Изкуствен интелект разчита биопсии за цьолиакия точно колкото патолог

Модел от Университета в Кеймбридж поставя вярна диагноза в над 97 от 100 случая. Изследването е публикувано в NEJM AI.

4 септември 2026 г.

Оригинална новина: март 2025 г.Написана с помощта на AI

3 мин четене

Ръка в ръкавица държи стъклено предметно стъкло с оцветена тъканна проба пред скенер в патологична лаборатория.Илюстрация: Futuria

Алгоритъм от Университета в Кеймбридж разпознава цьолиакия по изображения от биопсия със същата точност като опитен патолог. Резултатите излязоха в списание NEJM AI.

Екипът обучи модела върху 3383 сканирани биопсии от четири болници. После го провери върху 644 проби от пета болница, която моделът не беше виждал по време на обучението. Там точността надхвърли 97 на сто. Чувствителността е над 95 на сто, а специфичността е близо 98 на сто.

Какво прави моделът и какво не прави

Моделът разчита сканирано предметно стъкло и класифицира пробата: има или няма увреждане, типично за цьолиакия. Дотук свършва работата му. Той не назначава лечение, не решава дали пациентът да мине на безглутенова диета и не заменя разговора с лекар. Диагнозата остава решение на клиничния екип, а моделът е само инструмент за разчитане на образа.

Защо разчитането на биопсия е трудно

Патолозите оценяват увреждането по скалата на Марш и Оберхубер, от нула при здрави вили до четири при напълно изгладена лигавица. Промените често са дребни, а оценката остава субективна. В самото изследване авторите отбелязват, че съгласието между двама патолози по една и съща проба пада до 70 на сто.

При сравнението с четирима специалисти патолог се съгласяваше с машината толкова често, колкото с друг патолог: 0,905 срещу 0,903 средно съвпадение.

Къде би помогнало това

Цьолиакията засяга около един на всеки сто души, а пътят до диагноза често отнема години. Лабораториите са претоварени, а в много страни патолозите просто не достигат. Ако инструмент отсее ясните случаи и остави спорните за човек, специалистите ще отделят времето си там, където е нужно. Авторите виждат най-голяма полза именно в системи с недостиг на кадри.

Какво още не знаем

Инструментът не се използва в рутинна практика. Следващата стъпка е проверка върху много по-голяма клинична извадка и чак след това подаване към регулатора. Втори проблем е преносимостта: моделът е тестван само върху една непозната болница, а модели, обучени в няколко центъра, често се представят по-слабо другаде. Авторите съобщават и по-ниска точност при пациентите между 10 и 19 години заради малкия брой проби. Отделно стои въпросът за отговорността при сгрешено разчитане. Накрая, числата за скорост, които обикалят по медиите, не присъстват в публикацията: нито статията в NEJM AI, нито съобщенията на Кеймбридж съдържат сравнение под минута срещу пет до десет минути на патолог.