AI opdager prostatakræft i tidligt stadie, som patologer overser

Videnskabelige rapporter viser, at kunstig intelligens kan genkende skjulte morfologiske spor af tumorer i prostatabiopsie, som tidligere blev betragtet som godartede af en patolog. En dybdegående læringsmodel, der er trænet ved hjælp af den svagt overvågede tilgang, forudsagde, hvilke mænd med forhøjet PSA der ville udvikle klinisk signifikant prostatakræft (ISUP > 1) i de næste 30 måneder, og hvilke der ville forblive kræftfri i mindst 8 år. Dette åbner døren for tidlig risikostratificering umiddelbart efter en indledende "ren" biopsi og kan hjælpe med at beslutte, hvem der virkelig har brug for gentagne invasive procedurer og forbedret overvågning.

Baggrund for undersøgelsen

Primær nålebiopsi af prostata giver ofte falsk-negative resultater: en betydelig andel af klinisk signifikant kræft forbliver "off-screen", især med traditionel systematisk TRUS-biopsi. Indførelsen af MR-vejledning har øget andelen af klinisk signifikant kræftopdagelse og reduceret antallet af unødvendige gentagne procedurer, men selv med moderne strategier forbliver nogle aggressive tumorer uopdaget. Det kliniske dilemma forbliver det samme: hvem skal observeres efter en "ren" biopsi, og hvem skal henvises til en tidlig gentagen biopsi for ikke at forsinke diagnosen og ikke overbelaste patienter med invasive interventioner.

Det biologiske grundlag for at løse dette problem er TINT-fænomenet (tumor-instrueret/indikerende normalt væv): en tumor "rekonfigurerer" det omgivende tilsyneladende normale væv i organet og efterlader svage, men systematiske spor i dem - fra stromal ombygning og hypoxi til metaboliske ændringer. Disse ændringer er blevet beskrevet i eksperimentelle modeller og hos patienter med prostatakræft og korrelerer med tumoraggressivitet, hvilket gør "normalt" væv til en potentiel kilde til diagnostiske signaler, selvom der ikke er nogen åbenlyse kræftkirtler i biopsikernen.

Digital patologi og deep learning-metoder har til formål at udtrække sådanne "subtile" feltfunktioner fra standard H&E-snit. I modsætning til klassisk morfologi, som fokuserer på tydelige tumorstrukturer, kan algoritmer indfange distribuerede mønstre i stroma og epitel forbundet med tilstedeværelsen af en tumor i en anden del af organet. Dette åbner vejen for risiko for stratificering umiddelbart efter en negativ biopsi: en høj glas-"score" antyder, at en tidlig gentagelse af biopsien eller MR-vejledning er tilrådelig, mens en lav understøtter en mere skånsom observation.

Dette er ideen bag et nyt studie i Scientific Reports: Forfatterne har testet, om kunstig intelligens kan forudsige klinisk signifikant prostatakræft i de næste 30 måneder baseret på morfologiske signaler fra TINT-biopsier. Arbejdet bygger videre på en tidligere præsenteret preprint og danner et anvendt grundlag for implementeringen af digitale biomarkører i felten i patientruten efter en indledende "ren" biopsi.

Sådan blev det gjort: design, data, algoritme

Forfatterne indsamlede retrospektivt en kohorte på 232 mænd med forhøjet PSA og en initial konklusion på "benign" på nålebiopsi (efter teknisk kontrol blev 213 patienter og 587 snit inkluderet i den endelige analyse; biopsier 1997-2016, Umeå, Sverige). Hver patient blev matchet med et "spejl"-par efter alder, diagnoseår og PSA-niveau: halvdelen blev diagnosticeret med prostatakræft senere (≤30 måneder), den anden halvdel forblev kræftfri i mindst 8 år. H&E-slides blev digitaliseret (20×), skåret i 256×256 pixelfliser og ført til CLAM (Clustering-constrained Attention Multiple-Instance Learning) - et moderne svagt overvåget skema, hvor kun patientens skæbne er kendt, og ikke markeringen af hver pixel. Funktioner blev ekstraheret af ResNet18 præ-trænet på 57 histopatologiske datasæt. Endpointen er binær: lav risiko (benign/ISUP1) vs. høj risiko (ISUP2-5).

Forudsigelsesnøjagtighed

I en uafhængig test opnåede modellen en AUC på 0,81 på tværs af præparater og en AUC på 0,82 på patientniveau. Ved en tærskel, der gav en acceptabel balance, var sensitiviteten 0,92 med en falsk positiv rate på 0,32 (patientniveau). Med andre ord, blandt personer, hvis initiale biopsi "missede", markerede AI'en korrekt langt størstedelen af dem, der hurtigt fik bekræftet klinisk signifikant kræft, omend på bekostning af nogle falske alarmer. For klinikken er dette et signal: "godartet" biopsirespons ≠ nul risiko, og det kan stratificeres kvantitativt ved hjælp af digitalt glas.

Hvad er det præcis, AI "opmærker" i "normalt" væv?

Fortolkning via UMAP og opmærksomhedskort viste, at stromale ændringer er de mest informative:

• Mere kollagen i stroma (matrixkomprimering, "fibrose");
• Færre glatte muskelceller omkring kirtlerne;
• Mindre almindelige er subtile signaler i kirtelepitelet, sandsynligvis under den tilgængelige downsampling-opløsning.
  Dette mønster passer ind i TINT-konceptet (tumor-instrueret/indikerende normalt væv): selv "normen" i et organ, hvor en tumor er skjult, omkonfigureres under dens indflydelse og afviger fra "normen" i et organ uden en tumor. Kræft er ikke kun en nidus, men også et felt, og AI lærer at aflæse felteffekten.

Hvordan tilgangen er nyttig i praksis - potentielle scenarier

• Risikobaseret rebiopsi: høj AI-rate på "rent" glas - argument for tidlig rebiopsi eller MR-vejledning i stedet for at vente.
• Personalisering af overvågning: Lav hastighed opvejer angst efter "grænsetilfælde" af MR-scanning og muliggør moderation af overvågningsintensiteten.
• TINT-mønstertræning: Opmærksomhedskort og interaktive overlejringer hjælper patologer med at se subtile felter omkring kræft, hvilket forbedrer rapporternes konsistens.

Det er vigtigt at forstå begrænsningerne

Det er et enkelt center i det nordlige Sverige (overvejende kaukasisk befolkning), designet er retrospektivt, baseline-biopsierne blev udført uden MR-vejledning (systematiske TRUS-biopsier), og markørerne er fremtidige resultater snarere end "skjult tumor på samme slide". Der er endnu ingen ekstern validering på uafhængige centre/scannere, og der er heller ikke et prospektivt forsøg med algoritmens effekt på kliniske beslutninger og resultater. Andelen af falsk positive forbliver signifikant - modellen erstatter ikke lægen, men tilføjer et probabilistisk lag til fælles beslutningstagning.

Hvad er det næste: Implementeringsplan

• Multicenter ekstern validering (forskellige scannere, protokoller, etniske grupper).
• Prospektive beslutningsstudier: Ændrer AI-score patientens forløb (tid til diagnose, antal unødvendige gentagne biopsier, over-/underdiagnose).
• Integration med MR og klinik: kombinerede modeller (PSA, MR PIRADS, kliniske faktorer + TINT-score i henhold til H&E).
• Tekniske trin: standardisering af digitalisering, kontrol af datadrift, forklarlighed (opmærksomhedsoverlejringer for rutine).

Kilde: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C. m.fl. Opdagelse af tumor, der indikerer morfologiske ændringer i godartede prostatabiopsies ved hjælp af AI. Scientific Reports (Nature Portfolio), udgivet 21. august 2025. DOI: https://doi.org/10.1038/s41598-025-15105-6