O léčbě někdy rozhoduje jedno procento. A právě tam nastupuje patolog

Patolog dnes neurčuje jen to, zda je ve vzorku tkáně nádor, ale stále častěji pomáhá rozhodnout i o tom, jakou léčbu pacient dostane. „Naši práci nyní navíc začínáme kompletně digitalizovat a trénujeme na vzorcích umělou inteligenci. Už nyní sama spolehlivě pozná nejvíc rozšířené nádory,“ říká Ondřej Fabián, který působí na pracovišti klinické a transplantační patologie pražského IKEM.

Patologie bývá pro veřejnost trochu skrytý obor, který často nesprávně zaměňuje za soudní lékařství. Ostatně i vaše pracoviště se symptomaticky nachází ve druhém suterénu. Co se za poslední roky změnilo ve vašem oboru nejvíc?

Patologie se v posledních letech mění poměrně významně. Náš obor vždy představoval hlavní diagnostický obor medicíny. Ačkoliv si laická veřejnost pod pojmem patologie obvykle představí spíše pitvání a práci se zemřelými, ve skutečnosti je naším primárním úkolem diagnostika nemocí (zejména nádorů) ze vzorků tkání od živých pacientů. V posledních letech ale náš obor prochází velkou proměnou, do které promlouvá především takzvaná prediktivní patologie a pak i digitalizace a implementace nástrojů umělé inteligence.

Co přesně si pod prediktivní patologií představit?

Prediktivní patologie ve stručnosti znamená, že já jako patolog jsem schopný v nádorových buňkách detekovat různé genetické změny nebo konkrétní bílkoviny, jejichž průkaz nemění základní diagnózu, ale poví mi něco víc o tom, jak se daný nádor bude chovat, jak bude agresivní a jakou bude mít prognózu. Řada těchto znaků, pokud jsou přítomny, navíc slouží i jako cíle pro specifickou terapii, která se těmto pacientům dá nabídnout. Patolog tak dnes už často neurčuje jen čím pacient trpí, ale pomáhá i rozhodovat o tom, jak bude léčen.

Takže dnešní patologie už není jen potvrzení diagnózy, ale i vstupenka k určité terapii?

Přesně tak. U některých nádorů toto platí již delší dobu. Typickým příkladem je karcinom prsu, kde již dlouhé roky standardně prokazujeme přítomnost hormonálních receptorů v nádorových buňkách, přičemž tito pacienti pak mohou profitovat z cílené terapie. V posledních letech je ale tento trend stále silnější. Když dnes například stanovíme pacientovi diagnózu karcinomu tlustého střeva, je to v jistém smyslu jen začátek. Onemocnění má velmi široké spektrum, existuje řada histologických podtypů, každý maligní nádor má takzvaný grade, což znamená, jak agresivně nádor pod mikroskopem vyhlíží, má stage, tedy rozsah a hloubku nádorové infiltrace a případnou přítomnost metastáz. Toto všechno ovlivňuje prognózu pacienta a určuje vhodný terapeutický přístup.

Jak výrazně?

Velmi. U stejného typu nádoru se můžeme setkat s pětiletým přežitím pohybujícím se od vysokých hodnot až prakticky k nule. A k tomuto všemu se dnes přidává právě již zmíněná prediktivní patologie, kdy na základě průkazu konkrétních markerů můžeme pacientům nabídnout ještě další cílenou léčbu.

Můžete uvést konkrétní příklad?

Jde o karcinom, tedy maligní nádor z epitelových buněk, který patří k nejčastějším nádorům plic. V současné době na povrchu nádorových buněk mimo jiné i standardně prokazujeme přítomnost bílkoviny PD‑L1. Pokud je přítomná, může pacient profitovat z imunoterapie. Čili opět, základní diagnóza se nemění, ale průkaz tohoto markeru rozšiřuje spektrum léčebných metod, které se pacientovi dají nabídnout. A to ve výsledku může znamenat větší šanci na přežití nebo přinejmenším prodloužení délky života.

Na základě analýzy nálezu lze tedy někdy podat pacientovi léčbu, která by u jiného pacienta nefungovala. Jak probíhá rozhodování, kdo dostane šanci?

Finální rozhodnutí o podání terapie je samozřejmě v kompetenci klinického lékaře, nikoliv patologa. Naší prací je diagnostika, ale léčbu neurčujeme. Z pohledu histologie nicméně o možnosti podání léčby často rozhodují jednotlivá procenta. Když se vrátím k PD‑L1 na plicním karcinomu, zde je hranicí pozitivity minimálně jedno procento PD‑L1 pozitivních nádorových buněk. To znamená, že když patolog určí, že pozitivních buněk je méně nebo více než jedno procento, může tak nepřímo rozhodnout, zda pacient dostane důležitou, a i velmi nákladnou léčbu.

Inovace ve zdravotnictví

Dřív rozsudek smrti, dnes šance. Na transplantaci ledvin dosáhne už i starší diabetik s obezitou, říká nefrolog Ondřej Viklický

23. 4. 2026 ▪ 12 min. čtení

To už je skoro děsivá míra odpovědnosti. Co s člověkem dělá vědomí, že se rozhoduje na takhle jemné hranici?

Samozřejmě bychom si všichni přáli, aby každý pacient mohl dostat vše, co současná medicína nabízí. Jenže nemůžeme ohýbat histologický nález ve prospěch pacienta jen proto, že si to přejeme. A ono by to ani nedávalo smysl. Když odhlédneme od ekonomických a právních aspektů, pak takovéto ohýbání skutečnosti nedává smysl ani z čistě medicínského hlediska.

Hranice pozitivity byly stanoveny na základě analýz toho, při jaké pozitivitě má léčba účinek a při které ne. Ohýbat realitu by tu tak nemělo význam. Řídíme se tedy pouze tím, zda podle naší analýzy může pacient z terapie profitovat. Jde o to stanovit nález správně a dát větší šanci těm, u kterých existuje možnost, že léčba skutečně zabere.

Mohl by toto rozhodování ulehčit nástup umělé inteligence?

Ano. AI má potenciál náš obor zlepšit v řadě aspektů a jedním z nich jsou numerické kvantifikace. Velká část naší diagnostiky je totiž postavená na přesných kalkulacích různých histologických znaků, například kolik buněk v určité oblasti je pozitivních v nějakém barvení nebo kolik buněk se zrovna dělí. Lidské oko není pro takto jemné numerické odhady ideální a zároveň je to časově velmi náročné. Umělá inteligence může kalkulace významně zpřesnit a urychlit. A toto je dvojnásob důležité právě v prediktivní patologii.

Kde už dnes AI v patologii skutečně funguje?

V současné době existuje už poměrně dost nástrojů, které jsou natrénované na velkých kohortách případů konkrétních diagnóz a jsou poměrně přesné. Většina AI nástrojů se zaměřuje na to nejčastější, s čím patolog přichází do styku, což jsou například karcinomy prostaty, plíce, prsu nebo tlustého střeva. Je však potřeba zdůraznit, že jsme stále tak nějak na půli cesty.

Zpočátku kolem AI panovalo velké nadšení, postupem času jsme si však uvědomili, jak mimořádně komplexní je to, co patolog pod mikroskopem ve skutečnosti odečítá. Proto se dnes AI algoritmy často zužují a zaměřují se na určitou vybranou část problematiky. Navíc stále platí a bude platit, že za výsledek histologické analýzy je zodpovědný lidský patolog, ne jeho robotický pomocník.

Takže AI zatím neumí „celého patologa“?

Ne, to určitě ne. Uvedu konkrétní příklad. U prostaty tvoří asi 95 procent případů rakoviny takzvaný acinární adenokarcinom, a právě ten dnes algoritmy umějí rozpoznávat poměrně dobře. Jenže pak existuje celá řada méně častých jednotek, ale pro ty už neexistuje dostatečné množství dat, na nichž by se mohla umělá inteligence kvalitně natrénovat. Takže můžete mít nástroj na hodnocení například karcinomu prsu nebo prostaty, ale ve výsledku zjistíte, že pomáhá s určitou vybranou částí diagnostiky a neumí širší kontext.

Dá se vývoj nějak urychlit?

Jednou z cest jsou takzvané foundation modely, což jsou algoritmy natrénované na obrovském množství případů, které jsou naučené rozpoznávat základní histologické změny napříč různými diagnózami. Jejich výhodou je to, že pokud chcete přijít s novým AI nástrojem, nemusíte ho stavět úplně od nuly, ale vezmete základní model a dále ho upravujete na rozpoznávání příbuzné, ale trochu odlišné problematiky. Zároveň je zde naprosto zásadní sdílení dat napříč pracovišti a ideálně i zeměmi. Dnes stavbu těchto modelů neutáhnete na materiálu z jednoho pracoviště a u vzácnějších diagnóz často ani z jedné země.

Existuje už nějaký globální registr histologických dat, ze kterého by se dalo čerpat?

Ne v tom smyslu, že by existoval jeden centrální světový registr všeho. Je to spíš o spolupráci jednotlivých pracovišť. Ty nejlepší modely dnes bývají trénované na desítkách tisíc případů, některé i na více, ale toto je možné jen díky sdílení a spolupráci vícero pracovišť, ne existenci jednoho univerzálního úložiště. Navíc, když se vrátíme úplně na začátek, pro trénování AI modelů musíte mít histologické vzorky nejprve digitalizované, abyste na ně mohli příslušný algoritmus pustit. A masivní digitalizace našeho oboru je záležitostí až posledních let.

Jak konkrétně digitalizace patologie v Česku vypadá?

Obor patologie dnes prochází obrovskou transformací. V podstatě lze říct, že nás potkává něco podobného, co potkalo radiology už před delší dobou, když opustili papírové snímky a začali nálezy hodnotit digitálně v počítači. I u nás se v posledních letech postupně posouváme od fyzických histologických sklíček k virtuálním preparátům, tedy k digitálním obrazům, které patolog má možnost hodnotit na monitoru svého počítače. Je to ale dlouhý proces, který je extrémně náročný na hardware i software a je samozřejmě i velmi nákladný.

Znamená to, že klasická sklíčka a mikroskop časem zmizí?

Fyzického materiálu se ještě dlouho úplně nezbavíme. Nejprve totiž musí vzniknout klasický histologický preparát, který se následně naskenuje a převede do digitální podoby. Navíc jsou tu i určité legislativní důvody, protože fyzický materiál musíme po určitou dobu ze zákona archivovat. Mikroskopy tedy ještě velmi dlouho úplně nezmizí. Spíše jde o to, že patolog bude mít vedle něj stále větší možnost pracovat i digitálně, což v některých případech znamená i na dálku.

Jak daleko je v tomhle směru IKEM?

IKEM vloni schválil investici na kompletní digitalizaci našeho pracovitě. V současné chvíli již proběhlo výběrové řízení, a pokud se nestane nic nečekaného, během tohoto kalendářního roku bychom měli digitalizovat prakticky celou naší workflow. To znamená, že drtivou většinu histologických preparátů bychom měli mít i v digitální podobě. A toto pak umožňuje další kroky, mezi které patří i širší využití umělé inteligence.

Co digitalizace přinese nejdřív?

Digitalizace může patologii pomoci ve více aspektech. Pokud odhlédneme od AI a podíváme se čistě jen na proces digitalizace, pak umožňuje lepší sdílení dat, rychlejší odečet biopsií a snazší konzultační činnost. V zásadě odemyká dveře telepatologii a telemedicíně obecně. Dnes, když potřebujete konzultovat případ s jiným specialistou, musíte většinou fyzicky poslat materiál čili histologická skla a někdy i parafínové bločky. V digitálním režimu můžete sdílet virtuální preparát. Je to rychlejší a odpadá i riziko spojené s transportem materiálu.

Takže patolog budoucnosti si bude pro druhý názor chodit spíš do zabezpečeného rozhraní než na poštu?

Je to možné. Nikdo přesně neví, jak takovýto systém v budoucnu bude přesně vypadat. Ale konzultační činnosti napříč městy i zeměmi se určitě zjednoduší. Navíc se na případ budou moci dívat konkrétní specialisté vzdáleně. Už dnes máme například takto zavedenou spolupráci s libereckou patologií, která je v digitalizaci a AI poměrně progresivní. Existují i modely, kdy je konkrétní specialista nasmlouvaný z jiného pracoviště a do diagnostiky se zapojuje vzdáleně přes webové rozhraní.

Máte zkušenost s konkrétním případem, kdy byla mezinárodní konzultace zásadní?

Konzultace histologických případů jsou mezi patology zcela běžné a výjimkou rozhodně nejsou ani konzultace napříč zeměmi. Pamatuji si na jeden případ ještě z dob, kdy jsem působil v Motole. Ve spolupráci s dětským kardiocentrem jsme u jednoho malého dítěte řešili podivný, dlouhotrvající zánět na chlopni. Původně jsme uvažovali o autoimunitním procesu, oběma stranám se to ale nezdálo úplně pravděpodobné a postupně jsme se začali klonit k možné infekci. Případ jsme tehdy sdíleli s kolegy kardiopatology z Texasu a následně se potvrdilo, že šlo skutečně o dlouhotrvající úpornou infekci. Dnes by se první krok podobné konzultace mohl výrazně urychlit právě tím, že bychom sdíleli naskenované preparáty a odpadla by nutnost zasílání fyzických histologických skel.

Inovace ve zdravotnictví

Stáhněte si přílohu v PDF

Dá se už v současnosti měřit, jestli digitalizace a AI skutečně šetří čas?

Kalkulovat návratnost investic je v případě takovýchto inovací velmi složité. Jak například chcete vyčíslit zpřesnění diagnostiky? Každopádně existují práce z velkých zahraničních center, například Španělska nebo USA, která si po digitalizaci jejich pracoviště spočítala návratnost investic a snažila se vyčíslit, co jim digitalizace vlastně přinesla. A ve výsledku se shodla na dobré finanční návratnosti, za kterou stálo především zrychlení práce patologa a zvýšení počtu odečtených biopsií za jednotku času. Takže ano, digitalizace je mimo jiné i cesta k vyšší efektivitě práce.

Neobáváte se, že medicína začne na AI spoléhat až příliš?

Myslím si, že to dnes nikdo neumí úplně odhadnout. My se na AI díváme z pozice generace, která ještě zažila plně analogový svět, takže si udržujeme zdravou dávku skepse. Pro generace, které přijdou po nás, ale bude AI běžnou součástí jejich každodenních životů a jejich pohled na věc bude nejspíš dost odlišný. Pokud jde ale o medicínu, pevně věřím, že si dokážeme opatrný přístup udržet. Pořád tu totiž bude vědomí osobní zodpovědnosti za finální diagnózu a volbu léčebného postupu.

Článek byl publikován ve speciální příloze HN Inovace ve zdravotnictví.