Naukowcy z rosyjskiego Skoltechu i Uniwersytetu w Szardży nauczyli algorytm analizujący obrazy rezonansu magnetycznego mózgu zwracać uwagę na cechy medyczne, które znają lekarze. Dzięki temu sieć neuronowa skuteczniej wskazuje nietypowe zmiany w padaczce lekoopornej i stwardnieniu rozsianym. Wyniki opublikowano w materiałach konferencji MICCAI 2026 w Strasburgu.

Problem: choroba nie zawsze wygląda książkowo

Algorytmy komputerowej analizy obrazu radzą już sobie z rozpoznawaniem objawów obu chorób na zdjęciach medycznych. Mają jednak słabość: najlepiej wykrywają typowy obraz schorzenia. W padaczce lekoopornej często widać rozmycie granicy między istotą szarą a białą mózgu i właśnie to modele łapią bez trudu. Rzadszy wariant, w którym kluczowym sygnałem są niewielkie obszary o zwiększonej intensywności sygnału, bywa przez nie w dużej mierze pomijany.

Podobnie w stwardnieniu rozsianym: modele dobrze znajdują duże ogniska, ale często gubią te małe. Tymczasem w padaczce dokładne wskazanie miejsca zmiany jest potrzebne do zaplanowania operacji, a w SM pojawianie się nowych ognisk pozwala lekarzom ustalać lub zmieniać leczenie. Szacuje się, że około 30% przypadków padaczki to tzw. przypadki „MRI-negatywne” – lekarz nie widzi na obrazie śladów choroby, choć maszyna potrafi je dostrzec.

Jak działa nowe podejście

Standardowo w analizie obrazów medycznych stosuje się segmentację, czyli oznaczanie, które fragmenty obrazu to tkanka zdrowa, a które zmieniona chorobowo. Autorzy dodali do tego zadanie pomocnicze – klasyfikację. Model nie tylko zaznacza obszary patologiczne, ale też przypisuje im cechy: w której części mózgu się znajdują, czy podejrzane ognisko ma rozmyte granice i tym podobne. W efekcie sieć „uczy się” zwracać uwagę na cechy biomedyczne, a nie wyłącznie na układ pikseli.

Metodę sprawdzono na danych klinicznych. Skuteczność wykrywania zmian wzrosła o 2% w przypadku stwardnienia rozsianego oraz o 8 punktów procentowych w padaczce – z 72% do 80%. Nowy model potrzebował też o 30% mniej danych treningowych, by dorównać wynikom poprzedników.

Co na to autorzy

Główna autorka badania, Nadezhda Alsahanova, podkreśla, że celem jest zbliżenie pracy sieci do sposobu rozumowania lekarzy. W przyszłości model ma uzasadniać swoje wnioski w komentarzu, co zwiększy zaufanie do wyników. Maxim Sharaev, współkierujący laboratorium, powiedział: „Searching for small and atypical pathologies on MRIs is a critically important task, since missing them can cost patients the right treatment.”

Co to oznacza w praktyce

To na razie wyniki badawcze, a nie gotowe narzędzie do gabinetów. Zanim podobne rozwiązania trafią do szpitali, muszą przejść dalsze testy, a w Unii Europejskiej także procedury oceny jako wyroby medyczne, w tym oprogramowanie diagnostyczne wspierane przez AI. Takie systemy mają pełnić rolę pomocniczą: wskazać radiologowi miejsca warte ponownego obejrzenia, a decyzja nadal należy do lekarza.

Dla pacjentów z podejrzeniem padaczki lekoopornej czy SM największa nadzieja leży w tym, że drobne, łatwe do przeoczenia zmiany będą wychwytywane wcześniej. Może to ułatwić kwalifikację do leczenia, w tym operacyjnego. Interpretowalność wyników, czyli możliwość zobaczenia, dlaczego algorytm coś zaznaczył, jest tu równie ważna jak sama skuteczność, bo od niej zależy akceptacja takich narzędzi przez lekarzy.

Źródło: Medical Xpress – „Neural network spots previously missed epilepsy signs on brain MRIs”