Przełom w diagnostyce obrazowej: jak AI przekształca skany CT w obrazy PET

Badania pozytonowej tomografii emisyjnej (PET) odgrywają kluczową rolę w wykrywaniu nowotworów i monitorowaniu ich progresji. Są jednak logistycznym wyzwaniem dla pacjentów i systemów opieki zdrowotnej. Wymagają kilkugodzinnego postu, wstrzyknięcia radioaktywnego materiału, długiego oczekiwania oraz konieczności unikania kontaktu z wrażliwymi grupami społecznymi po badaniu. Co więcej, ich dostępność jest ograniczona do dużych ośrodków miejskich ze względu na potrzebę bliskości cyklotronów, produkujących krótkotrwałe znaczniki radioaktywne.

W odpowiedzi na te wyzwania, spin-out z Uniwersytetu Oksfordzkiego, firma RADiCAIT, wyszła z ukrycia z imponującym finansowaniem pre-seed w wysokości 1,7 miliona dolarów. Ich innowacyjny pomysł opiera się na wykorzystaniu sztucznej inteligencji do konwersji znacznie bardziej dostępnych i przystępnych cenowo skanów tomografii komputerowej (CT) w obrazy PET. Jak podkreśla Sean Walsh, CEO RADiCAIT, chodzi o zastąpienie najbardziej skomplikowanych i kosztownych rozwiązań w radiologii tymi prostszymi i powszechniejszymi. Startup, jeden z 20 finalistów Startup Battlefield na TechCrunch Disrupt 2025, właśnie otworzył rundę finansowania na kwotę 5 milionów dolarów, aby przyspieszyć badania kliniczne.

Jak działa technologia RADiCAIT?

Kluczem do sukcesu RADiCAIT jest stworzony w 2021 roku na Uniwersytecie Oksfordzkim generatywny, głęboki model sieci neuronowej. Zespół badawczy, kierowany przez Regent Lee – współzałożyciela i Chief Medical Information Officera firmy – opracował algorytm, który uczy się, porównując pary obrazów CT i PET. Metoda polega na mapowaniu ich wzajemnych relacji i identyfikacji wzorców, które łączą strukturę anatomiczną z funkcją fizjologiczną – jak określa to Sina Shahandeh, główny technolog RADiCAIT. Model jest następnie szkolony, aby zwracać szczególną uwagę na konkretne cechy lub anomalie, co jest powtarzane wielokrotnie na różnych przykładach, by precyzyjnie identyfikować klinicznie istotne wzorce.

Końcowy obraz, który trafia do lekarzy, jest wynikiem współpracy kilku modeli. Shahandeh porównuje podejście RADiCAIT do AlphaFold Google DeepMind, które zrewolucjonizowało przewidywanie struktury białek. Obydwa systemy uczą się tłumaczyć jeden rodzaj informacji biologicznej na inny.

Sean Walsh twierdzi, że zespół RADiCAIT może matematycznie udowodnić, iż generowane przez AI obrazy PET są statystycznie równoważne z tradycyjnymi, chemicznymi skanami PET. Wyniki badań wskazują, że jakość podejmowanych decyzji diagnostycznych przez lekarzy jest taka sama, niezależnie od tego, czy korzystają z chemicznego PET, czy obrazu wygenerowanego przez sztuczną inteligencję.

Konsekwencje dla przyszłości diagnostyki medycznej

Technologia RADiCAIT nie ma na celu zastąpienia klasycznych skanów PET w specyficznych zastosowaniach terapeutycznych, takich jak radioligandowa terapia celująca w komórki nowotworowe. Jednak w przypadku diagnostyki, oceny zaawansowania choroby i monitorowania, rozwiązania RADiCAIT mogą sprawić, że tradycyjne badania PET staną się zbędne. „Istnieje niedobór podaży tradycyjnych badań PET w stosunku do zapotrzebowania na diagnostykę i teragnostykę” – zauważa Walsh, mając na myśli medyczne podejście łączące diagnostykę obrazową z ukierunkowaną terapią. Cel RADiCAIT to zaspokojenie tego zapotrzebowania diagnostycznego, pozostawiając PET-y do wykorzystania w zastosowaniach terapeutycznych.

RADiCAIT już rozpoczęło pilotażowe badania kliniczne, koncentrujące się na raku płuc, we współpracy z takimi systemami opieki zdrowotnej jak Mass General Brigham i UCSF Health. Aktualnie firma dąży do uzyskania zgody FDA na prowadzenie szerszych badań klinicznych, co wiąże się z większymi kosztami i jest głównym powodem obecnej rundy finansowania. Po uzyskaniu akceptacji, kolejne etapy obejmą komercyjne testy pilotażowe, mające na celu potwierdzenie rentowności produktu. RADiCAIT planuje również replikować ten proces – pilotaże kliniczne, badania kliniczne, pilotaże komercyjne – dla zastosowań w raku jelita grubego i chłoniakach.

Sina Shahandeh wskazuje, że podejście RADiCAIT do wykorzystywania sztucznej inteligencji do uzyskiwania wartościowych wyników bez uciążliwych i kosztownych testów jest „szeroko stosowalne”. „Badamy rozszerzenia na całą radiologię” – dodał Shahandeh. „Spodziewajmy się podobnych innowacji łączących dziedziny od materiałoznawstwa po biologię, chemię i fizykę, wszędzie tam, gdzie można odkryć ukryte związki natury.”