Masin tuvastab suurema vähiriskiga inimesed

Tehisaru võib tavaliste terviseandmete põhjal tuvastada inimesi, kellel on suurem risk haigestuda levinud vähivormidesse.

Tavapäraselt kogutavaid terviseandmeid kasutavad masinõppemudelid näitasid potentsiaali tuvastada inimesi, kellel on suurem risk haigestuda mitmesse levinud vähivormi.
Prognoosivõime erines vähivormiti: kopsu-, söögitoru- ja maksavähi puhul olid tulemused paljulubavad, kuid munasarjavähi ja mõne teise vähivormi puhul tagasihoidlikumad.
See lähenemisviis võiks aidata vähi sõeluuringuid ja ennetust paremini suunata, kuid vaja on edasisi uuringuid, et väljaselgitada, kas see parandab vähi varajast avastamist ja ravitulemusi.

Tavapäraselt kogutavat terviseteavet, näiteks vereanalüüside tulemusi, haiguslugu ja elustiilitegureid kasutavad masinõppemudelid võiksid aidata tuvastada inimesi, kellel on suurem risk haigestuda mitmesse levinud vähivormi. Seda näitab rahvusvaheline uuring, mida tutvustati ESMO 2026. aasta kongressil.

Teadlased töötasid välja ligikaudu 500 masinõppemudelit, et prognoosida 20 levinud vähivormi riski. Selleks kasutati Ühendkuningriigi biopanga (UK Biobank) 463 620 osaleja andmeid, keda jälgiti ligikaudu 18 aastat. Selle aja jooksul haigestus vähki 57 055 osalejat. Mudelid analüüsisid muu hulgas haiguslugu, elustiilitegureid, vereanalüüside tulemusi ning geneetilisi ja metaboloomikaandmeid.

Et hinnata mudelite toimivust eri rahvastikurühmades, lasid teadlased neil tehisaru mudelitel töödelda biopangas olevate Šotimaa ja Walesi inimeste, USA teadusprogrammi „All of Us“ 42 036 inimese ja Jaapani JMDC andmebaasi enam kui kolme miljoni inimese andmeid. Diagnoosimata, aga juba oletatavalt olemasolevate haigusjuhtude mõju vähendamiseks jäeti välja esimesel aastal diagnoositud vähijuhud.

Ai toimib paremini kui praegused statistilised meetodid

Mudelid toimisid paremini kui traditsioonilised statistilised meetodid, kuigi nende prognoosivõime erines vähivormiti. Koondtulemusnäitaja puhul, mis hõlmas tavapäraste kliiniliste andmete põhjal prognoositavaid vähivorme, saavutasid mudelid 15 aasta perspektiivis ROC-kõvera aluse pindala ehk AUROC väärtuse 0,83. Selle näitaja puhul tähendab 0,5 juhuslikust arvamisest mitte paremat tulemust ja 1,0 täiuslikku prognoosi. Prognoosivõime oli eriti hea kopsu-, söögitoru- ja maksavähi puhul, kuid tagasihoidlikum munasarja-, rinna- ja emakakaelavähi puhul. Ägeda müeloidleukeemia ja hulgimüeloomi puhul vähenes prognoosivõime pikema ajavahemiku korral. See viitab võimalusele, et osa lühiajalisi prognoose võib kajastada juba olemasoleva, kuid veel diagnoosimata vähi varajasi tunnuseid.

Kõige olulisem info saadi vereanalüüsidest ja tavalisest haigusloost

Suur osa prognoosimiseks vajalikust teabest pärines tavapärastest vereanalüüsidest ja haigusloost. Vereanalüüsid andsid täiendavat prognoosiväärtust ka enam kui viis aastat hiljem diagnoositud vähivormide puhul, samal ajal kui geneetilised ja metaboloomikaandmed parandasid prognoose veel vaid vähesel määral. Uurimisrühm töötas välja ka tööriistakomplekti PRE-Screen, mis võimaldab suurtel keelemudelitel põhinevatel tehisintellektiagentidel riskimudeleid järjepidevalt rakendada. Seda kasutavad agendid toimisid märkimisväärselt paremini kui suured keelemudelid, mis tegid prognoose ilma selle abita.

„Teatud vähivormide puhul võiksid need mudelid toimida väikeste kuludega sõeluuringueelse etapina, kasutades tavapärases arstiabis juba olemasolevaid andmeid,“ ütles uuringu juhtivautor dr Paul-Henry Koop Saksamaa Dresdeni tehnikaülikooli Else Kröner Freseniuse digitaaltervise keskusest. „Praegused sõeluuringuprogrammid hõlmavad vaid teatud vähivorme ning kasutavad sageli üldisi osalemiskriteeriume, selle asemel et hinnata iga inimese individuaalset riski.“ Euroopa Liidus on soovitused traditsiooniliselt keskendunud rinna-, emakakaela- ning jämesoole- ja pärasoolevähile, kuid Euroopa Liidu Nõukogu on soovitanud uurida ka teiste vähivormide sõeluuringute võimalusi.

Tehisaru võiks suunata vähiriski alandamist

„Vähivormid erinevad märkimisväärselt nii oma tekkemehhanismide poolest kui ka selle poolest, kuivõrd nende riskitegurid ja vähieelsed seisundid tavapärastes andmetes kajastuvad,“ selgitas Koop. Ta märkis, et mudelid võiksid aidata suunata sõeluuringuid või vähiriski vähendavaid sekkumisi, kuid rõhutas, et paljud suurema riskiga inimesteks märgitud tegelikult vähki ei haigestu. „Seetõttu peaks suuremale riskile viitava tulemuse korral alustama võimalikult väheinvasiivsetest uuringutest,“ ütles ta. Kuna uuringus analüüsiti olemasolevaid andmeid tagasivaatavalt, on vaja täiendavaid uuringuid, et selgitada välja, kas see lähenemisviis viib varasema diagnoosimise või paremate ravitulemusteni.

„Vaja on kavandatud protokolli põhjalikku hindamist eri rahvastikurühmades ja tingimustes väljaspool UK Biobank osalejate kohorti,“ ütles Prantsusmaa Côte d’Azuri ülikooli Inria Sophia Antipolise keskuse teadusdirektor dr Marco Lorenzi, kes uuringu tegemises ei osalenud. Ta rõhutas, et tulemuste usaldusväärsuse ja üldistatavuse ning võimalike kallutatuste hindamiseks on vaja täiendavat valideerimist.

„Selles töös väljapakutud automatiseeritud analüüsiprotokoll võib osutuda väärtuslikuks vahendiks patsientide eelisjärjestamisel, haiguse varajasel avastamisel ja riski hindamisel,“ leidis Lorenzi. „Kasu seisneks ühiskonna ja tervishoiusüsteemi ravikoormuse vähendamises.“

Milliste vähivormide skriinimist Euroopa Nõukogu arutada soovitab?

Vähivorm	Mida dokumendi lisas soovitatakse?
Kopsuvähk	Uurida väikese kiirgusdoosiga kompuutertomograafial põhineva sõeluuringu teostatavust ja tõhusust. Alustada suure riskiga inimestest, eelkõige rohketest suitsetajatest ja varem rohkelt suitsetanud inimestest. Tähelepanu tuleb pöörata ka teistele suure riskiga rühmadele.
Eesnäärmevähk	Hinnata organiseeritud sõeluuringuprogrammide teostatavust ja tõhusust järkjärguliselt, sealhulgas pilootprojektide ja täiendavate uuringutega. Aluseks oleks PSA vereanalüüs, millele järgneks täiendava uuringuna magnetresonantstomograafia ehk MRT.
Maovähk	Suure maovähihaigestumuse ja -suremusega riikides või piirkondades kaaluda Helicobacter pylori nakkuse sõeluuringut ja ravi. Samuti tuleb käsitleda selle nakkusega mitteseotud mao vähieelsete muutustega patsientide tuvastamist ja jälgimist.

Allikas: 280RO ‘Development and validation of a machine-learning-toolbox for autonomous multicancer risk stratification from routine clinical data’ will be presented by Dr Paul-Henry Koop during Rapid oral: AI and digital health on Monday, 26 October 2026, from 08:30 to 10:00 (CET) in Cadiz Auditorium.