Nowa praca opublikowana w The Lancet eClinicalMedicine pokazuje, że sztuczna inteligencja może stać się tu bardzo praktycznym sojusznikiem – nie w roli futurystycznego lekarza z ekranu, lecz jako narzędzie poprawiające wykrywanie zmian i porządkujące pracę tam, gdzie liczy się skala i powtarzalność.
To szczególnie ważny temat, bo rak szyjki macicy wciąż pozostaje globalnym problemem zdrowotnym mimo tego, że należy do nowotworów, którym można bardzo skutecznie zapobiegać dzięki szczepieniom przeciw HPV, badaniom przesiewowym i leczeniu zmian przedrakowych. Według WHO w 2022 roku na świecie odnotowano około 660 tysięcy nowych przypadków i około 350 tysięcy zgonów z powodu tego nowotworu, a zdecydowana większość zgonów dotyczy krajów o niskich i średnich dochodach.
Czytaj też: Wiedza na temat nowotworów pozwala choć trochę oswoić lęk
Przesiew raka szyjki macicy przypomina trochę sortowanie ogromnej liczby igieł w stogu igieł. Większość próbek nie zawiera groźnych zmian, część zawiera niejednoznaczne sygnały, a niewielka, ale najważniejsza grupa wymaga szybkiego wychwycenia. Dobrze zaprojektowany system AI może działać jak dodatkowa warstwa czujności: nie zastępować ginekologa czy patomorfologa, lecz pomagać im szybciej wyłuskać przypadki, które wymagają większej uwagi.
AI nie wchodzi tu do gabinetu jako magia, tylko jako dodatkowa para bardzo cierpliwych oczu
Badanie dotyczy zastosowania AI w przesiewie raka szyjki macicy i koncentruje się na tym, czy takie narzędzie może poprawić skuteczność wykrywania istotnych zmian. Sedno nie polegało na popisowym “pokonaniu człowieka”, lecz na sprawdzeniu, czy algorytm daje realną korzyść w praktyce przesiewowej. Takie podejście jest akurat bardzo zdrowe, bo w medycynie najbardziej wartościowe innowacje rzadko wyglądają jak widowiskowy przewrót. Częściej przypominają ciche ulepszenie procesu, który i tak już istnieje, ale bywa przeciążony, nierówny jakościowo albo zwyczajnie zbyt wolny.
W przypadku przesiewu szyjki macicy taka dodatkowa warstwa analizy ma sens niemal podręcznikowy. Klasyczna ocena cytologii lub obrazów kolposkopowych wymaga doświadczenia, skupienia i powtarzalności. Człowiek bywa świetny, ale człowiek też się męczy, pracuje pod presją czasu i może różnić się oceną od innego specjalisty. AI nie ma intuicji klinicznej w ludzkim sensie, ale ma inną przewagę: potrafi przejrzeć ogromne liczby danych w ten sam sposób, bez spadku koncentracji po pięćdziesiątej czy setnej próbce. To trochę jak różnica między bardzo dobrym czytelnikiem a maszyną, która nigdy nie mruga i nie gubi linijki.
Właśnie dlatego ten kierunek jest ciekawy. Przy tak wielkiej liczbie kobiet objętych lub potencjalnie obejmowanych badaniami przesiewowymi każda poprawa czułości, selekcji i organizacji pracy może przekładać się na bardzo realne historie: mniej przeoczonych zmian, mniej opóźnień, szybsze kierowanie do dalszej diagnostyki. W nowotworach, które rozwijają się etapami, takie różnice potrafią ważyć więcej niż najbardziej efektowne nagłówki o zastosowaniu AI.
Rak szyjki macicy to przeciwnik, którego naprawdę da się wyprzedzić
To ważny kontekst, bez którego łatwo spłycić cały temat do technologicznej nowinki. Rak szyjki macicy nie pojawia się znikąd w ciągu jednej chwili. Najczęściej jest końcowym etapem procesu związanego z przewlekłym zakażeniem onkogennymi typami wirusa HPV, z którego wcześniej wyłaniają się zmiany przedrakowe. CDC przypomina, że niemal wszystkie przypadki raka szyjki macicy są związane z HPV, a regularny przesiew pozwala wykryć zarówno nieprawidłowości, jak i stany przednowotworowe, zanim dojdzie do rozwinięcia pełnoobjawowego nowotworu.
To sprawia, że ten nowotwór jest trochę jak pożar, który bardzo rzadko wybucha bez wcześniejszego dymu. Problem polega na tym, że ktoś ten dym musi w porę zobaczyć, właściwie ocenić i nie zlekceważyć. Jeżeli system przesiewowy działa nierówno, jeśli brakuje specjalistów albo jeśli jakość oceny zależy zbyt mocno od lokalnych warunków, to przewaga, którą daje biologia tego nowotworu, zaczyna się marnować. AI ma tu sens właśnie jako narzędzie wzmacniające wczesne dostrzeganie sygnałów, zanim staną się płomieniem.
WHO od kilku lat bardzo wyraźnie mówi o strategii eliminacji raka szyjki macicy jako problemu zdrowia publicznego. Kluczowe filary są trzy: szczepienia przeciw HPV, skuteczny przesiew i odpowiednie leczenie. Celem globalnym jest m.in. objęcie 70% kobiet badaniami przesiewowymi do 35. i 45. roku życia oraz zapewnienie leczenia 90% kobiet z rozpoznanymi zmianami przedrakowymi lub nowotworem. W tej układance AI nie zastępuje fundamentów. Ona może sprawić, że jeden z filarów zacznie działać sprawniej.
Największa obietnica AI nie leży w spektakularnej dokładności, tylko w skali
W podobnych tematach media bardzo lubią pytanie: czy sztuczna inteligencja jest lepsza od lekarza? To efektowne, ale zwykle niezbyt mądre. W realnym świecie ochrony zdrowia bardziej liczy się coś innego: czy system może pomóc lekarzom i laboratoriom pracować szybciej, równiej i z mniejszą liczbą przeoczeń. W przypadku raka szyjki macicy właśnie to może okazać się kluczowe, zwłaszcza w krajach i regionach, gdzie liczba specjalistów jest ograniczona, a obciążenie systemu ogromne.
Można to porównać do lotniska. Nikt rozsądny nie chce, żeby bezpieczeństwo zależało wyłącznie od maszyny albo wyłącznie od człowieka. Najlepiej działa układ, w którym automatyczny system przesiewa ogromny strumień danych, a ludzie skupiają się tam, gdzie sygnał jest najbardziej niepokojący albo niejednoznaczny. W przesiewie ginekologicznym podobna logika jest bardzo kusząca: AI może odsiać próbki wyglądające spokojnie, wyłapać te podejrzane i ułatwić specjalistom skupienie energii tam, gdzie naprawdę trzeba.
To może mieć szczególne znaczenie poza wielkimi, dobrze wyposażonymi ośrodkami. WHO zwraca uwagę, że największy ciężar raka szyjki macicy spoczywa na krajach o niższych zasobach systemowych. Jeśli AI rzeczywiście poprawia jakość przesiewu i daje bardziej powtarzalne wyniki, może okazać się nie tylko narzędziem wygody, ale też sposobem na zmniejszanie różnic między miejscami, które mają świetną infrastrukturę diagnostyczną, a tymi, które muszą działać w dużo trudniejszych warunkach.
Trzeba jednak uważać na jedno: AI w medycynie bywa tak dobra, jak dobre są jej dane i wdrożenie
Warto pamiętać, że żaden system AI nie jest automatycznie mądry tylko dlatego, że analizuje obrazy albo dane kliniczne. Jeśli algorytm był trenowany na zbyt wąskiej populacji, na zbyt jednorodnych obrazach lub w warunkach bardzo odległych od codziennej praktyki, może zacząć działać gorzej tam, gdzie najbardziej liczyliśmy na jego pomoc. To klasyczny problem medycyny cyfrowej: świetny wynik w kontrolowanych warunkach nie zawsze przekłada się na równie dobrą pracę w zwyczajnym, czasem chaotycznym systemie ochrony zdrowia.
Dlatego tak istotne są nie tylko same wskaźniki skuteczności, ale także pytania o walidację, różnorodność danych, możliwość wdrożenia i to, co dzieje się z przypadkami granicznymi. W przesiewie raka szyjki macicy najgorszym błędem nie byłoby przecież to, że system poprosi o dodatkową uwagę przy zbyt wielu próbkach. Najgorszy byłby przypadek, w którym uspokoi tam, gdzie powinien uruchomić alarm. Z tego powodu AI w tej dziedzinie powinna działać raczej jak bardzo dokładny filtr i wsparcie decyzji niż jak samotny arbiter.
To zresztą jedna z rzeczy, które lubię w sensownie opisywanych projektach medycznych z AI: kiedy nie obiecują zastąpienia klinicysty, tylko odciążenie go w dobrze określonym miejscu procesu. Medycyna jest za mało podobna do testu z odpowiedzią A, B, C, żeby oddać ją całkowicie algorytmom. Ale jest też zbyt przeciążona i zbyt nierówna jakościowo, by ignorować narzędzia, które mogą poprawić wykrywalność i organizację pracy.
