Forskare utvecklar AI-verktyg för tidig cancerdetektering
Forskare har presenterat en ny modell för artificiell intelligens som förbättrar tidig detektering av lungcancer från CT-skanningar. Verktyget, tränat på tusentals bilder, uppnår högre noggrannhet än traditionella metoder. Detta framsteg kan avsevärt öka överlevnadsgraden för patienter.
I en studie publicerad den 28 september 2025 introducerade forskare från University of California, San Francisco (UCSF) ett AI-baserat diagnostikverktyg utformat för att identifiera lungcancer i tidigare stadier med hjälp av lågdose-CT-skanningar. Modellen, kallad LungAI, utvecklades genom att analysera över 10 000 anonymiserade CT-bilder från olika patientpopulationer, och uppnådde en känslighet på 94 % och specificitet på 92 % vid detektering av knölar som indikerar cancer – vilket överträffade standardbedömningar av radiologer med 15 % i preliminära tester.
Forskarteamet, ledd av Dr. Emily Chen, radiolog vid UCSF, betonade verktygets potential att adressera globala skillnader i cancerc screening. 'Tidig detektering är nyckeln till bättre utfall, men tillgången till expert radiologer är begränsad i många områden', uppgav Chen i studiens sammanfattning. 'LungAI skulle kunna demokratisera högkvalitativ screening och potentiellt rädda tusentals liv årligen.' Träningsdatasettet inkluderade skanningar från patienter i åldern 50–80 år, med fokus på högriskgrupper som rökare och de med yrkesrelaterade exponeringar.
Bakgrundskontexten visar att lungcancer förblir den ledande orsaken till cancerdöd globalt, med över 2,2 miljoner nya fall diagnostiserade enbart 2024, enligt Världshälsoorganisationens data. Traditionella detekteringsmetoder missar ofta subtila tecken i tidiga stadier, vilket leder till diagnoser när sjukdomen är avancerad och svårare att behandla. LungAI använder djupinlärningsalgoritmer för att framhäva misstänkta områden i skanningar, och ger radiologer ett andra yttrande för att minska falska negativa resultat.
Studien, publicerad i tidskriften Nature Medicine, involverade samarbete med teknikföretaget DeepHealth Inc., som tillhandahöll beräkningsresurser. Testningen genomfördes vid tre amerikanska medicinska centra, med resultat validerade mot biopsi-bekräftade fall. Trots lovande resultat noterade forskarna begränsningar, inklusive behovet av större, internationella dataset för att säkerställa modellens robusthet över olika etniciteter.
Implikationerna sträcker sig till folkhälsopolitik, eftersom integration av sådana AI-verktyg kan sänka hälso- och sjukvårdskostnader genom att möjliggöra preventiva insatser. Etiska bekymmer kring dataskydd och AI-bias belystes dock, och teamet förespråkar transparenta algoritmer. Inget tidschema för bred utrullning annonserades, men pilotprogram planeras för 2026 i underbetjänade regioner.
Denna utveckling stämmer överens med bredare trender inom medicinsk AI, där liknande verktyg har visat framgång i detektering av bröst- och hudcancer. Balanserade perspektiv från experter, inklusive en kommentar i samma tidskrift av Dr. Raj Patel från Johns Hopkins, hyllar noggrannhetsvinsterna men varnar för att AI bör förstärka, inte ersätta, mänsklig expertis: 'Tekniken påskyndar diagnosen, men läkarens bedömning förblir oersättlig.'