Obserwowany w ostatnich latach dynamiczny rozwój sztucznej inteligencji (AI) istotnie wpływa na sposób projektowania nowoczesnych rozwiązań diagnostycznych. Algorytmy głębokiego uczenia (z ang. deep learning) znajdują dziś zastosowanie w analizie danych obrazowych, molekularnych i klinicznych, wspierając nie tylko sam proces diagnostyczny, ale także podejmowanie decyzji terapeutycznych. Jednym z obszarów, w których potencjał AI pozostaje wciąż niewykorzystany, jest diagnostyka mikrobiologiczna, w szczególności rozpoznanie obrazów mikroskopowych z materiałów biologicznych w kierunku drobnoustrojów, np. powodujących zakażenia pochwy.

Zakażenia pochwy – złożony problem zdrowotny, nie tylko miejscowa dolegliwość

Zakażenia pochwy należą do najczęściej występujących problemów zdrowotnych kobiet w wieku rozrodczym i w skali roku dotyczą ok. 10–30% kobiet na całym świecie. Wśród dominujących jednostek chorobowych wymienia się bakteryjną waginozę, charakteryzującą się spadkiem liczebności bakterii z rodzaju Lactobacillus oraz wzrostem bakterii beztlenowych, głównie Gardnerella, a także kandydozę pochwy, wywoływaną przez grzyby drożdżopodobne z rodzaju Candida. Co istotne, stan zapalny pochwy i toczące się zakażenie może inicjować kaskadę powikłań obejmujących zapalenie szyjki macicy, jajowodów i jajników oraz procesy zapalne miednicy mniejszej, co może prowadzić do trudności w zajściu w ciążę i niepłodności. U kobiet w ciąży zwiększają ryzyko zapalenia błon płodowych, nieprawidłowego przebiegu ciąży, porodu przedwczesnego, poronienia i powikłań poporodowych. Konsekwencje te znajdują szczególne odzwierciedlenie w przypadku bakteryjnej waginozy, która występuje nawet trzykrotnie częściej u kobiet z niepłodnością i istotnie zwiększa podatność na zakażenia przenoszone drogą płciową, w tym: chlamydiozę, rzeżączkę, rzęsistkowicę, zakażenia wirusem opryszczki zwykłej typu 2 (HSV-2), wirusem brodawczaka ludzkiego (HPV) oraz ludzkim wirusem niedoboru odporności (HIV).

Dlaczego diagnostyka zakażeń pochwy wciąż jest wyzwaniem?

Objawy kliniczne bakteryjnej waginozy są często niespecyficzne i nie zawsze korelują z obrazem mikrobiologicznym. W połączeniu ze złożonością składu i dynamicznym charakterem mikrobioty pochwy utrudnia to jednoznaczną diagnostykę i sprzyja wdrażaniu niewłaściwego leczenia. Skład mikrobiomu może zmieniać się w okresie m.in. ciąży, menopauzy, cyklu menstruacyjnego, antybiotykoterapii czy terapii hormonalnej, co sprawia, że granica między mikrobiotą fizjologiczną a patologiczną bywa wyjątkowo subtelna i trudna do zdiagnozowania.

W codziennej praktyce powszechnie stosuje się ocenę kliniczną opartą na kryteriach Amsela. Metoda ta jest prosta i szybka, lecz obarczona umiarkowaną czułością i swoistością oraz silnie zależna od doświadczenia osoby badającej. Z kolei mikrobiologiczna diagnostyka opiera się w dużej mierze na sprawdzonych, ale czasochłonnych metodach, takich jak hodowla mikroorganizmów na podłożach, barwienie metodą Grama oraz manualna analiza mikroskopowa połączona z międzynarodową, powszechnie stosowaną oceną w skali Nugenta. Choć podejście to pozostaje tzw. złotym standardem, jego subiektywność i czasochłonność coraz wyraźniej rozmijają się z potrzebami współczesnej diagnostyki klinicznej.

Algorytmy, które uczą się mikrobiologii

W odpowiedzi na te wyzwania interdyscyplinarny zespół naukowców z Zakładu Molekularnej Mikrobiologii Medycznej, Katedry Mikrobiologii, Wydziału Lekarskiego UJ CM oraz Wydziału Matematyki i Informatyki Stosowanej UJ pod kierownictwem prof. dr hab. n. med. Moniki Brzychczy-Włoch realizuje projekt, który zakłada opracowanie algorytmów głębokiego uczenia do analizy obrazów mikroskopowych preparatów barwionych metodą Grama, sporządzonych z wymazów z pochwy oraz ich klasyfikacji wg skali Nugenta, z opracowaniem spersonalizowanych zaleceń terapeutycznych. Rozwiązanie zostanie zaimplementowane jako aplikacja tworzona we współpracy z firmą Ardigen.

System zaprojektowano tak, aby już na wstępnym etapie możliwa była ocena jakości obrazu mikroskopowego, a następnie jednoczesne rozróżnianie obiektów o skrajnie różnych rozmiarach – od pojedynczych komórek bakteryjnych, przez komórki grzybów, po duże komórki nabłonka i leukocyty. W praktyce oznacza to, że algorytm „uczy się patrzeć” na preparat podobnie jak doświadczony diagnosta – najpierw ocenia, czy zdjęcie nadaje się do analizy, a następnie porządkuje złożony obraz mikrobiologiczny. Kluczową rolę w tym procesie odgrywają specjaliści mikrobiologii, którzy opracowali kilkuset tysięczną bazę obrazów pochodzącą od pięciuset pacjentek zrekrutowanych do programu w Centrum Badań Mikrobiologicznych im. dr Jana Bobra w Krakowie. Weryfikują oni i korygują automatyczne oznaczenia, wskazują bakterie i grzyby drożdżopodobne oraz odróżniają je od innych elementów morfotycznych, artefaktów czy obrazów utrudniających ocenę. Dzięki temu modele sztucznej inteligencji uczą się rozpoznawać cechy morfologiczne drobnoustrojów – kształt, typ wybarwienia, wzajemne rozmieszczenie komórek – i klasyfikować je do charakterystycznych grup morfotypów. Z kolei analiza morfotypów umożliwia automatyczną ocenę preparatu w dziesięciostopniowej skali Nugenta z zakwalifikowaniem wyniku do trzech poziomów: mikrobioty prawidłowej, zaburzenia składu mikrobioty oraz bakteryjnej waginozy. Rozwiązanie uwzględnia także obecność komórek nabłonkowych, leukocytów, grzybów drożdżopodobnych i tzw. clue cells – komórek jeżowych, będących wskaźnikiem bakteryjnej waginozy. Model radzi sobie także z preparatami o gorszej jakości barwienia i zmiennej liczbie komórek, czyli dokładnie takimi, jakie najczęściej trafiają do rutynowej diagnostyki.

Podobnie jak w innych obszarach medycyny, AI w projekcie MicroAIvag pełni funkcję narzędzia wspierającego decyzje diagnostyczne, a nie zastępującego specjalistów. Połączenie algorytmów głębokiego uczenia z wiedzą i doświadczeniem mikrobiologów pozwala zwiększyć obiektywność i powtarzalność wyników, odciążając diagnostów z czasochłonnych elementów analizy.

Od laboratorium do gabinetu – potencjał kliniczny i wdrożeniowy

W przyszłości zastosowanie aplikacji MicroAIvag może istotnie skrócić czas uzyskania wyniku diagnostycznego, co jest kluczowe dla szybkiego wdrożenia terapii celowanej. W dłuższej perspektywie rozwiązanie to może także ograniczyć nadużywanie antybiotyków i leków przeciwgrzybiczych, sprzyjając racjonalizacji terapii w kontekście narastającej antybiotykooporności. Efekty projektu mogą znaleźć zastosowanie zarówno w wyspecjalizowanych laboratoriach, jak i mniejszych jednostkach medycznych oraz gabinetach ginekologicznych, gdzie szybki dostęp do doświadczonego diagnosty bywa ograniczony.

Projekt „MicroAIvag – Innowacyjne wykorzystanie sztucznej inteligencji do diagnostyki zakażeń pochwy” jest współfinansowany z Unii Europejskiej: Krajowy Plan Odbudowy i Zwiększania Odporności, Komponent D Efektywność, dostępność i jakość systemu ochrony zdrowia, Inwestycja D3.11 Kompleksowy rozwój badań w zakresie nauk medycznych i nauk o zdrowiu (NextGenerationEU) nr 2024/ABM/03/KPO/KPOD.07.07-IW.07-0056/24-00. Kwota finansowania z UE: 2 029 130,08 zł.

Autorki: 

Prof. dr hab. n. med. Monika Brzychczy-Włoch i dr Agnieszka Sroka-Oleksiak

Zakład Molekularnej Mikrobiologii Medycznej, Katedra Mikrobiologii, Uniwersytet Jagielloński Collegium Medicum