Model sztucznej inteligencji poprawia dokładność diagnostyki guzków płucnych w badaniu klinicznym

DeepFAN to model oparty na architekturze transformer, wytrenowany na ponad 10 000 guzków płucnych z potwierdzeniem histopatologicznym i oceniony w badaniu klinicznym typu multireader, multicase (rejestr ChiCTR2400084624; publikacja źródłowa: Nature Cancer, DOI 10.1038/s43018-026-01147-w). Model uzyskał AUC 0,939 (95% CI 0,930-0,948) w wewnętrznym zbiorze testowym i 0,954 (95% CI 0,934-0,973) na zbiorze badania obejmującym 400 przypadków z trzech niezależnych ośrodków. U 12 radiologów z krótkim stażem wsparcie modelem poprawiło średnio AUC o 10,9% (95% CI 8,3-13,5%), dokładność o 10,0%, czułość o 7,6% i swoistość o 12,6% (wszystkie p<0,001), a zgodność ocen między nimi wzrosła z niskiej do umiarkowanej (κ 0,313 wobec 0,421; p=0,019). Badanie mierzyło trafność ODCZYTÓW radiologicznych, a nie losy chorych — czy przekłada się to na wcześniejsze rozpoznania raka płuca albo mniej niepotrzebnych badań kontrolnych, pozostaje niesprawdzone.