Kapsułka z kamerą i sztuczna inteligencja: rewolucja w diagnostyce przewodu pokarmowego?

Kapsułka z kamerą i sztuczna inteligencja zmieniają oblicze gastroenterologii

Algorytmy wspierające ludzkie oko w analizie tysięcy obrazów

Postęp w badaniach klinicznych nad AI w endoskopii kapsułkowej

Ograniczenia technologii i wyzwania w codziennej praktyce klinicznej

Kapsułka z kamerą i sztuczna inteligencja zmieniają oblicze gastroenterologii

Endoskopia kapsułkowa (VCE – Wireless Capsule Endoscopy) stała się standardową procedurą diagnostyczną w ciągu ostatnich dwóch dekad. To nieinwazyjne badanie pozwala lekarzom ocenić błonę śluzową jelita cienkiego, a w nowszych zastosowaniach także innych odcinków przewodu pokarmowego. Pacjent połyka niewielką kapsułkę, która przemieszcza się przez przewód pokarmowy dzięki perystaltyce, wykonując tysiące zdjęć.

Teoretycznie jest to idealne rozwiązanie. W praktyce jednak analiza zapisu wideo pozostaje wyzwaniem. Materiał może zawierać ponad 50 000 pojedynczych klatek z jelita cienkiego. Przejrzenie tego nagrania przez specjalistę jest niezwykle czasochłonne i wymaga ogromnej koncentracji, aby nie pominąć subtelnych zmian. Czas analizy waha się zazwyczaj od 30 do 60 minut w zależności od doświadczenia lekarza.

Sztuczna inteligencja (AI) wkracza w ten proces jako potężny asystent, a nie substytut dla klinicysty. Algorytmy głębokiego uczenia (Deep Learning) są trenowane na ogromnych zbiorach danych, aby rozpoznawać określone cechy obrazu. Chodzi o automatyczne wykrywanie zmian chorobowych, takich jak krwawienia, zmiany naczyniowe (angiodysplazje), owrzodzenia, polipy czy guzy. Technologia ta ma potencjał, aby znacząco skrócić czas przeglądania nagrania i poprawić wykrywalność potencjalnie nieprawidłowych zmian, ale nadal wymaga odpowiedniej walidacji i nadzoru specjalisty.

Algorytmy wspierające ludzkie oko w analizie tysięcy obrazów

Zastosowanie AI w endoskopii kapsułkowej nie jest już tylko eksperymentem laboratoryjnym. Przegląd systematyczny opublikowany w 2025 roku analizował rozwiązania wykorzystujące AI, które są dostępne w systemach przeznaczonych do zastosowań klinicznych. Wyniki wskazują, że systemy te osiągają wysoką skuteczność wykrywania niektórych typów zmian. Algorytmy mogą być nauczone specyficznych wzorców, na przykład krwawienia świeżego lub przewlekłego, co pozwala im na automatyczne oflagowanie podejrzanych klatek.

Najnowsze badania potwierdzają tę tezę. Wieloośrodkowe badanie prospektywne opublikowane w 2024 roku na łamach „The Lancet Digital Health” porównało standardową analizę nagrań z analizą wspomaganą przez system AI. W badaniu uczestniczyło 137 pacjentów z podejrzeniem krwawienia z jelita cienkiego. Wyniki były uderzające.

W przypadku zmian odpowiadających krwawieniu, diagnostyczność analizy wspomaganej przez AI była nie gorsza od standardowego odczytu przez doświadczonego lekarza. Jednak kluczowa różnica dotyczyła czasu analizy. Średni czas odczytu nagrania wyniósł 33,7 minuty przy standardowej metodzie oraz zaledwie 3,8 minuty przy odczycie wspomaganym przez system sztucznej inteligencji. To blisko dziesięciokrotne przyspieszenie pracy.

Oznacza to, że lekarz nie traci czasu na przeglądanie zdrowej części jelita, a system AI najpierw automatycznie wybiera obrazy wymagające szczególnej uwagi. Następnie te wyselekcjonowane klatki są oceniane przez człowieka. Technologia pełni więc funkcję narzędzia wspierającego specjalistę, a nie autonomicznego diagnosty, co jest kluczowe dla zrozumienia jej obecnych możliwości. Sztuczna inteligencja może przeanalizować ogromną liczbę obrazów znacznie szybciej niż człowiek, ale szybkość ta nie jest tożsama z pełną skutecznością diagnostyczną, dlatego ostateczna interpretacja zawsze należy do lekarza.

Postęp w badaniach klinicznych nad AI w endoskopii kapsułkowej

Skala prowadzonych badań pokazuje, jak szybko rozwija się ten obszar medycyny. Opublikowany w kwietniu 2026 roku w czasopiśmie „Diagnostics” przegląd systematyczny i metaanaliza objęły łącznie 72 badania dotyczące AI w bezprzewodowej endoskopii kapsułkowej. Naukowcy analizowali zastosowania AI do wykrywania, klasyfikowania, segmentowania i lokalizowania nieprawidłowości w przewodzie pokarmowym.

Autorzy przeglądu wskazali na wysoką łączną skuteczność diagnostyczną badanych metod. Najlepsze wyniki obserwowano w przypadku wykrywania krwawień oraz zmian naczyniowych. Wyniki dotyczące innych kategorii, w tym nieswoistych chorób zapalnych jelit (np. choroba Leśniowskiego-Crohna) czy polipów, były bardziej zróżnicowane, co pokazuje, że algorytmy nadal wymagają doskonalenia w rozpoznawaniu subtelniejszych stanów zapalnych.

Jednocześnie metaanaliza zwróciła uwagę na fundamentalne problemy, które trzeba rozwiązać przed szerokim, rutynowym wykorzystaniem AI w praktyce klinicznej. Należą do nich między innymi niewystarczająca walidacja zewnętrzna algorytmów, stosunkowo niewielkie grupy pacjentów w części analiz, retrospektywny charakter wielu badań oraz istotne różnice w sposobie raportowania i oceny wyników. Standaryzacja jest konieczna, aby móc bezpośrednio porównywać skuteczność różnych platform i algorytmów, co obecnie jest utrudnione.

Ważnym aspektem jest także to, że systemy AI mogą znacząco skracać czas analizy, ale część zmian nadal może pozostać niewykryta. Dlatego nie można obecnie traktować AI jako rozwiązania całkowicie zastępującego ocenę specjalisty. To właśnie ten element jest kluczowy dla zrozumienia możliwości technologii — sztuczna inteligencja ma pomagać w wyłapywaniu potencjalnie nieprawidłowych zmian i znacząco skrócić czas potrzebny na przeglądanie nagrania, ale nie zwalnia lekarza z odpowiedzialności.

Ograniczenia technologii i wyzwania w codziennej praktyce klinicznej

Kluczowym pytaniem dla praktyków pozostaje: czy kapsułka z kamerą i sztuczna inteligencja zastąpią tradycyjną endoskopię? Odpowiedź wymaga ostrożności. Endoskopia kapsułkowa ma swoje określone zastosowania i ograniczenia. W przypadku oceny jelita cienkiego jest niezwykle ważnym i często pierwszoplanowym narzędziem diagnostycznym, wskazywanym przez Europejskie Towarzystwo Endoskopii Przewodu Pokarmowego (ESGE) m.in. w diagnostyce podejrzenia krwawienia z jelita cienkiego.

Jednak kapsułka nie jest prostym zamiennikiem każdej procedury endoskopowej. W przeciwieństwie do klasycznej gastroskopii czy kolonoskopii, kapsułka służy przede wszystkim do obrazowania i rejestracji. Nie pozwala ona lekarzowi w ten sam sposób pobrać wycinka tkanki (biopsji) do badania histopatologicznego czy wykonać zabiegu terapeutycznego (np. usunięcia polipa, zahamowania krwawienia) w trakcie badania.

Dlatego rozwój AI należy obecnie postrzegać przede wszystkim jako udoskonalenie sposobu analizowania materiału uzyskanego dzięki kapsułce, a nie jako prostą drogę do całkowitego zastąpienia wszystkich tradycyjnych badań endoskopowych. Kapsułka z kamerą nie jest już wyłącznie ciekawostką technologiczną, ale połączenie jej z AI staje się jednym z głównych kierunków rozwoju diagnostyki przewodu pokarmowego.

Najważniejsze pytanie, które zadają sobie naukowcy, brzmi: czy można w pełni zaufać algorytmowi? Technologia jest coraz bardziej zaawansowana, ale wraz z jej rozwojem pojawia się pytanie o bezpieczeństwo i odpowiedzialność. Jeżeli algorytm nie zauważy zmiany, która następnie zostanie pominięta również przez lekarza, konsekwencje mogą być istotne. Z tego powodu naukowcy zwracają uwagę nie tylko na wysoką czułość systemów AI, ale również na konieczność ich walidacji na danych pochodzących z innych ośrodków i populacji niż te, które wykorzystano podczas tworzenia algorytmu. Obiecujący wynik uzyskany w jednym badaniu laboratoryjnym nie powinien automatycznie oznaczać, że identyczna skuteczność zostanie osiągnięta w każdym szpitalu i u każdego pacjenta. Pomiędzy obiecującymi wynikami laboratoryjnymi a powszechnym, bezpiecznym zastosowaniem klinicznym wciąż pozostaje etap walidacji zewnętrznej i standaryzacji.

Bibliografia:

1. Sahafi A., Koulaouzidis A., Naemi A., Artificial Intelligence in Gastrointestinal Wireless Capsule Endoscopy: A Systematic Literature Review and Meta-Analysis, „Diagnostics”, 2026, 16(9), 1269.
2. Spada C. et al., AI-assisted capsule endoscopy reading in suspected small bowel bleeding: a multicentre prospective study, „The Lancet Digital Health”, 2024, 6, e345–e353.
3. Giordano A. et al., Integration of Artificial Intelligence-Enhanced Capsule Endoscopy in Clinical Practice: A Review of Market-Available Tools for Clinical Practice, „Digestive Diseases and Sciences”, 2025.
4. Dhali A. et al., Artificial Intelligence-Assisted Capsule Endoscopy Versus Conventional Capsule Endoscopy for Detection of Small Bowel Lesions: A Systematic Review and Meta-Analysis, „Journal of Gastroenterology and Hepatology”, 2025.
5. Soffer S. et al., Deep learning for wireless capsule endoscopy, „Gastrointestinal Endoscopy”, 2020.
6. European Society of Gastrointestinal Endoscopy (ESGE), wytyczne dotyczące endoskopii kapsułkowej jelita cienkiego.