Patomorfologia przez dziesięciolecia kojarzyła się niemal wyłącznie ze szklanym preparatem umieszczonym pod obiektywem mikroskopu. To właśnie na podstawie wyglądu komórek i architektury tkanki patomorfolog rozpoznaje, czy pobrany podczas biopsji materiał zawiera nowotwór, ocenia jego typ i stopień złośliwości oraz dostarcza informacji wpływających na dalsze leczenie. Coraz częściej pomiędzy preparatem i lekarzem pojawia się jednak dodatkowa warstwa technologiczna. Specjalistyczne skanery zamieniają całą powierzchnię szkiełka w obraz cyfrowy o bardzo wysokiej rozdzielczości, a taki plik może zostać przeanalizowany przez algorytm sztucznej inteligencji. AI nie zagląda więc dosłownie do tradycyjnego mikroskopu. Analizuje cyfrową wersję tego samego preparatu, którą później ogląda patomorfolog.

Technologia nie jest już wyłącznie eksperymentem laboratoryjnym. Amerykańska FDA dopuściła pierwszy system whole-slide imaging do diagnostyki podstawowej już w 2017 roku, a w kolejnych latach zaczęły pojawiać się regulowane algorytmy wspomagające analizę nowotworów. Paige Prostate otrzymał autoryzację FDA w 2021 roku, system Galen Second Read firmy Ibex został dopuszczony w 2025 roku jako narzędzie wspierające ocenę biopsji prostaty, a w maju 2026 roku FDA dopuściła ArteraAI Breast do szacowania ryzyka w określonej grupie pacjentek z rakiem piersi. Równocześnie badania z 2026 roku pokazują, że AI może skracać czas diagnostyki i ograniczać liczbę dodatkowych barwień. Nadal nie oznacza to jednak zastąpienia lekarza.

Czym właściwie jest cyfrowa patomorfologia i jak zastępuje tradycyjny mikroskop?

Podstawą cyfrowej patomorfologii jest technologia whole-slide imaging, czyli WSI. Gotowy preparat histopatologiczny nadal powstaje w laboratorium w tradycyjny sposób - fragment tkanki jest odpowiednio utrwalany, zatapiany w parafinie, cięty na bardzo cienkie skrawki i barwiony, najczęściej hematoksyliną i eozyną. Zamiast jednak przekazywać szkiełko lekarzowi wyłącznie do oglądania pod mikroskopem, umieszcza się je w skanerze. Urządzenie fotografuje kolejne fragmenty preparatu w bardzo dużym powiększeniu, a następnie łączy je w jeden ogromny obraz cyfrowy. FDA opisuje taki system jako cyfrowy odpowiednik preparatu przeznaczonego do diagnostycznej oceny przez patomorfologa.

Polskie Towarzystwo Patologów w opublikowanych w styczniu 2026 roku zaleceniach dotyczących wdrażania cyfrowej patomorfologii podkreśla, że obrazy WSI mogą być wykorzystywane w diagnostyce podstawowej po spełnieniu odpowiednich wymagań technicznych i walidacyjnych. Lekarz zamiast przesuwać szkiełko pod obiektywem może oglądać tkankę na skalibrowanym monitorze, powiększać interesujące obszary, porównywać preparaty obok siebie i korzystać z dodatkowych warstw analizy. Cyfryzacja pozwala również przesyłać preparaty do konsultacji bez fizycznego transportowania szkiełek. Dopiero po wykonaniu tego kroku możliwe staje się pełne wykorzystanie algorytmów AI, które otrzymują cyfrowy obraz jako dane wejściowe.

Jak sztuczna inteligencja rozpoznaje komórki nowotworowe na cyfrowym preparacie?

Algorytm nie "widzi raka" w taki sam sposób jak człowiek. Otrzymuje obraz podzielony na ogromną liczbę pikseli i szuka wzorców, których nauczył się na wcześniej opisanych preparatach. Modele mogą analizować między innymi kształt i wielkość jąder komórkowych, układ gruczołów, gęstość komórek, architekturę tkanki, obecność naciekania oraz relacje pomiędzy komórkami nowotworowymi i otaczającym je mikrośrodowiskiem. W praktyce wynik może zostać przedstawiony patomorfologowi jako mapa cieplna zaznaczająca obszary najbardziej podejrzane o obecność raka albo jako prawdopodobieństwo występowania zmiany złośliwej.

System Galen Second Read stosowany przy biopsjach prostaty jest dobrym przykładem takiego podejścia. Oprogramowanie analizuje cyfrowe preparaty barwione H&E i może oznaczyć przypadek wcześniej oceniony jako łagodny do ponownego sprawdzenia, jeśli wykryje morfologię podejrzaną o gruczolakoraka. Patomorfolog otrzymuje wtedy wskazanie konkretnego obszaru preparatu zamiast ponownie przeglądać całe szkiełko bez podpowiedzi. Algorytm nie podejmuje jednak finalnej decyzji, że pacjent ma raka. FDA klasyfikuje takie systemy jako urządzenia wspomagające użytkownika w ustalaniu rozpoznania, a nie jako autonomicznych cyfrowych lekarzy.

Czy AI może wykryć nowotwór, który został przeoczony podczas pierwszej oceny?

To właśnie jedna z najbardziej interesujących możliwości tej technologii. Preparat histopatologiczny może obejmować ogromną powierzchnię, a ognisko nowotworowe bywa bardzo małe. Patomorfolog musi przeanalizować dużą liczbę fragmentów tkanki, a niektóre zmiany mogą składać się z niewielkiej liczby atypowych gruczołów lub komórek. Algorytm może działać jako dodatkowa para "oczu", która systematycznie przeszukuje cały cyfrowy preparat i zwraca uwagę na miejsca wymagające ponownej oceny. W badaniach nad AI dla biopsji prostaty opisywano przypadki, w których system wskazywał zmiany wymagające dodatkowych skrawków, barwień lub konsultacji.

Nie należy jednak interpretować tego jako dowodu, że AI jest po prostu dokładniejsza od lekarza we wszystkich sytuacjach. Algorytm może również wygenerować wynik fałszywie dodatni albo przeoczyć zmianę, szczególnie jeśli preparat różni się od materiału wykorzystanego podczas treningu. Dlatego kliniczna wartość systemu często polega na połączeniu dwóch sposobów analizy. Człowiek posiada wiedzę kliniczną, doświadczenie i możliwość interpretowania nietypowych przypadków, a algorytm potrafi niezwykle konsekwentnie przeszukiwać ogromną liczbę obszarów obrazu. Royal College of Pathologists wskazuje właśnie model "human in the loop" jako najbardziej realistyczny sposób wykorzystania AI w najbliższym okresie.

Czy zastosowanie AI naprawdę może przyspieszyć rozpoznanie raka?

Dane z rzeczywistego wdrożenia opublikowanego w 2026 roku pokazują, że taki efekt jest możliwy. Zespół z University of Texas Medical Branch wdrożył system AI wspierający ocenę biopsji prostaty w laboratorium korzystającym już z pełnego cyfrowego obiegu preparatów. W lokalnej walidacji obejmującej 318 części biopsyjnych algorytm osiągnął AUC 0,97, a następnie został włączony do rutynowej pracy jako opcjonalne narzędzie wspierające patomorfologów. Po wdrożeniu mediana czasu od zeskanowania preparatu do zatwierdzenia diagnozy spadła o około 30 proc.

W tym samym badaniu wykorzystanie dodatkowych barwień immunohistochemicznych spadło o 38 proc. Nie oznacza to, że AI wyeliminowała potrzebę IHC. Barwienia immunohistochemiczne pozostają niezwykle ważnym elementem diagnostyki, szczególnie w przypadkach niejednoznacznych. Algorytm mógł jednak zwiększyć pewność lekarza w części przypadków i ograniczyć wykonywanie badań pomocniczych tam, gdzie nie wnosiły one dodatkowej wartości. Trzeba też zachować właściwą skalę interpretacji: było to jedno wdrożenie w konkretnym akademickim ośrodku, a nie dowód, że każde laboratorium po instalacji podobnego systemu automatycznie skróci diagnostykę o dokładnie 30 proc.

W jakich nowotworach sztuczna inteligencja jest już wykorzystywana w patomorfologii?

Najbardziej zaawansowane klinicznie zastosowania dotyczą między innymi raka prostaty, piersi i płuca, ale badania obejmują już znacznie szerszy zakres nowotworów. AI może służyć do wyszukiwania ognisk raka, klasyfikowania zmian, oceny stopnia złośliwości i ilościowej analizy biomarkerów. Polskie zalecenia dotyczące cyfrowej patomorfologii wymieniają automatyczną lub półautomatyczną ocenę takich markerów jak ER, PR, HER2, PD-L1, p53 czy Ki-67. Są to parametry, które mogą mieć znaczenie przy kwalifikowaniu pacjentów do określonych terapii onkologicznych.

Badania rozwijają się jeszcze szybciej niż zastosowania kliniczne. W 2026 roku opisano między innymi Deepath-SCC, model próbujący określić narząd pochodzenia raka płaskonabłonkowego na podstawie samych cyfrowych preparatów. W zewnętrznym zbiorze testowym osiągnął dokładność 86,1 proc. i wysoką wartość AUROC, jednak autorzy przedstawiają go jako dowód wykonalności i potencjalne uzupełnienie diagnostyki, a nie gotowy zamiennik obecnych metod. W innych badaniach AI analizuje raka jelita grubego, płuca, piersi czy nowotwory głowy i szyi. Spektrum potencjalnych zastosowań jest więc dużo większe niż liczba algorytmów posiadających już formalne dopuszczenia kliniczne.

Czy AI może z preparatu przewidzieć coś więcej niż tylko obecność nowotworu?

To jeden z najbardziej obiecujących kierunków rozwoju. Cyfrowy obraz tkanki zawiera znacznie więcej informacji niż prostą odpowiedź "rak jest" albo "raka nie ma". Układ komórek, sposób naciekania, struktura mikrośrodowiska, obecność limfocytów i wiele subtelnych cech morfologicznych może być powiązanych z biologicznym zachowaniem nowotworu. Modele AI są rozwijane tak, aby wykorzystywać te informacje do przewidywania rokowania, ryzyka nawrotu, przerzutów albo odpowiedzi na określone leczenie. FDA posiada już osobną kategorię urządzeń analizujących cyfrowe obrazy patologiczne w celu szacowania rokowania.

W maju 2026 roku FDA dopuściła ArteraAI Breast, narzędzie analizujące preparaty w określonej grupie pacjentek z wczesnym inwazyjnym rakiem piersi HR-dodatnim i HER2-ujemnym. System ma wspierać ocenę ryzyka, a nie samodzielnie stawiać rozpoznanie raka. Podobne podejście rozwijane jest również w raku prostaty. Równocześnie przegląd badań opublikowany w lipcu 2026 roku pokazuje rosnące zainteresowanie wykorzystaniem histopatologii wspomaganej AI do przewidywania odpowiedzi na leczenie neoadjuwantowe. Wiele takich zastosowań pozostaje jednak na etapie badań i wymaga dalszej walidacji przed rutynowym stosowaniem.

Czy nowe modele fundamentowe mogą analizować wiele rodzajów nowotworów jednocześnie?

Starsze algorytmy były zazwyczaj przygotowywane do jednego bardzo konkretnego zadania, na przykład wykrywania raka prostaty albo liczenia komórek dodatnich dla określonego markera. Obecnie rozwijane są modele fundamentowe trenowane na ogromnych zbiorach obrazów histopatologicznych. Zamiast uczyć system całkowicie od początku przy każdym nowym zastosowaniu, można wykorzystać uniwersalną reprezentację cech tkanki i dostosować ją do kolejnych zadań. Takie podejście przypomina w pewnym sensie rozwój dużych modeli językowych, choć materiałem treningowym są fragmenty preparatów, a nie tekst.

W 2026 roku pojawiają się nawet systemy agentowe próbujące łączyć obrazy histopatologiczne z opisami biologicznymi i pytaniami badawczymi. Opisany w "Nature Medicine" system SPARK został przetestowany na ponad 5400 pacjentach w 18 kohortach obejmujących pięć typów nowotworów. Potrafił generować biologicznie interpretowalne koncepcje dotyczące obrazu guza i łączyć je z rokowaniem oraz biomarkerami. Autorzy wyraźnie zaznaczają jednak, że przed wykorzystaniem klinicznym potrzebna jest prospektywna walidacja. Jest to więc przykład tego, jak daleko zaszły badania, ale nie oznacza jeszcze, że podobny "agent patomorfologiczny" samodzielnie diagnozuje pacjentów w szpitalach.

Dlaczego AI może popełnić błąd, nawet jeśli podczas badań osiąga bardzo wysoką skuteczność?

Jednym z największych problemów jest różnorodność laboratoriów. Ten sam typ tkanki może wyglądać nieco inaczej w zależności od sposobu pobrania materiału, czasu utrwalania, procedury barwienia, użytych odczynników, skanera, ustawień ostrości i przetwarzania obrazu. Model może więc nauczyć się nie tylko biologii nowotworu, lecz również przypadkowych cech technicznych charakterystycznych dla ośrodka, z którego pochodziły dane treningowe. Badanie opublikowane w "Nature Communications" w czerwcu 2026 roku zwraca szczególną uwagę na podatność modeli fundamentowych na takie niebiologiczne cechy.

Problem może pojawić się nawet wcześniej - na etapie samego skanowania. Polskie wytyczne ostrzegają, że błędnie wyznaczony obszar skanowania, artefakty albo problem z ostrością mogą doprowadzić do pominięcia fragmentu tkanki. Badanie z 2026 roku dotyczące cyfrowej diagnostyki raka prostaty pokazało również, że sposób automatycznego wykrywania tkanki na szkiełku może wpływać na późniejsze działanie algorytmów diagnostycznych. Jeśli system nie zauważy istotnego fragmentu już na pierwszym etapie analizy, nawet bardzo dobry model oceniający raka nie będzie miał czego przeanalizować. Bezpieczeństwo zależy więc od całego łańcucha, a nie wyłącznie od jakości samej AI.

Czy polskie laboratoria są gotowe na cyfrową patomorfologię i sztuczną inteligencję?

Polska ma już przygotowane profesjonalne zalecenia dotyczące wdrażania cyfrowej patomorfologii. Polskie Towarzystwo Patologów opublikowało w styczniu 2026 roku szczegółowe wytyczne obejmujące skanery, monitory, walidację, przechowywanie danych, integrację z systemami LIS, bezpieczeństwo oraz przyszłe wykorzystanie AI. Autorzy rekomendują między innymi własną walidację każdego laboratorium przed rozpoczęciem podstawowej diagnostyki cyfrowej. Patomorfolog powinien potwierdzić, że jest w stanie interpretować cyfrowe preparaty przynajmniej z taką samą wiarygodnością jak tradycyjne szkiełka.

Barierą pozostaje infrastruktura. Jeden cyfrowy preparat zeskanowany przy dużym powiększeniu może mieć około 1 GB, a laboratorium skanujące 300 preparatów dziennie potrzebuje według polskich wytycznych około 50 TB przestrzeni tylko na sześciomiesięczne archiwum. Do tego dochodzą szybkie skanery, wysokiej jakości monitory, serwery, integracja z systemem szpitalnym i odpowiednio szybka sieć. Dopiero na takim fundamencie można bezpiecznie instalować AI. Cyfrowa patomorfologia nie sprowadza się więc do kupienia jednego algorytmu. Jest przebudową całego sposobu przygotowywania, przechowywania, udostępniania i analizowania materiału diagnostycznego.

Czy sztuczna inteligencja zastąpi patomorfologów w diagnozowaniu raka?

Obecne regulowane systemy nie zmierzają jeszcze do modelu, w którym komputer samodzielnie zatwierdza rozpoznanie nowotworu i wysyła wynik pacjentowi. FDA definiuje algorytmy wspierające patomorfologię jako narzędzia dostarczające lekarzowi informacji o obecności, położeniu i charakterystyce podejrzanych obszarów. Royal College of Pathologists również podkreśla, że w krótkiej perspektywie najbardziej prawdopodobny jest model, w którym człowiek pozostaje w pętli decyzyjnej i interpretuje wynik AI razem z obrazem, historią pacjenta oraz pozostałymi badaniami.

Zmienić może się natomiast charakter pracy. Patomorfolog spędza dziś dużo czasu na przeglądaniu dużych obszarów prawidłowej tkanki, liczeniu komórek, szukaniu małych ognisk i wykonywaniu powtarzalnych pomiarów. AI może przejąć część takich zadań i kierować uwagę człowieka do najbardziej podejrzanych miejsc. Lekarz otrzymuje wtedy rolę osoby weryfikującej, interpretującej nietypowe przypadki i łączącej wszystkie informacje w ostateczne rozpoznanie. Badanie rutynowego wdrożenia AI w diagnostyce prostaty z 2026 roku zostało zaprojektowane właśnie w ten sposób - algorytm działał jako system wspomagania decyzji, a odpowiedzialność za końcową diagnozę pozostawała po stronie patomorfologa.

Czy cyfrowa patomorfologia może skrócić czas oczekiwania pacjenta na diagnozę nowotworu?

Potencjalnie tak, a korzyść nie wynika wyłącznie z samej AI. Cyfrowy preparat można natychmiast udostępnić specjaliście znajdującemu się w innym szpitalu lub mieście, bez pakowania szkiełek i oczekiwania na transport. Przypadki mogą być automatycznie kierowane do odpowiednich specjalistów, a preparaty porównywane z wcześniejszym materiałem na jednym ekranie. W dużych sieciach szpitalnych daje to możliwość bardziej elastycznego rozdzielania pracy. Brytyjska sieć Sussex Pathology Network informowała w 2026 roku, że jej regionalny system cyfrowej histopatologii obsługuje populację ponad 1,2 mln osób i już poprawił czasy realizacji diagnostyki onkologicznej.

AI może być kolejną warstwą przyspieszającą ten proces. System może automatycznie oznaczać przypadki podejrzane, kierować je wyżej w kolejce albo wskazywać fragmenty wymagające uwagi. W badaniu dotyczącym biopsji prostaty rzeczywisty czas diagnostyki zmniejszył się po wdrożeniu AI o około 30 proc., ale nie powinno się przenosić tego wyniku automatycznie na każdy nowotwór i każde laboratorium. Czas oczekiwania zależy również od liczby patomorfologów, przygotowania preparatów, badań molekularnych i organizacji całego szpitala. AI może więc usunąć część wąskich gardeł, ale nie zlikwiduje wszystkich etapów diagnostyki raka.

Dlaczego przyszłość diagnostyki nowotworów może zależeć od połączenia lekarza i AI?

Najważniejszą zmianą nie musi być stworzenie algorytmu, który pokona patomorfologa w pojedynczym teście. Znacznie bardziej użyteczny może okazać się system, który działa konsekwentnie przy tysiącach preparatów, wskazuje miejsca wymagające uwagi, wykonuje powtarzalne pomiary i sprawdza, czy w materiale nie pozostał podejrzany fragment. Człowiek z kolei ocenia, czy wskazanie ma sens biologiczny, uwzględnia pełny kontekst kliniczny i odpowiada za ostateczny wynik. Połączenie tych dwóch sposobów analizy może być bezpieczniejsze i bardziej wydajne niż próba zastąpienia jednego drugim.

Cyfrowa patomorfologia tworzy przy tym coś, czego tradycyjny mikroskop nie oferował - ogromną bazę ustandaryzowanych obrazów możliwych do ponownej analizy komputerowej. Ten sam preparat może w przyszłości zostać oceniony nie tylko pod kątem obecności raka, ale również biomarkerów, rokowania czy prawdopodobnej odpowiedzi na terapię. W 2026 roku część takich zastosowań ma już formalne dopuszczenia, a inne pozostają na etapie badań. Kierunek jest jednak wyraźny. Patomorfologia przestaje być dziedziną ograniczoną do szkiełka i mikroskopu. Coraz częściej preparat staje się także zbiorem danych, który lekarz może analizować wspólnie z algorytmem - i właśnie ta współpraca może najbardziej zmienić sposób wykrywania i charakteryzowania nowotworów.