Spansk AI-verktøy skiller Ewing-sarkom fra liknende tumører med 91,6 % nøyaktighet
Et spansk forskerteam har utviklet og validert et patologiverktøy basert på dyp læring som skiller Ewing-sarkom fra morfologisk like tumører, med rapportert samlet nøyaktighet på 91,6 %. Det praktiske salgspunktet er ikke algoritmisk nyskapning, men vev: verktøyet skal hjelpe patologer å velge riktige bekreftende tester når prøvebiopsien gir svært lite vev å jobbe med.
Hva som er nytt
Et team fra Universitat Politècnica de València (UPV) og Universitat de València har utviklet et kunstig intelligens-system som ifølge forskerne skiller Ewing-sarkom fra andre morfologisk like tumører med høy nøyaktighet. Modellen oppnår 91,6 % samlet nøyaktighet, sensitivitet på 97,1 % spesifikt for Ewing-sarkom, og en marginal feilrate på bare 1,96 % mellom Ewing-sarkom og rabdomyosarkom — den vanskeligste differensialdiagnosen blant små runde celletumører, ifølge teamet. Tallene er oppgitt i UPVs pressemelding og dens gjenpubliseringer på EurekAlert (kilde 155c25d2) og News-Medical (kilde 7ed56506).
Den fagfellevurderte artikkelen ble publisert i International Journal of Molecular Sciences 31. juli 2026 (Giner et al., årgang 27, nr. 15, artikkel 6864, DOI 10.3390/ijms27156864). Institusjonene distribuerer deretter pressemeldingen i oktober 2026 — UPV 1. oktober, EurekAlert 8. oktober og News-Medical 13. oktober — slik at saken nå er aktiv på nyhetssyklusen (kilde 9a1ba886).
Hvorfor diagnosen er vanskelig
Ewing-sarkom tilhører gruppen små runde celletumører, der flere tumørtyper ser nesten identiske ut i mikroskopet. Det betyr at patologen sjelden kan stille diagnosen på morfologi alene; den må bekreftes med molekylære og andre tester. Slike bekreftende tester krever vev, og prøven tas ofte med nålebiopsi, som gir svært begrenset vevsmateriale.
Det er her verktøyet har sin praktiske inngangsport. «Verktøyet er designet for å støtte medisinsk personell innen anatomisk patologi og kan hjelpe med å styre hvilke tester som trengs for å bekrefte diagnosen, særlig når svært lite vev er tilgjengelig fra en biopsi. Med dyp læring identifiserer systemet de mikroskopiske mønstrene som er knyttet til hver tumørtype, og genererer deretter en klassifisering», forklarer Valery Naranjo, koordinator for CVBLab ved UPV og teknologidirektør i spin-offselskapet Artikode Intelligence (kilde 155c25d2).
I praksis betyr det at klassifiseringen kan hjelpe patologen til å prioritere hvilke av de begrensede vevsprøvene som brukes til hvilke tester — et argument om «full utnyttelse av vevet i biopsier» som UPVs melding fremhever, men som er utviklerens egen påstand uten prospektive data i materialet som foreligger.
Hvordan systemet ble bygget og testet
Til trening og evaluering brukte teamet 1 926 digitaliserte histologiske prøver fra 729 pasienter ved fire sykehus i Spania og Italia. Materialet omfattet 517 tilfeller av Ewing-sarkom i tillegg til andre tumørtyper (kilde 9a1ba886). Artikkeltittelen angir at analysen bygger på vevsmikroarrayer (tissue microarrays) — standardiserte, små vevsprøver samlet i ett preparat, som letter storskala analyse men skiller seg fra hele preparater fra rutinediagnostikk.
Pressemeldingen oppgir ikke detaljer om trenings-/testoppdeling, ekstern validering eller hvilke nabotumørtyper som inngikk i sammenligningen utover rabdomyosarkom som den vanskeligste differensialen. Slike valideringsdetaljer kan ikke kontrolleres ut fra det foreliggende materialet, siden selve artikkelen ikke er tilgjengelig for gjennomgang her — kun pressemeldingene.
Forskernes egen ramming
Hovedforsker og førsteforfatter Francisco Giner (Universitat de València) tar avstand fra ideen om at nyheten er AI-bruk som sådan. «Nyskapningen i prosjektet ligger ikke bare i å bruke AI til å diagnostisere Ewing-sarkom, siden eksperimentelle tilnærminger basert på dyp læring allerede finnes på dette feltet. Vår særegne contribusjon ligger i kombinasjonen av det kliniske problemet som adresseres, typen data, klassifiseringsstrategien og fokuset på å utvikle et verktøy som kan anvendes i realvirkelighetens digitale patologi», understreker han (kilde 7ed56506).
Han legger samtidig vekt på verktøyets rolle: kunstig intelligens «er ikke ment å erstatte patologen, men snarere å gi objektiv diagnostisk støtte, som er særlig verdifullt på sykehus som ikke har umiddelbar tilgang til hele spekteret av molekylære tester» (samme kilde). Det er et reelt helsepolitisk poeng: molekylær diagnostikk krever utstyr og kompetanse som ikke alle sykehus har, og morfologisk støtte fra et verktøy basert på dyp læring kan dermed hjelpe der testkapasiteten er begrenset.
Finansiering og samarbeidspartnere
Arbeidet inngår i DEISA-prosjektet (referansene INREIA/2024/71 og INREIA/2024/161), finansiert av EU gjennom NextGenerationEU-midler. Partnere er Hospital Universitari i Politècnic La Fe, forskningsinstituttet INCLIVA, Valenciansk onkologiinstitutt (IVO), Príncipe Felipe forskningssenter (CIPF), CIBERONC og Rizzoli ortopediske institutt i Bologna (kilde 9a1ba886).
Forbehold og åpne spørsmål
Flere ting gjenstår å avklare før tallene kan leses som et klinisk utsagn:
- Alle ytelsestall stammer fra én pressemelding. UPV-, EurekAlert- og News-Medical-dokumentene er vesentlig den samme meldingen, ikke uavhengig korroborering. Fagfellevurderingen gjelder artikkelen, ikke pressemeldingens formuleringer av tallene.
- Valideringsdetaljene er ukjente. Det foreliggende materialet sier ingenting om trenings-/testoppdeling, ekstern validering eller definisjonen av komparatortumørene — sentrale spørsmål for å vurdere om 91,6 % er en robust eller optimistisk verdi.
- Klinisk status er uoppgitt. Meldingen beskriver et validert forskningssystem, men sier ikke om verktøyet er tatt i bruk, er under reguleringsvurdering eller godkjent. Det finnes ingen opplysninger som støtter en antagelse om klinisk drift.
- Tidslinjen fortjener presisjon. Artikkelen ble publisert 31. juli 2026, men pressemeldingen sirkulerte først i oktober 2026. Det er ikke uvanlig, men betyr at sakens «nyhet» på nyhetssyklusen nå er institusjonell utspilling av et fagfellevurdert resultat, ikke selve publiseringen.
- Påstanden om «full utnyttelse» av biopsivev er utviklerens ramming; det foreligger ingen prospektive data i det tilgjengelige materialet som kvantifiserer hvor mye vev verktøyet faktisk sparer, eller hvor ofte klassifiseringen endrer testvalget i praksis.
Det er altså et troverdig, velfinansiert og fagfellevurdert forskningsresultat med et konkret klinisk bruksområde — men åpne spørsmål om validering, regulering og faktisk klinisk nytteverdi gjenstår før den rapporterte sensitiviteten på 97,1 % kan oversettes til endret pasientforløp.
Spanish AI tool distinguishes Ewing sarcoma from similar tumors with 91.6% accuracy
A Spanish research team has developed and validated a deep-learning pathology tool that distinguishes Ewing sarcoma from morphologically similar tumours, with a reported overall accuracy of 91.6%. The practical selling point is not algorithmic novelty but tissue: the tool is intended to help pathologists choose the right confirmatory tests when the needle biopsy leaves very little tissue to work with.
What's new
A team from the Universitat Politècnica de València (UPV) and the University of Valencia has developed an artificial intelligence system that, according to the researchers, distinguishes Ewing sarcoma from other morphologically similar tumours with high accuracy. The model achieves 91.6% overall accuracy, 97.1% sensitivity specifically for Ewing sarcoma, and a marginal error rate of just 1.96% between Ewing sarcoma and rhabdomyosarcoma — the most difficult differential diagnosis among small round cell tumours, according to the team. The figures are given in UPV's press release and its republications on EurekAlert (source 155c25d2) and News-Medical (source 7ed56506).
The peer-reviewed article was published in the International Journal of Molecular Sciences on 31 July 2026 (Giner et al., volume 27, issue 15, article 6864, DOI 10.3390/ijms27156864). The institutions distributed the press release in October 2026 — UPV on 1 October, EurekAlert on 8 October and News-Medical on 13 October — meaning the story is now live on the news cycle (source 9a1ba886).
Why the diagnosis is difficult
Ewing sarcoma belongs to the group of small round cell tumours, in which several tumour types look almost identical under the microscope. That means the pathologist can rarely make the diagnosis on morphology alone; it must be confirmed with molecular and other tests. Such confirmatory tests require tissue — and the sample is often taken by needle biopsy, which yields very limited tissue material.
This is where the tool has its practical entry point. "The tool is designed to support medical staff in the field of anatomical pathology and could help guide the tests needed to confirm the diagnosis, particularly when very little tissue is available from a biopsy. Using deep learning techniques, the system identifies the microscopic patterns associated with each type of tumour and subsequently generates a classification," explains Valery Naranjo, coordinator of CVBLab at UPV and chief technology officer at the spin-off company Artikode Intelligence (source 155c25d2).
In practice, this means the classification can help the pathologist prioritise which of the limited tissue samples are used for which tests — an argument about "full optimisation of the tissue in biopsies" that UPV's release highlights, but which is the developer's own claim without prospective data in the available material.
How the system was built and tested
For training and evaluation, the team used 1,926 digitised histological samples from 729 patients at four hospitals in Spain and Italy. The material included 517 cases of Ewing sarcoma in addition to other tumour types (source 9a1ba886). The article title indicates that the analysis is based on tissue microarrays — standardised, small tissue samples assembled in a single preparation, which facilitates large-scale analysis but differs from whole slides from routine diagnostics.
The press release does not provide details on train/test splits, external validation, or which neighbouring tumour types were included in the comparison beyond rhabdomyosarcoma as the hardest differential. Such validation details cannot be verified from the available material, since the article itself was not available for review here — only the press releases.
The researchers' own framing
Lead researcher and first author Francisco Giner (University of Valencia) argues that the news is not AI use as such. "The novelty of the project does not lie simply in using AI to diagnose Ewing sarcoma, as experimental deep learning approaches already exist in this field. Our distinctive contribution lies in the combination of the clinical problem addressed, the type of data, the classification strategy and the focus on developing a tool applicable to real-world digital pathology," he stresses (source 7ed56506).
At the same time, he emphasises the tool's role: artificial intelligence "is not intended to replace the pathologist, but rather to provide objective diagnostic support, which is particularly valuable in hospitals that do not have immediate access to the full range of molecular tests" (same source). That is a real health-policy point: molecular diagnostics require equipment and expertise that not all hospitals have, and morphological support from a deep-learning tool can therefore help where test capacity is limited.
Funding and partners
The work is part of the DEISA project (references INREIA/2024/71 and INREIA/2024/161), funded by the EU through NextGenerationEU funds. Partners are Hospital Universitari i Politècnic La Fe, the INCLIVA Institute for Health Research, the Valencian Institute of Oncology (IVO), the Príncipe Felipe Research Center (CIPF), CIBERONC and the Rizzoli Orthopaedic Institute in Bologna (source 9a1ba886).
Caveats and open questions
Several things remain to be clarified before the figures can be read as a clinical statement:
- All performance figures come from a single press release. The UPV, EurekAlert and News-Medical documents are essentially the same release, not independent corroboration. The peer review applies to the article, not the press release's formulations of the figures.
- The validation details are unknown. The available material says nothing about train/test splits, external validation, or the definition of the comparator tumours — central questions for assessing whether 91.6% is a robust or optimistic value.
- Clinical status is unstated. The release describes a validated research system, but does not say whether the tool is in use, under regulatory review, or approved. There is no information supporting an assumption of clinical deployment.
- The timeline deserves precision. The article was published on 31 July 2026, but the press release only circulated in October 2026. That is not unusual, but it means the story's "news" on the news cycle is now the institutional rollout of a peer-reviewed result, not the publication itself.
- The claim of "full optimisation" of biopsy tissue is the developer's framing; there are no prospective data in the available material quantifying how much tissue the tool actually saves, or how often the classification changes test selection in practice.
This is, then, a credible, well-funded and peer-reviewed research result with a concrete clinical use case — but open questions about validation, regulation and actual clinical utility remain before the reported 97.1% sensitivity can be translated into changed patient pathways.