Agencja Badań Medycznych Sztuczna inteligencja w wykrywaniu nowotworów, czyli czy komputer może pomóc lekarzowi? - Aktualne wydarzenia i informacje

Choroby nowotworowe stanowią jeden z największych problemów zdrowotnych na świecie. Wg raportu OECD z 2025 roku do najczęstszych z nich zalicza się m.in. nowotwory gruczołu krokowego, sutka, jelita grubego i płuc. Każdy z nich wiąże się z ogromnymi wyzwaniami we wdrażaniu skutecznego leczenia. Wynika to głównie z tego, że nowotwory trudno wykryć wcześnie oraz z tego, że różnią się między sobą miejscem powstania, tempem wzrostu, zdolnością do przerzutów oraz odpowiedzią na leczenie. W związku z powyższym konieczne jest opracowanie nowych, innowacyjnych metod wczesnego wykrywania zmian nowotworowych. Wykorzystanie narzędzi sztucznej inteligencji (ang. artificial intelligence, AI) stanowi alternatywne podejście do pokonywania tych wyzwań. Niemniej jednak dziedzina ta wciąż rozwija się w sektorze opieki zdrowotnej.

Historia i potencjał AI w onkologii

Historia rozwoju AI sięga 1950 roku, jednak jej rzeczywiste zastosowanie i dynamiczny rozwój w onkologii datuje się na początek XXI wieku (rysunek 1). Związany z nią znaczący postęp w ostatnich latach stworzył nowe możliwości w zakresie podejmowania decyzji opartych na danych. Ludzki mózg ma ograniczoną zdolność przetwarzania dużych ilości informacji w krótkim czasie. Barierę tę skutecznie pokonuje AI, które dzięki modelom matematycznym jest zdolne do naśladowania ludzkiej inteligencji poprzez uczenie się, rozumowanie i autokorektę. Co więcej, może w krótszym czasie identyfikować zależności i wzorce, których człowiek nie byłby w stanie dostrzec. W tym celu wykorzystuje się:

• uczenie maszynowe (ang. machine learning, ML) polegające na tworzeniu modeli, które uczą się na podstawie danych i podejmują decyzje lub przewidują wynik bez jawnego programowania reguł;
• sieci neuronowe (ang. neural networks, NN) – modele obliczeniowe inspirowane działaniem mózgu, złożone z połączonych neuronów, które przetwarzają informacje i uczą się wzorców na podstawie danych;
• głębokie uczenie (ang. deep learning, DL) – czyli wielowarstwowe NN umożliwiające automatyczne wydobywanie złożonych cech z dużych zbiorów danych;
• generatywną sieć przeciwstawną (ang. generative adversarial networks, GAN) – architekturę umożliwiającą naukę i generowanie realistycznych danych.

Dodatkowo rosnąca dostępność otwartych danych medycznych sprzyja rozwojowi aplikacji wykorzystujących AI do wykrywania i prognozowania nowotworów.

Rozwój AI w oparciu o klasyczne metody diagnostyczne nowotworów

AI umożliwia analizę wielowymiarowych danych patologicznych i genomicznych, a także pochodzących z badań obrazowych, tj. tomografia komputerowa (ang. computed tomography, CT), rezonans magnetyczny (ang. magnetic resonance imaging, MRI), pozytonowa tomografia emisyjna (ang. positron emission tomography, PET) czy ultrasonografia (ang. ultrasonography, USG). Wykorzystanie tych technologii w połączeniu z AI pozwala na dokładniejszą i szybszą ocenę zmian chorobowych, a tym samym umożliwia rozpoczęcie terminowego i skutecznego leczenia. Najnowsze osiągnięcia w tym zakresie dotyczą zarówno wykrywania, jak i różnicowania zmian łagodnych i złośliwych (tabela 1).

Tabela 1. Przykłady zastosowań sztucznej inteligencji (ang. artificial intelligence, AI) diagnostyce nowotworów (na podstawie Hosny i wsp., 2018).

Podsumowanie

Nowotwory stanowią chorobę wyjątkowo złożoną, obejmującą wiele wariantów genomowych. Współczesne badania coraz częściej koncentrują się na wykorzystaniu AI w połączeniu z genomiką, w szczególności w obszarach takich jak identyfikacja biomarkerów nowotworowych i diagnostyce nieinwazyjnej. Systemy oparte na AI mają duży potencjał w wykrywaniu zmian genomowych oraz zaburzeń komunikacji białkowej już na bardzo wczesnym etapie rozwoju choroby, a w połączeniu z wykorzystaniem metod obrazowych mogą stanowić szybkie, skuteczne i coraz bardziej niezawodne narzędzia wspierające diagnostykę i podejmowanie decyzji klinicznych w onkologii. Warto zaznaczyć, że AI pełni rolę wsparcia w procesie diagnostycznym i terapeutycznym, a nie zastępuje pracy lekarza. Wyniki generowane przez systemy AI wymagają zawsze oceny i potwierdzenia przez wykwalifikowanych specjalistów. Ostateczne decyzje dotyczące leczenia pacjenta pozostają zawsze w gestii lekarzy, którzy odpowiadają za ich właściwy dobór i bezpieczeństwo.

Bibliografia:

• Shastry KA, Sanjay HA. Cancer diagnosis using artificial intelligence: a review. Artificial Intelligence Review. 2022;55:2641–2673.
• Tiwari A, Mishra S, Kuo TR. Current AI technologies in cancer diagnostics and treatment. Molecular Cancer. 2025;24:159.
• Kumar Y, Gupta S, Singla R, Hu YC. A systematic review of artificial intelligence techniques in cancer prediction and diagnosis. Arch Comput Methods Eng. 2022;29(4):2043–2070.
• Alshuhri MS, et al. Artificial intelligence in cancer diagnosis: Opportunities and challenges. Pathol Res Pract. 2024;253:154996.
• Zhang C, et al. Novel research and future prospects of artificial intelligence in cancer diagnosis and treatment. J Hematol Oncol. 2023;16:114.
• Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500–510. doi:10.1038/s41568-018-0016-5.
• Khan S, et al. A review on the applications and implications of artificial intelligence and machine learning in oncology. Int J Comput Intell Syst. 2026.
• Luchini C, Pea A, Scarpa A. Artificial intelligence in oncology: current applications and future perspectives. Br J Cancer. 2022;126:4–9. doi:10.1038/s41416-021-01633-1.
• Hiwase K, Verma P, Zade N, Kumar P, et al. A review on the applications and implications of artificial intelligence and machine learning in oncology. Int J Comput Intell Syst. 2026;19:59. doi:10.1007/s44196-026-01164-8.
• Mitchell TM. Machine Learning. New York: McGraw-Hill; 1997.
• LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–444.
• Goodfellow I, Bengio Y, Courville A. Deep Learning. Cambridge: MIT Press; 2016.
• Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Generative adversarial nets. Adv Neural Inf Process Syst. 2014;27:2672–2680.
• Bulten W, Pinckaers H, van Boven H, et al. Artificial intelligence assistance significantly improves Gleason grading of prostate biopsies by pathologists. Mod Pathol. 2021;34:660–671. doi:10.1038/s41379-020-0640-y.
• Sanyal A, et al. Deep learning in histopathological image analysis for cancer detection: a systematic review. Diagnostics (Basel). 2023;13(16):2676. doi:10.3390/diagnostics13162676.
• Bhattacharya I, Khandwala YS, Vesal S, et al. A review of artificial intelligence in prostate cancer detection on imaging. J Med Imaging. 2022;14:17562872221128791. doi:10.1177/17562872221128791.
• Javaeed A, Schuh A. Artificial intelligence in breast cancer diagnosis: a systematic literature review. Camb Prism Precis Med. 2025;3:e7. doi:10.1017/pcm.2025.10006.
• Ardila D, Kiraly AP, Bharadwaj S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019;25(6):954–961. doi:10.1038/s41591-019-0447-x.
• Kiani A, Uyumazturk B, Rajpurkar P, et al. Prognostic models for hepatocellular carcinoma based on histopathology and deep learning. Nat Commun. 2020;11:5728. doi:10.1038/s41467-020-19358-0.
• Wang P, Berzin TM, Brown JRG, et al. Real-time automatic detection system increases colonoscopic polyp and adenoma detection rates: a prospective randomised controlled study. Gut. 2019;68(10):1813–1819. doi:10.1136/gutjnl-2018-317500.
• Kather JN, Krisam J, Charoentong P, et al. Predicting survival from colorectal cancer histology slides using deep learning: a retrospective multicenter study. PLoS Med. 2019;16(12):e1002730. doi:10.1371/journal.pmed.1002730.
• Chang K, Beers AL, Bai HX, et al. Automatic grading of gliomas using deep learning. Nat Med. 2018;24:1019–1025. doi:10.1038/s41591-018-0179-3.
• Khosravi P, Kazemi E, Imielinski M, et al. Deep convolutional neural networks enable discrimination of heterogeneous digital pathology in gliomas. Sci Rep. 2018;8:13547. doi:10.1038/s41598-018-31921-8.
• Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. doi:10.1038/nature21056.
• EOCD. 2025. Krajowe profile dotyczące nowotworów. European Cancer Inequalities Registry.

Autorka: dr Daria Urbańska