trudniejsze i droższe, ale właśnie taki format sprawi, że technologia stanie się „niewidoczna” dla lekarza.
- Zainteresowanie ze strony organizacji międzynarodowych. WHO, Fundacja Billa i Melindy Gatesów, Bank Światowy – wszyscy są zainteresowani skalowalnymi rozwiązaniami do diagnostyki raka w warunkach niskich zasobów. Już w ciągu 90 dni mogą pojawić się wstępne kontakty dotyczące finansowania kolejnej fazy. Potencjalna wartość grantu – od 2 do 5 mln USD na 3 lata.
Główna prognoza:
Za 2–3 lata model PGIMER stanie się albo:
- (a) Narodowym systemem badań przesiewowych raka pęcherzyka żółciowego w Indiach – jeśli prospektywne badania potwierdzą skuteczność, a rząd przeznaczy budżet na skalowanie.
- (b) Biblioteką open-source dla medycznej AI w warunkach niskich zasobów – jeśli model nie osiągnie wymaganej dokładności, ale podejście MIL okaże się powtarzalne, a inne grupy zaczną je adaptować do swoich zadań.
W każdym razie PGIMER zrobił już to, czego nie udało się żadnemu zachodniemu uniwersytetowi ani korporacji: stworzył narzędzie AI do diagnostyki raka, które jest bezpłatne, działa na rutynowym sprzęcie i nie wymaga wysokich kwalifikacji operatora.
To właśnie w takich „nieładnych”, „niszowych”, „peryferyjnych” projektach – a nie w głośnych deklaracjach o wszechwidzącej AI – rodzi się prawdziwa medyczna rewolucja dla tych 4 miliardów ludzi na planecie, którzy nie mają dostępu do specjalistycznej diagnostyki.
PGIMER nie czekał, aż ktoś rozwiąże ich problemy. Wzięli ultradźwięk, dodali trochę uczenia maszynowego i za darmo oddali to tym, którzy tego najbardziej potrzebują. To właśnie jest medyczna AI w swoim najlepszym wydaniu.
— Editorial Team
