XXXVIII. Umělá inteligence v onkologii

31. SOFIA: END-TO-END SOFTWAROVÝ NÁSTROJ PRO KVANTITATIVNÍ HODNOCENÍ MRI SEKVENCÍ GLIÁLNÍCH NÁDORŮ VYVINUTÝ KLINIKEM POMOCÍ AGENTNÍHO AI –⁠ PROOF-OF-CONCEPT STUDIE

ŠLACHTA M.¹, HALAJ M.¹, ILČISKO M.¹, KALITA O.¹, KOŠÚT M.², BALÁŽOVÁ K.³, BURKOT O.³, HRABÁLEK L.¹

¹ Klinika neurochirurgie a spondylochirurgie, FN Olomouc, ² Radiologická klinika, FN Olomouc, ³ Oddělení biomedicínského inženýrství, FN Olomouc

Úvod a cíl: Volumetrické a 2D RANO 2.0 hodnocení gliomů zůstává pracné a v rutinní praxi obtížně implementovatelné. Agentní velké jazykové modely (LLM) potenciálně umožňují, aby lékař bez formální programátorské průpravy vytvořil klinicky použitelný software. Cílem bylo (1) vyvinout end-to-end nástroj (SOFIA –⁠ Segmentation, Oncology Follow-up and Imaging Analysis) od DICOM po strukturovaný report bez psaní kódu člověkem a (2) validovat jej proti referenčnímu měření neuroradiologa. Metody: SOFIA byla iterativně vytvořena neurochirurgem v přirozenojazyčném dialogu s modelem Claude Opus 4.6 (Anthropic, San Francisco, USA) ve 21 sezeních. Integruje klasifikaci MRI sekvencí, převod DICOM®NIfTI, rigidní koregistraci na T1CE, paralelní deep-learning segmentaci (Raidionics i nnU-Net v2), volumetrickou analýzu a 2D RANO 2.0 měření v bilingvním desktopovém grafickém rozhraní. Validační kohorta zahrnovala 40 pacientů s difuzním gliomem (29 glioblastomů, 8 astrocytomů WHO gr. 2, 3 oligodendrogliomy WHO gr. 2) × 3 MRI vyšetření (n = 120). Zaslepená RANO 2D měření neuroradiologa sloužila jako reference. Shoda byla hodnocena pomocí ICC (2,1) s 95% intervalem spolehlivosti, Linova konkordančního korelačního koeficientu (CCC), Bland-Altmanovy analýzy a párových DICE/Hausdorffových metrik. Výsledky: Vzájemná shoda obou segmentačních enginů byla v objemech excelentní napříč kompartmenty (Volume Whole ICC = 0,93; 95% CI 0,89–0,95; Volume Core ICC = 0,95; 0,93–0,96; CCC > 0,95). Shoda mezi radiologem a AI byla excelentní pro kontrastně sytící složku (RANO 2D CE SPD: ICC = 0,87; 95% CI 0,82–0,90). Voxelový DICE pro celou lézi činil 0,93 v základním vyšetření a 0,77 ve follow-up, zejména vlivem pooperačních a postradiačních změn. Přepočet FLAIR měření proti masce solidní složky –⁠ odpovídající tomu, co radiolog v rámci RANO 2.0 reálně měřil –⁠ aktuálně probíhá. Závěr: Klinik bez programátorské zkušenosti dokáže pomocí agentního AI vyvinout klinicky relevantní neuroonkologický nástroj (SOFIA), jehož objemová i 2D RANO shoda je srovnatelná se zkušeným neuroradiologem.

160. AI V ČASNÉM ZÁCHYTU KARCINOMU PLIC: ZKUŠENOSTI Z PROSPEKTIVNÍ ANALÝZY 190 000 RTG HRUDNÍKU Z ČR

ŠŤASTNÝ M.¹, KVAKOVÁ K.², DANDÁR J.³, OLEJKO J.⁴, KULTAN J.⁵, GEROLD J.⁶, KOTOUČOVÁ A.⁷, DVOŘÁČKOVÁ E.⁸, KVAK D.⁹

¹ Senior Scientific Advisor, Medicínské oddělení BMS Praha, ² Research Asistant, Carebot Praha, ³ Medical Data Manager, Carebot Praha, ⁴ Radiologická klinika, LF UP a FN Olomouc, ⁵ Klinika plicních nemocí a TBC v Olomouci, FN Olomouc, ⁶ Radiologické oddělení, Nemocnice Šumperk, ⁷ Oddělení radiologie a zobrazovacích metod, Nemocnice Benešov, ⁸ Radiodiagnostické oddělení, Oblastní nemocnice Kladno, ⁹ Co.founder, Chief Technology Officer, Carebot Praha

Úvod: Navzdory pokrokům v léčbě zůstává karcinom plic onemocněním s nepříznivou prognózou, zejména proto, že je 60–65 % pacientů diagnostikováno pokročilém klinickém stadiu. RTG hrudníku je nejčastěji používané iniciální zobrazovací vyšetření, avšak jeho senzitivita pro detekci časných plicních nádorů je omezená. Umělá inteligence (AI) může fungovat jako podpůrný nástroj ke snížení rizika přehlédnutí subtilních nebo atypicky lokalizovaných nálezů.

Metodika: V roce 2025 byl realizován prospektivní multicentrický projekt ve spolupráci Bristol Myers Squibb a české firmy Carebot. Do analýzy bylo zahrnuto 187 172 RTG snímků hrudníku vyšetřených v 9 nemocnicích v ČR v rámci běžné klinické praxe. Všechny snímky byly paralelně hodnoceny radiologem a CE certifikovaným AI softwarem Carebot (MDR IIa) integrovaným přímo do PACS systému. Hodnoceny byly plicní léze, atelektázy, konsolidace, pneumothorax, emfyzém, kardiomegalie a pleurální efuze. Navazující retrospektivní multireader studie zahrnula 249 vyšetření (44 potvrzených malignit, 40 suspektních případů čekajících na dovyšetření a 165 kontrol), která nezávisle hodnotilo 8 radiologů na „přítomnost plicní léze“. Výsledky: Během roku 2025 identifikoval AI systém 31 075 snímků (16,6 %) s plicní abnormalitou vyžadující zvýšenou pozornost. Z celkového souboru bylo 1 391 RTG snímků označeno jako podezřelé, přičemž u 316 (0,17 %) byla vyslovena možnost přítomnosti malignity. Celkem bylo za sledované 12měsíční období potvrzeno 88 primárních karcinomů plic, což odpovídá četnosti 0,47 případu na 1 000 RTG vyšetření, a dalších 99 případů čeká na dovyšetření. V multireader studii se senzitivita jednotlivých hodnotitelů pohybovala v rozmezí 77,3–95,5 % a specificita 83,0–97,6 %, což ukazuje, že přibližně každý desátý potvrzený maligní nález může být při rutinním čtení v riziku přehlédnutí. Závěr: Výsledky českého pilotního programu potvrzují, že AI asistované hodnocení RTG snímků hrudníku je v reálné klinické praxi technicky proveditelné a klinicky přínosné. Carebot AI funguje jako efektivní „další pár očí“ radiologa a snižuje riziko přehlédnutí časných, subtilních či maskovaných plicních nádorů, včetně lézí zachycených s časovým předstihem v řádu měsíců. V populaci s nízkou penetrací screeningových programů může incidentální diagnostika s podporou AI představovat významný doplněk strategií časné detekce karcinomu plic. Součástí prezentace budou ukázky incidentálních nálezů díky využití AI v reálné klinické praxi za běžného provozu.

251. NOVÉ MOŽNOSTI VYUŽITÍ AI V ONKOLOGII

RUSINKO M.

Klinika komplexní onkologické péče, MOÚ Brno

Množství nástrojů umělé inteligence (AI) a šíře jejího využití v klinické onkologii nebývale narůstá. Prudký vývoj AI systémů a nespočet publikovaných prací významně znesnadňují základní orientaci v možnostech jejich uplatnění. Přednáška nabízí metodické vodítko k systematickému přehledu základních typů vstupních dat v klinické onkologii a principech jejich zpracování pomocí AI. Pro každou klíčovou oblast je třeba mít představu o datech vstupujících do systému, jejich formě, způsobu zpracování a očekávanému výstupu včetně jasné přidané hodnoty, kterou daný AI systém přináší. Vymezené domény pokrývají klíčové klinické situace a dílčí diagnosticko-terapeutické procesy provázející společnou cestu pacienta a lékaře. Aktuální příklady publikovaných prací ilustrují dosažený pokrok a jsou účelově rozděleny do okruhů podle uvedených klíčových oblastí klinické onkologie: 1. Zobrazovací metody; 2. Histopatologie; 3. Radioterapie; 4. Laboratorní výsledky; 5. Genomika a transkriptomika; 6. Parametrická data ve zdravotnické dokumentaci; 7. Multimodální systémy klinického rádce; 8. Radiogenomika; 9. Zpracování přirozeného jazyka (NLP) ve zdravotnické dokumentaci; 10. Chatboty –⁠ konverzační velké jazykové modely (LLM). Napříč celým spektrem využití AI v onkologii je nezbytné reflektovat i regulační a legislativní rámec, který v těsném závěsu za rozvojem AI metod prochází v posledních letech zásadními změnami. Přední odborné společnosti na tyto potřeby pohotově reagují vydáváním doporučení pro využívání AI ve výzkumu i klinické praxi. Regulace, systematická edukace a metodické vedení zdravotníků v oblasti AI je tak nevyhnutelnou součástí rychle nastupující éry digitálního zdravotnictví.

253. KONVERZAČNÍ AI V RUKOU PACIENTŮ: PŘÍNOSY A SELHÁNÍ

ŘEHÁČEK M.

Fakulta informatiky, MU Brno

Pacienti se stále častěji obracejí na konverzační AI, jako je ChatGPT, které odpovídají bez dostatečných mechanizmů klinické bezpečnosti. Přitom pacient, který má v průběhu péče přístup ke kvalitním, bezpečným a srozumitelným odpovědím, může přicházet na konzultaci lépe připravený, s konkrétnějšími otázkami a aktivnější rolí v rozhodování o léčbě. Příspěvek vychází z hypotézy, že vhodně navržená AI může podpořit orientaci pacienta v léčbě, posílit jeho kompetence a současně přispět ke kvalitnější komunikaci mezi pacientem a zdravotníkem. Na základě analýzy 80 tisíc online pacientských dotazů a výzkumu bezpečně omezeného asistenta příspěvek ukáže, kde a proč současné konverzační AI selhávají: například v klinické bezpečnosti, emočně náročných situacích, personalizaci odpovědí nebo organizační navigaci systémem péče.

255. UMĚLÁ INTELIGENCE V DIGITÁLNÍ PATOLOGII: AKTUÁLNÍ STAV Z POHLEDU INFORMATIKA

BRÁZDIL T.

MU Brno

Zatímco se ještě nedávno pro každou diagnostickou úlohu vyvíjel samostatný model „na míru“, dnes se dominantním přístupem stávají tzv. foundation modely (základní modely), předtrénované na stovkách tisíc až milionech digitalizovaných histopatologických preparátů. Tento příspěvek se z pohledu informatika zaměřuje na rozpor mezi výzkumem a klinickou praxí, který tento posun přináší. Na datech z Masarykova onkologického ústavu, konkrétně na úlohách souvisejících s nádory prsu, ukážu, že využití foundation modelu vedlo k lepším výsledkům než přístup vyvíjený pro konkrétní diagnostickou úlohu, a to i při omezeném množství anotovaných dat. Vyšší výkonnost však není bez kompromisů. Většina současných foundation modelů není certifikována jako zdravotnický prostředek, jejich provoz klade vysoké nároky na výpočetní infrastrukturu a možnosti komerčního nasazení jsou omezené licenčními podmínkami. Cílem přednášky je ukázat, proč technologie, které dnes dosahují nejlepších výsledků v akademických benchmarcích, nemusí být těmi, které se prosadí v rutinní diagnostické praxi, a jaké otázky by si měl patolog položit dříve než začne výstupům těchto modelů důvěřovat.

256. UMĚLÁ INTELIGENCE V ANALÝZE MRI OBRAZŮ MOZKOVÝCH NÁDORŮ

KOZUBEK M.

Centrum analýzy biomedicínského obrazu, MU Brno

Centrum analýzy biomedicínského obrazu FI MU se v širší mezinárodní spolupráci dlouhodobě zabývá automatizovanou analýzou obrazů mozkových nádorů získaných zejména pomocí magnetické rezonance (MRI). Poslední dobou je takováto analýza vesměs založena na metodách umělé inteligence. Vstupní obrazy vesměs tvoří klasická čtveřice modalit T1, T2, T1 s kontrastní látkou a FLAIR, ale mohou být doplněny i další modality (např. IVIM či DTI). Pro jednoho pacienta může být k dispozici i více snímků v různých časech (longitudinální studie, zejména sledování po operaci, resp. radioterapii). Obrazy se nejprve musí předzpracovat (např. převést do jiného formátu, normalizovat, registrovat do stejného souřadného systému s převzorkováním na jednotnou velikost voxelů, event. anonymizovat odstraněním lebky). Při analýze se pak řeší různé druhy úkolů: 1) detekce patologie = rozlišení mezi zdravým a postiženým mozkem, 2) klasifikace mozkových nádorů = diferenciace druhu nádoru (gliom, meningiom, lymfom, metastáza apod.) a eventuálně i stupně (grade, např. low-grade gliom vs. high-grade gliom), 3) segmentace = ohraničení určitých částí mozku, konkrétně celé léze včetně edému i potenciální infiltrace rakovinných buněk, samotného jádra tumoru anebo sytící se složky tumoru po podání kontrastní látky a v pooperačních obrazech i kavity, 4) rozlišení mezi progresí, pseudoprogresí a normálním stavem v longitudinálních datech. Obrazy lze analyzovat v různém počtu dimenzí –⁠ po řezech (2D), v rámci malého okolí (2.5D) anebo plně v prostoru (3D). Datovou sadu je zapotřebí vyváženě rozdělit na trénovací a testovací. Analýzy lze provádět buď v rámci jedné nemocnice, anebo vytvářet univerzálnější řešení agregací poznatků z více nemocnic, což lze realizovat i bez shromažďování dat na jednom místě pomocí federovaného učení. Na přednášce budou shrnuty aktuální stav a zapojení CBIA v dané oblasti na národní i mezinárodní úrovni.

Daný výzkum je podporován Ministerstvem zdravotnictví (AZV projekty NU21-08-00359 a NU22-03-00159) a Ministerstvem školství, mládeže a tělovýchovy ČR v rámci velké výzkumné infrastruktury Czech-BioImaging (projekt LM2023050).

257. PREDICTONCO: AUTOMATICKÁ PREDIKCE VLIVU MUTACÍ NA FUNKCI PROTEINŮ V ONKOLOGII

BEDNÁŘ D.¹, DVORSKÝ J.¹, BORKO S.¹, KHAN R.¹, POKORNÁ P.², PLANAS-IGLESIAS J.³, MAZURENKO S.¹, ŠTĚRBA J.⁴, SLABÝ O.⁵, DAMBORSKÝ J.¹

¹ Loschmidtovy laboratoře, Přírodovědecká fakulta, MU Brno, ² Středoevropský technologický institut, MU Brno, ³ Loschmidtovy laboratoře, Přírodovědecká fakulta, MU Brno, ⁴ Klinika dětské onkologie,, LF MU a FN Brno, ⁵ Středoevropský technologický institut, Masarykova univerzita Brno

Nádorová onemocnění ročně zapříčiní více než devět milionů úmrtí a jejich složitost omezuje účinnost univerzálních terapií. Sekvenování nové generace (NGS) umožňuje detailní molekulární charakterizaci nádorů, avšak funkční interpretace velkého množství identifikovaných variant představuje zásadní překážku pro klinickou praxi. S cílem usnadnit rychlou a přesnou anotaci onkogenetických mutací jsme vytvořili volně dostupný a plně automatizovaný webový server PredictONCO. Nástroj nejprve modeluje trojrozměrnou strukturu mutovaného proteinu a následně kvantifikuje změnu jeho stability, fyzikálně-chemické vlastnosti vazebných kapes, evoluční konzervovanost a posuny v ionizaci katalytických aminokyselin. Tyto parametry slouží jako vstupní data pro klasifikátor založený na algoritmu XGBoost, jenž rozlišuje neutrální varianty od patogenních. Nezávislá validace potvrdila vysokou přesnost s plochou pod křivkou ROC (AUC) 0,97 predikcí založených na struktuře a 0,94 u sekvenčních predikcí. V závěrečné fázi PredictONCO provádí virtuální docking molekul schválených regulačními úřady (FDA/EMA) a vyhodnocuje, zda daná mutace ovlivňuje vazbu potenciálních léčiv. Výsledky jsou doplněny o informace z databáze UniProtKB a prezentovány v interaktivním grafickém rozhraní integrujícím strukturní, evoluční a farmakologická data. PredictONCO tak klinickým onkologům poskytuje konsolidovaný výstup z mnoha bioinformatických nástrojů i jejich výslednou interpretaci a podporuje rozhodování o cílených terapeutických strategiích. Nástroj je veřejně dostupný na https: //loschmidt.chemi.muni.cz/predictonco/.

Tento projekt byl financován Evropskou unií z programu Horizon Europe v rámci smlouvy o grantu č. 101136607 (projekt CLARA).