AI dokładnie przewiduje raka mózgu bez biopsji na podstawie danych PET/CT
W czasopiśmie Neuroradiology przedstawiono multimodalny model AI oparty na grafowych sieciach neuronowych do nieinwazyjnej diagnostyki glejaków. System analizuje PET/CT i z dokładnością >95% przewiduje kluczowe mutacje (IDH, MGMT, 1p/19q).
Analiza: Neuroradiogenomika na grafach – gdy AI widzi to, czego nie widzi chirurg
Autor: Niezależny analityk w dziedzinie diagnostyki obliczeniowej i AI w onkoradiologii
Data: 7 czerwca 2026 r.
Wydarzenie: Publikacja w Neuroradiology (5 czerwca 2026) badania międzynarodowego zespołu pod kierownictwem Abdalli A. (Uniwersytet Hafr el-Batin, Arabia Saudyjska) dotyczącego multimodalnego modelu AI do nieinwazyjnego przewidywania trzech kluczowych markerów glejaków – IDH, MGMT i 1p/19q – przy użyciu wyłącznie CT i PET.
Podczas gdy venture capital nadal wlewa setki milionów w sekwencjonowanie krążącego DNA nowotworowego (ctDNA) do diagnostyki raka, zespół z Arabii Saudyjskiej, Jordanii i Uniwersytetu Taif zrobił coś przeciwnego. Udowodnili, że odpowiedź na najważniejsze pytanie neuroonkologii – jaka jest molekularna sygnatura guza, zanim go naruszymy skalpelem – można uzyskać z rutynowych skanów CT i PET z dokładnością porównywalną do inwazyjnej biopsji.
Ten wynik to nie tylko kolejny artykuł. To sygnał, że rozkwit „radiogenomiki” już nastąpił, a AI występuje tu nie jako ładny dodatek do skanera, ale jako pełnoprawny zamiennik patomorfologa. Model oparty na grafowych sieciach neuronowych (GNN) analizuje nie tylko piksele, ale topologię powiązań wewnątrz guza, ujawniając tekstury i metaboliczne „odciski”, których człowiek i klasyczna tomografia komputerowa (bez AI) po prostu nie są w stanie wychwycić.
[Sedno]: co się naprawdę dzieje
Nie chodzi o „zgadywanie” raka. Chodzi o przedoperacyjne odczytanie genetycznego paszportu guza z trzymilimetrową rozdzielczością przestrzenną. Autorzy zebrali bezprecedensową próbkę – 1472 pacjentów z czterech międzynarodowych ośrodków. To nie 50-100 przypadków, na których zwykle trenuje się startupy. To przemysłowa skala danych, która pozwala mówić o istotności statystycznej.
Jak to dokładnie działa? Wzięli multimodalne CT i PET, nałożyli je na siebie za pomocą transformacji falkowej – algorytmu, który potrafi wyodrębniać detale w różnych skalach, jak filtr w Photoshopie, ale matematycznie ścisły. Następnie wyekstrahowali trzy warstwy informacji: 24 parametry kliniczne (wiek, płeć, objawy), 3654 cechy radiomiczne (kształt, tekstura, korelacje wokseli) oraz 43 776 „głębokich” cech za pomocą trzech architektur głębokiego uczenia: EfficientNet-B7, Swin Transformer i DINOv3.
Następnie włącza się magia grafowych sieci neuronowych (GNN). Zwykła sieć konwolucyjna (CNN) patrzy na obraz jak na prostokątną siatkę pikseli. GNN patrzy na guz jak na graf – zbiór węzłów (różne obszary guza) i połączeń między nimi (jak bardzo jeden obszar jest podobny metabolicznie do drugiego). Pozwala to modelowi wychwytywać heterogeniczność – kluczowy problem glejaków, gdy w jednym guzie mogą znajdować się obszary z różnymi mutacjami. Wynik: IDH (dehydrogenaza izocytrynianowa) przewidywane z AUC > 0,96, MGMT (metylacja promotora – klucz do odpowiedzi na temozolomid) – z AUC > 0,93, a 1p/19q (kodelecja odróżniająca skąpodrzewiaka) – z AUC > 0,95.
Chronologia i kontekst
Kontekst tego badania sięga lat 2017-2018, kiedy pierwsze prace nad radiomiką próbowały przewidywać IDH1 na podstawie MRI z dokładnością około 0,80 AUC. Wtedy wydawało się to przełomem. Teraz dokładność 85-90% w MRI jest już uważana za poziom podstawowy.
Kluczowa zmiana nastąpiła w latach 2024-2025 wraz z pojawieniem się DINOv3 – architektury samouczenia od Meta, która potrafi wyodrębniać semantycznie istotne cechy bez adnotacji. Autorzy badania jako pierwsi zastosowali DINOv3 do fuzyjnych obrazów CT/PET. Data przyjęcia artykułu w Neuroradiology – prawdopodobnie marzec-kwiecień 2026 r., publikacja – 5 czerwca.
Równocześnie, dosłownie na miesiąc przed publikacją, ukazała się praca nad HiPerfGNN (MICCAI 2026), w której wykorzystano perfuzyjne MRI do przewidywania IDH i 1p/19q z AUC odpowiednio 0,96 i 0,89. A w arXiv w listopadzie 2025 r. pojawiła się praca nad zero-shot przewidywaniem IDH przez GPT-5, która wykazała dokładność 92% na zróżnicowanych kohortach. Czyli branża zmierza w kierunku konwergencji: sieci grafowe, LLM i radiomika łączą się w jeden narzędzie.
Kto wygrywa, a kto traci
Wygrywa nr 1: Neurochirurdzy i pacjenci. Biopsja glejaka wiąże się z ryzykiem krwotoku (1-2%), deficytu neurologicznego (do 5%) i wyników fałszywie ujemnych z powodu heterogeniczności (igła może trafić w niewłaściwą strefę). Model działający na CT/PET daje „wirtualną biopsję” całego guza od razu. Jest to szczególnie istotne w przypadku guzów głęboko położonych lub w obszarach funkcjonalnie ważnych, do których chirurg nie wejdzie bez konieczności.
Wygrywa nr 2: Producenci radiofarmaceutyków PET specyficznych dla aminokwasów. Badanie wykorzystuje rutynowe PET, ale nie precyzuje, z jakim znacznikiem (FDG? MET? FET?). Jeśli okaże się, że dokładność modelu krytycznie zależy od metabolicznych sygnatur transportu aminokwasów, producenci [¹⁸F]FET i [¹¹C]MET otrzymają nowy atut. To rynek o wartości około 500 mln USD rocznie, który może wzrosnąć do 2 mld USD przy wdrożeniu podejścia AI.
Wygrywa nr 3: Firmy ubezpieczeniowe (w krajach z płatnością za wynik). W USA koszt jednego cyklu leczenia glejaka wielopostaciowego z operacją, radioterapią i temozolomidem wynosi od 150 000 do 300 000 USD. Jeśli diagnostyka AI za 500-1000 USD może zapobiec niepotrzebnej biopsji (kosztującej 15 000-25 000 USD) lub przyspieszyć rozpoczęcie terapii celowanej o 2-3 tygodnie, oszczędności dla systemu będą ogromne.
Traci nr 1: Firmy bioptyjne (Medtronic, Integra LifeSciences, Boston Scientific). Rynek systemów do stereotaktycznej biopsji mózgu szacuje się na 1,2-1,5 mld USD. Jeśli 30-40% biopsji stanie się niepotrzebnych, segment się skurczy. Oczywiście nie jutro – organy regulacyjne będą wymagać walidacji – ale trend jest oczywisty.
Traci nr 2: Laboratoria patologii molekularnej żyjące z sekwencjonowania bioptatów glejaków. Sekwencjonowanie jednej próbki glejaka (panel 50-100 genów) kosztuje 2000-5000 USD. Jeśli AI nauczy się dawać ten sam wynik bez tkanki, część tego rynku przejdzie w cyfrę.
Czego media nie mówią
A teraz to, o czym nie piszą w komunikatach prasowych.
Nieoczywisty insight nr 1: model trenowano na CT/PET, a nie na MRI, które jest 10 razy czulsze dla tkanek miękkich.
To świadomy wybór i jest genialny. MRI jest drogie, wolne, ma mnóstwo przeciwwskazań. CT i PET to rutyna w każdym ośrodku onkologicznym na świecie, w tym w Afryce i Azji Południowo-Wschodniej. Udowadniając, że na podstawie CT/PET można uzyskać profil molekularny, autorzy stworzyli technologię, która skaluje się globalnie. Ale co przemilczają: rozdzielczość przestrzenna CT dla tkanek mózgu wynosi około 1-2 mm, podczas gdy heterogeniczność glejaka może być na poziomie 100-200 mikronów. Model „wygładza” mikroheterogeniczność, co oznacza, że może przeoczyć małe klony z mutacjami oporności. To nie problem dla IDH, ale może być problemem dla MGMT.
Nieoczywisty insight nr 2: sieć grafowa to sposób na obejście głównego problemu radiomiki – „ślepej” ekstrakcji cech.
Klasyczna radiomika cierpi na to, że z guza wydobywa się tysiące cech, ale 90% z nich to szum zależny od skanera, protokołu i rekonstrukcji. GNN, działając przez graf, skupia się na powiązaniach między wokselami, które są bardziej niezmienne względem różnic sprzętowych. To kluczowy przełom technologiczny, bez którego model nie uogólniałby się na dane z różnych skanerów PET.
Nieoczywisty insight nr 3: praca najwyraźniej nie obyła się bez klastra obliczeniowego o wartości >1 mln USD.
43 776 głębokich cech z trzech architektur (EfficientNet-B7 ma 66 mln parametrów, Swin Transformer – około 88 mln, DINOv3 – 300+ mln) na 1472 pacjentach – to trenowanie wymagające 8-16 GPU klasy A100 lub H100 przez kilka tygodni. Autorzy nie ujawniają sprzętu, ale rachunek za obliczenia w chmurze (AWS/GCP) mógł wynieść 50 000-150 000 USD tylko za trenowanie. To nie jest „tani” AI – to podejście przemysłowe.
Prognoza: następne 30 dni i 90 dni
Następne 30 dni (do 7 lipca 2026 r.):
Spodziewajcie się, że model zostanie odtworzony przez co najmniej dwie niezależne grupy: ze Stanforda (mają dostęp do danych i mocy obliczeniowej, już publikowali przegląd multimodalnego AI dla glejaków) oraz z Politechniki Drezdeńskiej (zajmują się autofluorescencją światłowodową i AI do diagnostyki śródoperacyjnej i bardzo potrzebują przedoperacyjnej „podpowiedzi”). Do końca czerwca na medRxiv pojawi się preprint z próbą walidacji na niezależnej europejskiej kohorcie.
Spodziewajcie się również, że Siemens Healthineers i GE Healthcare w ciągu 30 dni wydadzą komunikaty prasowe, że „ich platformy AI do neuroobrazowania już obsługują podobne funkcje”. To standardowa odpowiedź marketingowa – dodać nową obietnicę do prospektu.
Następne 90 dni (do września 2026 r.):
Najważniejsza zmiana będzie regulacyjna. Autorzy prawdopodobnie już złożyli wniosek patentowy za pośrednictwem Biura Technologicznego Uniwersytetu Hafr el-Batin (lub przez partnera przemysłowego – jordańską firmę? Nie ujawniono). W ciągu 90 dni od publikacji powstanie startup do komercjalizacji – przypuszczalnie w Arabii Saudyjskiej w powiązaniu z programem Vision 2030 (biotechnologia to jeden z priorytetów). Runda seed – orientacyjnie 5-8 mln USD od lokalnych funduszy (Saudi Aramco Entrepreneurship Center, Riyadh Valley Company).
Równolegle rozpoczną się negocjacje z FDA o status „Breakthrough Device” dla przedoperacyjnej diagnostyki glejaków bez biopsji. Dane są mocne, ale FDA będzie chciało prospektywnego badania, w którym przewidywanie AI porównuje się z biopsją u 200+ pacjentów. Do września 2026 r. prawdopodobnie zostanie podpisany protokół takiego badania.
I ostatnie: Tajwański AItewan (mają już FDA 510(k) dla DeepBT Detector do wykrywania guzów na MRI) w ciągu 90 dni ogłosi partnerstwo z autorami w celu integracji modelu GNN ze swoją platformą. Ich obecna wersja wykrywa guzy, ale nie klasyfikuje mutacji. Dodając tę warstwę, otrzymają produkt niemający odpowiednika na rynku.
Podsumowanie: To badanie nie dotyczy „kolejnego AI”. Chodzi o to, że zmierzamy w stronę ery, w której pacjent z podejrzeniem glejaka kładzie się na CT/PET, po godzinie otrzymuje nie tylko obraz, ale i pełny profil molekularny, a neurochirurg idzie na salę operacyjną już wiedząc, jaką strategię wybrać – agresywną resekcję czy oszczędzającą biopsję z następczą chemioradioterapią. Igła do biopsji na razie pozostaje złotym standardem. Ale jej dni są policzone.
— Editorial Team
