AI w diagnostyce czerniaka – analiza skuteczności i implikacje kliniczne

Czerniak skóry jest jednym z najbardziej agresywnych nowotworów złośliwych, którego wczesne rozpoznanie ma kluczowe znaczenie dla rokowania pacjenta. Pomimo postępów w diagnostyce dermatoskopowej oraz rosnącego doświadczenia klinicystów rozróżnienie zmian łagodnych od złośliwych wciąż stanowi istotne wyzwanie diagnostyczne. W ostatnich latach dynamiczny rozwój narzędzi opartych na sztucznej inteligencji (AI, artificial intelligence) otworzył nowe możliwości wspomagania procesu diagnostycznego w dermatologii onkologicznej.

Celem analizy, której wyniki trafiły na łamy „JAMA Dermatology”, było uzupełnienie istotnej luki w dostępnej literaturze, wynikającej z dominacji badań retrospektywnych, które – mimo obiecujących rezultatów – nie odzwierciedlają w pełni warunków codziennej praktyki klinicznej. Autorzy skupili się wyłącznie na badaniach prospektywnych, co pozwoliło na bardziej wiarygodną ocenę potencjalnej użyteczności AI w rutynowej diagnostyce.

Trzy modele diagnostyczne: człowiek vs AI vs człowiek i AI

Do analizy włączono 11 badań prospektywnych obejmujących ponad 2500 pacjentów oraz przeszło 50 dermatologów. Kryteria kwalifikacji obejmowały dorosłych pacjentów z podejrzeniem czerniaka, u których wykonywano ocenę dermatoskopową, a złotym standardem diagnostycznym była weryfikacja histopatologiczna. Analizowano trzy modele diagnostyczne: ocenę przeprowadzaną przez dermatologów, ocenę dokonywaną przez systemy AI (głównie oparte na konwolucyjnych sieciach neuronowych, CNN – convolutional neural networks) oraz ocenę dermatologów wspomaganych przez AI.

W badaniach uwzględniono kluczowe parametry diagnostyczne, takie jak czułość, swoistość oraz dokładność. Czułość odnosi się do zdolności testu do prawidłowego wykrywania przypadków choroby, natomiast swoistość określa zdolność do wykluczania choroby u osób zdrowych. Analiza jakości badań została przeprowadzona przy użyciu narzędzi QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies) oraz QUADAS-C, które wykazały obecność istotnego ryzyka błędu systematycznego, zwłaszcza w zakresie selekcji pacjentów oraz uproszczonych modeli klasyfikacji zmian skórnych.

Kiedy znamię to czerniak?– Znamiona same w sobie nie są niczym niepokojącym. Przeciętnie każdy z nas ma ich ok. 40, usuwanie wszystkich nie ma sensu, z wielu powodów. Dopiero wtedy, gdy z jakąś zmianą zaczyna się coś dziać – zmienia kolor, krwawi lub dzieje się z nią coś nietypowego, na przykład rośnie, ale dość gwałtownie, zauważalnie, zmienia swoją grubość lub kształt – trzeba pokazać ją specjaliście – mówi dermatolog dr Jarosław Czerniecki.    

Szczególnie interesujące są wyniki dotyczące współpracy człowieka z systemem AI. W jedynym badaniu uwzględniającym model wspomagany przez sztuczną inteligencję wykazano istotną poprawę parametrów diagnostycznych – czułość wyniosła 91,9 proc., a swoistość 83,7 proc. Sugeruje to, że AI może pełnić rolę narzędzia wspomagającego decyzje kliniczne (decision-support tool), zwiększając trafność diagnostyczną i potencjalnie ograniczając liczbę niepotrzebnych biopsji zmian łagodnych.

Czy systemy AI mogą już być samodzielnym narzędziem diagnostycznym?

Jednocześnie autorzy podkreślają istotne ograniczenia analizowanych badań. Znaczna heterogeniczność wyników, różnice w projektach badawczych oraz częste stosowanie uproszczonych, binarnych modeli klasyfikacji (zmiana łagodna vs złośliwa) ograniczają możliwość bezpośredniego przełożenia wyników na codzienną praktykę kliniczną. Ponadto wiele badań obejmowało wyselekcjonowane populacje pacjentów z wysokim prawdopodobieństwem czerniaka, co może zawyżać ocenę skuteczności diagnostycznej.

Z klinicznego punktu widzenia wyniki metaanalizy wskazują, że systemy AI osiągają porównywalny poziom skuteczności diagnostycznej do dermatologów, jednak ich największy potencjał ujawnia się w modelu współpracy z lekarzem. Integracja narzędzi opartych na sztucznej inteligencji z praktyką kliniczną może prowadzić do poprawy jakości diagnostyki, zwiększenia wykrywalności czerniaka we wczesnym stadium oraz optymalizacji ścieżek diagnostycznych.

Pomimo obiecujących wyników obecny stan wiedzy nie pozwala jeszcze na pełne wdrożenie systemów AI jako samodzielnych narzędzi diagnostycznych. Konieczne są dalsze badania prospektywne prowadzone w rzeczywistych, nieselekcjonowanych populacjach pacjentów, które uwzględniają złożoność kliniczną zmian skórnych oraz różnorodność manifestacji klinicznej czerniaka.

Przeczytaj także: „Czynniki ryzyka nawrotu miejscowego czerniaka – aktualizacja standardów nadzoru?”.