O AI-u se priča kao o struci, ali ja to ne bih tako posmatrao. To je hrpa metoda. Postanu zanimljive tek kad ih usmjeriš na nešto što već ima svoj jezik, svoje rupe, i ljude koji će primijetiti ako zabrljaš. Fei-Fei Li to ponavlja godinama. Ja sam to shvatio ozbiljno tek kad sam morao.
Upravo smo u Virchows Archiv objavili pregled o deep learningu u procjeni aksilarnih limfnih čvorova kod karcinoma dojke. To je Springerov časopis za patologiju: star, usko stručan, Q1 u svojoj kategoriji. Nije mu baš stalo je li ti arhitektura trenutno u modi. Ako radiš na ovom problemu, tu taj rad vide ljudi koji gledaju preparate.
Autori su Vedad Dedić, ja, Nejra Selak i Timur Ćerić. Literatura se, pomalo neuredno, dijeli na dva zadatka. Na predavanjima ih često svedu na isto. Detekcija: čvor je već izvađen, tkivo je na preparatu, i pitaš se ima li u njemu metastaza. To se već koristi. Predikcija: imaš samo biopsiju primarnog tumora, i pokušavaš pogoditi bi li aksila bila pozitivna da si je uzorkovao. To je još uvijek dosta otvoreno, što i nije čudno. Sliku pitaš za nešto čega na slici nema.
Ja sam radio softver i ML. Inspirisali smo se radom Xu et al.: status čvorova možeš pokušati pogoditi iz same biopsije primarnog tumora. Pokrenuo sam to na našim podacima, malo podesio, i dobio otprilike iste brojeve. Nisam htio nadmašiti rad. Htio sam vidjeti drži li se to i na drugim preparatima. Drži se, manje-više. Baš onakav siv ishod kakav zapravo trebaš prije nego što o metodi počneš pisati.
Na to se vraćam kad me neko pita da im model stavim na operativne podatke. Rijetko je pravo pitanje možemo li nešto istrenirati. Pravo pitanje je: drži li se kod tebe metoda koja je dobro izgledala kod drugih - i jesi li spreman to reći ako se ne drži.
Dedic V, Kadric M, Selak N, Ceric T. Deep learning in breast cancer histopathology: predicting and detecting axillary lymph node metastasis. Virchows Archiv, 4. septembar 2026. DOI
TREBAJU VAM DOKAZI IZ VLASTITIH PODATAKA?