Chirurg z Johns Hopkins mówi wprost: modele sztucznej inteligencji zaczynają rozpoznawać wzorce, na wypracowanie których lekarz potrzebowałby dekad praktyki. Chodzi o jeden z najbardziej śmiercionośnych nowotworów, rak trzustki, który przez większość swojego rozwoju nie daje żadnych objawów.
Kluczowe fakty:
- Rak trzustki charakteryzuje się bardzo niskim wskaźnikiem pięcioletnich przeżyć wynoszącym 13 procent, jednak wykrycie choroby przed jej rozprzestrzenieniem zwiększa ten odsetek do 44 procent.
- Model AI o nazwie REDMOD, opracowany w Mayo Clinic, analizuje tomografię komputerową i wykrywa sygnały raka trzustki wcześniej niż tradycyjna ocena radiologów.
- Badanie nad REDMOD, opublikowane w kwietniu w czasopiśmie „Gut", opierało się na analizie niemal 2000 tomografii komputerowych jamy brzusznej, w tym 219 skanów pacjentów, u których później zdiagnozowano gruczolakoraka przewodowego trzustki.
Dr Peter A. Najjar, chirurg i wiceprezes ds. innowacji klinicznych w Johns Hopkins Health System, mówił o tym na antenie Fox Business w programie „Mornings with Maria” u Marii Bartiromo. Materiał wideo z jego wypowiedzią dostępny jest na stronie stacji.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Dlaczego akurat trzustka
Rak trzustki od lat pozostaje jednym z najtrudniejszych przeciwników onkologii. Pięcioletnie przeżycia dotyczą jedynie 13 procent chorych, głównie dlatego że chorobę zwykle wykrywa się dopiero wtedy, gdy zdążyła się już rozprzestrzenić poza sam narząd. Jeśli uda się ją złapać zanim to nastąpi, odsetek przeżyć skacze do 44 procent. Ta różnica tłumaczy, dlaczego każdy miesiąc wcześniejszego rozpoznania ma dla pacjenta realną wartość.
Wśród ofiar tej choroby są nazwiska, które zna cały świat: współzałożyciel Apple Steve Jobs, aktor Patrick Swayze, prowadzący „Jeopardy!” Alex Trebek. Wszyscy zmarli na nowotwór, który przez długi czas rozwija się bezobjawowo.
Najjar powołał się na badanie, w którym model AI analizujący tomografię komputerową wykrywał sygnały raka trzustki wyprzedzające rozpoznanie postawione przez radiologów. Chociaż nie podał nazwy narzędzia, dane które przytoczył pasują do modelu opracowanego w Mayo Clinic. Nazywa się REDMOD, czyli Radiomics-based Early Detection Model, a wyniki badania nad nim ukazały się w kwietniu w czasopiśmie „Gut”.
Co dokładnie potrafi REDMOD
Zespół z Mayo Clinic pod kierunkiem dr. Ajita Goenki przeanalizował niemal 2000 tomografii komputerowych jamy brzusznej, w tym 219 skanów pacjentów, u których później zdiagnozowano gruczolakoraka przewodowego trzustki (PDAC), najczęstszą postać tego nowotworu. Model trenowano tak, by wychwytywał subtelne zaburzenia struktury tkanki, niewidoczne dla ludzkiego oka nawet dla doświadczonego radiologa.
Efekt: REDMOD poprawnie zidentyfikował 73 procent przypadków, które później okazały się nowotworem, przy medianie wyprzedzenia wynoszącej około 16 miesięcy przed postawieniem klinicznej diagnozy. Radiolodzy patrzący na te same skany bez wsparcia AI wychwytywali podobne sygnały w niecałych 39 procentach przypadków. W skanach wykonanych ponad dwa lata przed diagnozą przewaga maszyny była jeszcze wyraźniejsza: system rozpoznawał rozwijający się nowotwór niemal trzykrotnie częściej niż ludzie.
Model przeszedł też test stabilności. U pacjentów z wieloma skanami wykonanymi w odstępie miesięcy AI dawało spójne wyniki, co sugeruje, że wykrywa realny sygnał biologiczny, a nie przypadkowy szum w danych.
Sztuczna inteligencja w medycynie budzi dziś skrajne reakcje: od entuzjazmu, że wreszcie mamy narzędzie zdolne zobaczyć to, co niewidoczne dla człowieka, po ostrożność, że jedno badanie na kilkuset skanach to za mało, by mówić o rewolucji. REDMOD jest przykładem dobrze zaprojektowanego eksperymentu z realną, mierzalną przewagą nad radiologami, ale sam autor badania mówi jasno: to wciąż wczesny etap, a model trzeba jeszcze przetestować w praktyce klinicznej na szerszej i bardziej zróżnicowanej grupie pacjentów. Historia medycyny zna wiele obiecujących algorytmów, które w laboratorium wypadały świetnie, a w codziennej pracy szpitala rozczarowywały. Trzymam kciuki, żeby REDMOD był wyjątkiem, ale będę czekał na wyniki badania klinicznego AI-PACED, zanim uznam sprawę za przesądzoną.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Zespół Mayo Clinic prowadzi już prospektywne badanie kliniczne o nazwie Artificial Intelligence for Pancreatic Cancer Early Detection (AI-PACED), które ma sprawdzić, jak lekarze mogą włączyć wykrywanie wspierane przez AI do codziennej opieki nad pacjentem.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Co na to Johns Hopkins
Najjar podkreślił w rozmowie z Bartiromo, że wcześniejsze wykrycie zawsze oznacza więcej opcji leczenia. Mówił także o innym obszarze, w którym AI przyspiesza pracę naukowców: odkrywaniu leków.
„Wiele terapii onkologicznych sprowadza się do znalezienia cząsteczki, która wiąże się z odpowiednim białkiem dla danego nowotworu” / „Many cancer treatments are around figuring out which molecule binds to the right protein for a given cancer” — wyjaśnił Najjar, dodając że AI radykalnie przyspiesza ten proces, pozwalając testować potencjalne terapie w modelach komputerowych zanim trafią do laboratorium.
Zastrzegł jednak, że entuzjazm wokół technologii nie powinien przesłaniać jej ograniczeń. „Musimy w pełnej gotowości ruszyć naprzód, żeby przenieść tę obietnicę do kliniki. Ale to wciąż bardzo wczesne dni” / „We absolutely need to move full speed ahead to bring this promise to our patients in the clinic. But it is still very early days” — powiedział.
Jednym z obszarów, gdzie efekty widać już dziś, są elektroniczni skrybowie medyczni oparte na AI. Porządkują dokumentację przed wizytą i automatycznie zapisują przebieg konsultacji, co zdaniem Najjara zostawia lekarzom więcej czasu na pacjenta zamiast na wpisywanie danych do systemu.
Skala rynku
Segment diagnostyki opartej na AI rośnie w tempie, które trudno przeoczyć. Według szacunków Fortune Business Insights globalny rynek AI w diagnostyce medycznej wart był w 2025 roku około 2 miliardów dolarów, a w samym 2026 ma sięgnąć 2,4 miliarda, przy rocznym tempie wzrostu na poziomie ponad 21 procent do 2033 roku. Węższy segment obrazowania diagnostycznego wspieranego przez AI szacowany jest jeszcze wyżej, na 4,37 miliarda dolarów w 2025 roku, z prognozą wzrostu do przeszło 22 miliardów do 2032 roku. Ameryka Północna odpowiada za ponad połowę globalnych przychodów tego rynku.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co to oznacza dla sytuacji w Polsce
W Polsce rak trzustki pozostaje jednym z nowotworów o najgorszych statystykach przeżywalności, a odsetek przypadków wykrywanych w stadium zaawansowanym od lat utrzymuje się na poziomie 70-80 procent. Brak w Polsce populacyjnego programu przesiewowego dla tego nowotworu, w odróżnieniu od raka piersi czy jelita grubego, co oznacza że narzędzia analizujące rutynowo wykonywane tomografie mogłyby w praktyce pełnić funkcję nieformalnego skriningu, wychwytując sygnały choroby przy okazji badań zlecanych z zupełnie innych powodów.
Kilka punktów wartych odnotowania z polskiej perspektywy:
- Polskie placówki onkologiczne coraz częściej testują narzędzia AI wspierające radiologię, choć wdrożenia na skalę systemową wciąż są rzadkością poza największymi ośrodkami akademickimi.
- Brak krajowego rejestru danych obrazowych porównywalnego z amerykańskimi bazami klinicznymi utrudnia trenowanie i walidację podobnych modeli na polskiej populacji pacjentów.
- Ewentualne wdrożenie narzędzia typu REDMOD w Polsce wymagałoby zgodności z unijnym AI Act jako wyrób medyczny wysokiego ryzyka, co oznacza długi proces certyfikacji zanim trafiłoby do szpitali.
Jeśli model potwierdzi swoją skuteczność w badaniu klinicznym AI-PACED, pytanie o to, kiedy podobne narzędzia trafią do polskich szpitali, przestanie być czysto teoretyczne. Na razie polscy pacjenci mogą liczyć głównie na czujność lekarza pierwszego kontaktu i standardową tomografię, bez wsparcia algorytmu wyszukującego sygnały niewidoczne dla ludzkiego oka.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału wideo i tekstowego Fox Business z 20.07.2026 Fox Business, uzupełnionego danymi z pierwotnego badania naukowego opublikowanego w czasopiśmie Gut i opisanego przez Mayo Clinic News Network, a także danymi rynkowymi z raportu Fortune Business Insights. W zakresie kontekstu polskiego wykorzystano dane statystyczne cytowane przez Puls Medycyny i AI Business. Cytaty dr. Petera Najjara zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym Fox Business. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wynikach badania klinicznego AI-PACED oraz o wdrożeniach podobnych narzędzi w Europie.
