Onkológia 4/2026

Umelá inteligencia v diagnostike a liečbe karcinómu močového mechúra

Doc. JUDr. MUDr. Patrik Palacka, PhD., MPH, MBA, LL.M.

Umelá inteligencia (AI) sa stáva integrálnou súčasťou nášho každodenného života. V medicíne spočíva jej najväčší potenciál vo zvyšovaní presnosti diagnostiky a personalizácii liečby rôznych ochorení vrátane karcinómu močového mechúra (BC). Úvodná časť tohto prehľadového článku mapuje vývoj od symbolickej až po generatívnu AI. Nasledujúca podkapitola sa zameriava na štúdie, ktoré testovali a validovali rôzne modely AI so zámerom zlepšiť diagnostiku BC v oblastiach klinickej biochémie (metabolomika), rádiológie (rádiomika), urológie (systém CystoNet) a patológie (neurónové siete na analýzu digitálnych snímok tkanív). Záverečná časť sa venuje modelom predikcie prežívania a odpovede na liečbu vrátane BCG terapie a neoadjuvantnej chemoterapie pred radikálnou cystektómiou. Budúci vývoj v tejto oblasti si vyžaduje zdokonalenie metód vysvetliteľnej AI (XAI), zabezpečenie robustnej externej validácie a bezproblémovú integráciu AI nástrojov do klinických pracovných postupov, najmä formou prepojenia s existujúcimi nemocničnými informačnými systémami.

Kľúčové slová: umelá inteligencia, karcinóm močového mechúra, digitálna patológia, vysvetliteľná AI, klinický pracovný postup

Artificial intelligence in diagnosis and treatment of bladder cancer

Artificial Intelligence (AI) has become an integral part of our daily lives. In medicine, its potential lies in increasing the accuracy of diagnostics and personalizing the treatment of various diseases, including bladder cancer (BC). The introductory section of this review article outlines the evolution of AI from symbolic to generative approaches. The subsequent subsection focuses on studies that have tested and validated various AI models aimed at improving BC diagnostics within the fields of clinical biochemistry (metabolomics), radiology (radiomics), urology (e.g., the CystoNet system), and pathology (neural networks for digital tissue image analysis). The final part addresses AI-driven predictive models for patient survival and treatment response, including BCG therapy and neoadjuvant chemotherapy prior to radical cystectomy. Future developments in this field require the refinement of explainable AI (XAI) methods, the implementation of robust external validation, and seamless integration into clinical workflows, particularly through interoperability with existing hospital information systems.

Keywords: artificial intelligence, bladder cancer, digital pathology, explainable AI, clinical workflow