AI a daganatok felismerésében

A Cell folyóiratban megjelent tanulmányban a kínai Wenzhou Medical University kutatói a daganatos betegségek felismerésének és kezelésének támogatására kifejlesztett új mesterséges intelligencia alapú modellt mutattak be. Az Oncoformer névre keresztelt eszköz longitudinális elektronikus egészségügyi adatokból – köztük laboreredményekből és vitális paraméterekből – valamint eseti jelleggel készült mellkasröntgen‑felvételekből tanul, és ezek integrált elemzésével képes a daganatok többféle klinikai jellemzőjét előre jelezni.

Az Oncoformer több mint 2,8 millió ember 11,9 millió adatából épült fel, majd független populációkban validálták. A modell képes az aktuális daganatos állapotok osztályozására: megkülönbözteti azokat a betegeket, akiknél egy éven belül diagnózis születik, előre jelzi a diagnóziskor várható stádiumot, modellezi a kezelés utáni tumordinamikát, és tíz daganattípus esetében becslést ad a kiújulásmentes túlélés kockázatára. Ha a módszert nagy, prospektív, randomizált vizsgálatokban is megerősítik, hozzájárulhat a személyre szabott, kockázatalapú onkológiai gondozás fejlesztéséhez.

A daganatok jelentős része ma is előrehaladott állapotban kerül felismerésre, amikor a kezelés hatékonysága már korlátozott. A betegség progressziójával a túlélési esélyek romlanak, és a terápiaválasztás gyakran empirikus döntéseken alapul. A szervspecifikus képalkotás költséges, sugárterheléssel jár, és nem alkalmas átfogó, több daganattípusra kiterjedő kockázatbecslésre, míg a többféle daganatot kimutatni képes vértesztek érzékenysége változó és ezek az eszközök drágák is. A jelenlegi MI‑modellek többsége egyetlen klinikai feladatra fókuszál, vagy olyan speciális adatokra támaszkodik, amelyek rutinszerűen nem feltétlenül állnak rendelkezésre. Ezért olyan módszerekre van szükség, amelyek széles körben elérhető adatokból képesek komplex, több szempontú értékelést adni.

Az Oncoformer multimodális keretrendszer a rutinszerűen gyűjtött elektronikus egészségügyi adatokat és a mellkasröntgen-felvételeket egyesíti. A modell fejlesztése a COMPASS‑Main adatbázison történt, amely több mint 2,8 millió személyt és közel 12 millió vizitet tartalmazott. A teljes, összevont adatállomány 3,67 millió résztvevőt és 17,75 millió egészségügyi vizit eredményét foglalta magában, köztük 347 940 daganatos beteget és több mint 3,32 millió nem daganatos kontrollt. A kontrollcsoportok olyan személyeket is tartalmaztak, akiknél ismert daganatos kockázati tényezők vagy társbetegségek álltak fenn. A modell teljesítményét a COMPASS‑Replication kohorszban és a brit UK Biobank adataival is ellenőrizték.

Az Oncoformer a longitudinális adatok elemzésével olyan rejtett mintázatokat azonosít, amelyek a daganat kialakulásával és előrehaladásával függnek össze. A modell képes az aktuális daganat státuszának meghatározására, egy éven belüli diagnózis előrejelzésére, a diagnóziskor várható stádium becslésére, a kezelés utáni tumormarkerek és képalkotó eredmények előrejelzésére, valamint a kiújulásmentes túlélés kockázatának rétegzésére.

Az eddigi alkalmazás eredményei azt jelzik, hogy a rutinszerű klinikai adatok – laborvizsgálatok, vitális paraméterek és mellkasröntgenek – olyan rejtett információkat hordozhatnak, amelyek a daganatok felismerésének, kezelésének és utánkövetésének több szakaszában is hasznosak lehetnek. A klinikai alkalmazás előtt azonban nagy, prospektív vizsgálatokra van szükség és további radiogenomikai, valamint biológiai validáció segíthet feltárni a modell által azonosított prediktív mintázatok molekuláris hátterét. Hosszabb távon ezek az eszközök hozzájárulhatnak a korai diagnózis javításához, a kockázat pontosabb rétegzéséhez és a személyre szabott terápiás döntéshozatal támogatásához.

Írásunk az alábbi közlemények alapján készült:

AI model predicts cancer diagnoses up to a year in advance using routine clinical data

Advancing cancer detection and treatment using longitudinal routine clinical data

Irodalmi hivatkozás:

Liu, F., Wang, K., Xu, H. et al. (2026). Advancing cancer detection and treatment using longitudinal routine clinical data. Cell. DOI: 10.1016/j.cell.2026.07.009, https://www.cell.com/cell/fulltext/S0092-8674(26)00807-X