AI mendeteksi kanker prostat stadium awal yang terlewatkan oleh para ahli patologi

Scientific Reports menunjukkan bahwa kecerdasan buatan dapat mengenali petunjuk morfologi tersembunyi dari tumor dalam biopsi prostat yang sebelumnya dianggap jinak oleh ahli patologi. Sebuah model pembelajaran mendalam yang dilatih menggunakan pendekatan pengawasan lemah memprediksi pria mana dengan PSA tinggi yang akan mengembangkan kanker prostat yang signifikan secara klinis (ISUP > 1) dalam 30 bulan ke depan dan mana yang akan tetap bebas kanker setidaknya selama 8 tahun. Hal ini membuka pintu bagi stratifikasi risiko dini segera setelah biopsi "bersih" awal dan dapat membantu memutuskan siapa yang benar-benar membutuhkan prosedur invasif berulang dan pengawasan yang ditingkatkan.

Latar Belakang Penelitian

Biopsi jarum primer prostat seringkali menghasilkan hasil negatif palsu: sebagian besar kanker yang signifikan secara klinis tetap "tidak terdeteksi", terutama dengan biopsi TRUS sistematis tradisional. Pengenalan panduan MRI telah meningkatkan proporsi deteksi kanker yang signifikan secara klinis dan mengurangi jumlah prosedur pengulangan yang tidak perlu, tetapi bahkan dengan strategi modern, beberapa tumor agresif tetap tidak terdeteksi. Dilema klinisnya tetap sama: siapa yang harus diobservasi setelah biopsi "bersih" dan siapa yang harus dirujuk untuk biopsi ulang dini, agar tidak menunda diagnosis dan tidak membebani pasien dengan intervensi invasif.

Dasar biologis untuk memecahkan masalah ini adalah fenomena TINT (tumor-instructed/indicating normal tissue): tumor "mengkonfigurasi ulang" jaringan organ di sekitarnya yang tampak normal, meninggalkan jejak yang lemah namun sistematis di dalamnya - mulai dari remodeling stroma dan hipoksia hingga pergeseran metabolik. Perubahan ini telah dijelaskan dalam model eksperimental dan pada pasien kanker prostat dan berkorelasi dengan agresivitas tumor, yang menjadikan jaringan "normal" sebagai sumber potensial sinyal diagnostik, meskipun tidak terdapat kelenjar kanker yang jelas pada inti biopsi.

Patologi digital dan metode pembelajaran mendalam ditujukan untuk mengekstraksi fitur lapangan yang "halus" tersebut dari irisan H&E standar. Tidak seperti morfologi klasik, yang berfokus pada struktur tumor yang jelas, algoritma dapat menangkap pola terdistribusi dalam stroma dan epitel yang terkait dengan keberadaan tumor di bagian lain organ. Hal ini membuka jalan bagi stratifikasi risiko segera setelah biopsi negatif: "skor" kaca yang tinggi menunjukkan perlunya biopsi ulang dini atau panduan MRI, sementara skor yang rendah mendukung observasi yang lebih hati-hati.

Inilah ide di balik sebuah studi baru dalam Scientific Reports: para penulis menguji apakah AI dapat memprediksi kanker prostat yang signifikan secara klinis dalam 30 bulan ke depan berdasarkan isyarat morfologis dari biopsi TINT. Penelitian ini didasarkan pada pracetak yang telah dipresentasikan sebelumnya dan membentuk dasar terapan untuk implementasi biomarker digital "lapangan" dalam perutean pasien setelah biopsi "bersih" awal.

Bagaimana hal itu dilakukan: desain, data, algoritma

Para penulis secara retrospektif mengumpulkan kohort yang terdiri dari 232 pria dengan PSA tinggi dan kesimpulan awal "jinak" pada biopsi jarum (setelah kontrol teknis, 213 pasien dan 587 sayatan dimasukkan dalam analisis akhir; biopsi 1997-2016, Umea, Swedia). Setiap pasien dipasangkan dengan pasangan "cermin" berdasarkan usia, tahun diagnosis, dan kadar PSA: separuhnya didiagnosis kanker prostat kemudian (≤30 bulan), separuh lainnya tetap bebas kanker setidaknya selama 8 tahun. Slide H&E didigitalisasi (20x), dipotong menjadi petak piksel berukuran 256x256, dan dimasukkan ke dalam CLAM (Clustering-constrained Attention Multiple-Instance Learning) - sebuah skema modern dengan pengawasan lemah, di mana hanya nasib pasien yang diketahui, dan bukan penandaan setiap piksel. Fitur diekstraksi oleh ResNet18 yang telah dilatih sebelumnya pada 57 set data histopatologi. Titik akhirnya bersifat biner: risiko rendah (jinak/ISUP1) vs. risiko tinggi (ISUP2-5).

Akurasi prediksi

Dalam uji coba independen, model mencapai AUC 0,81 di seluruh slide dan AUC 0,82 di tingkat pasien. Pada ambang batas yang memberikan keseimbangan yang dapat diterima, sensitivitasnya adalah 0,92 dengan rasio positif palsu 0,32 (di tingkat pasien). Dengan kata lain, di antara orang-orang yang biopsi awalnya "gagal", AI dengan tepat menandai sebagian besar dari mereka yang segera terkonfirmasi menderita kanker yang signifikan secara klinis, meskipun dengan risiko beberapa alarm palsu. Bagi klinik, ini merupakan sinyal: respons biopsi "jinak" ≠ risiko nol, dan dapat distratifikasi secara kuantitatif dengan kaca digital.

Apa sebenarnya yang “diperhatikan” AI pada jaringan “normal”?

Interpretasi melalui UMAP dan peta perhatian menunjukkan bahwa perubahan stroma adalah yang paling informatif:

• Lebih banyak kolagen di stroma (pemadatan matriks, “fibrosis”);
• Lebih sedikit sel otot polos di sekitar kelenjar;
• Sinyal-sinyal halus pada epitel kelenjar kurang umum, kemungkinan di bawah resolusi downsampling yang tersedia.
  Pola ini sesuai dengan konsep TINT (tumor-instructed/indicating normal tissue): bahkan "norma" pada organ tempat tumor tersembunyi pun dikonfigurasi ulang di bawah pengaruhnya dan berbeda dari "norma" pada organ tanpa tumor. Kanker bukan hanya nidus, tetapi juga medan, dan AI belajar membaca efek medan tersebut.

Bagaimana pendekatan ini berguna dalam praktik - skenario potensial

• Biopsi ulang berbasis risiko: tingkat AI tinggi pada kaca "bersih" - argumen yang mendukung biopsi ulang dini atau panduan MRI alih-alih menunggu.
• Personalisasi pemantauan: Kecepatan rendah mengimbangi kecemasan setelah MRI “batas” dan memungkinkan moderasi intensitas pemantauan.
• Pelatihan pola TINT: Peta perhatian dan hamparan interaktif membantu ahli patologi melihat medan halus di sekitar kanker, meningkatkan konsistensi laporan.

Penting untuk memahami keterbatasannya

Pusat ini merupakan satu-satunya di Swedia utara (populasinya didominasi Kaukasia), desainnya retrospektif, biopsi awal dilakukan tanpa panduan MRI (biopsi TRUS sistematis), dan penandanya merupakan luaran di masa mendatang, bukan "tumor tersembunyi pada slide yang sama". Belum ada validasi eksternal di pusat/pemindai independen, juga belum ada uji coba prospektif mengenai efek algoritma terhadap keputusan dan luaran klinis. Tingkat positif palsu tetap signifikan - model ini tidak menggantikan dokter tetapi menambahkan lapisan probabilistik untuk pengambilan keputusan bersama.

Apa Selanjutnya: Peta Jalan Implementasi

• Validasi eksternal multisenter (pemindai, protokol, kelompok etnis yang berbeda).
• Studi keputusan prospektif: apakah skor AI mengubah lintasan pasien (waktu diagnosis, jumlah biopsi berulang yang tidak perlu, diagnosis berlebih/kurang).
• Integrasi dengan MRI dan klinik: model gabungan (PSA, MRI PIRADS, faktor klinis + skor TINT menurut H&E).
• Langkah-langkah teknis: standarisasi digitalisasi, pengendalian pergeseran data, penjelasan (perhatian terhadap rutinitas).

Sumber: Chelebian E., Avenel C., Järemo H., Andersson P., Bergh A., Wählby C., dkk. Penemuan tumor yang mengindikasikan perubahan morfologi pada biopsi prostat jinak melalui AI. Scientific Reports (Nature Portfolio), diterbitkan 21 Agustus 2025. DOI: https://doi.org/10.1038/s41598-025-15105-6