یک مدل هوش مصنوعی جدید که توسط محققان دانشکده پزشکی هاروارد و دانشگاه ملی چنگ کونگ در تایوان طراحی شده است، می‌تواند وضوح بسیار مورد نیاز را برای پزشکان ارائه دهد و در مورد درمان بیماران مبتلا به سرطان کولورکتال، دومین سرطان کشنده در سراسر جهان، تصمیم گیری کند.

این ابزار جدید تنها با نگاه کردن به تصاویر نمونه‌های تومور یعنی تصاویر میکروسکوپی سلول‌های سرطانی، به دقت پیش‌بینی می‌کند که تومور کولورکتال چقدر تهاجمی است، احتمال زنده ماندن بیمار با و بدون عود بیماری چقدر است و درمان بهینه برای آن‌ها چه می‌تواند باشد. گزارشی از کار این تیم در Nature Communications منتشر شده است.

داشتن ابزاری که به چنین سوالاتی پاسخ می‌دهد می‌تواند به پزشکان و بیماران کمک کند تا از این بیماری حیله‌گرانه استفاده کنند که اغلب رفتار متفاوتی دارد، حتی در میان افرادی که دارای مشخصات بیماری مشابهی هستند که درمان مشابهی دریافت می‌کنند و در نهایت می‌تواند جان حدود ۱ میلیون نفر را نجات دهد. محققان هشدار می‌دهند که این ابزار به منظور ارتقاء و نه جایگزینی تخصص انسان است.

کان-هسینگ یو، محقق ارشد این مطالعه، استادیار انفورماتیک بیوپزشکی در موسسه بلاواتنیک در HMS، گفت: مدل ما وظایفی را انجام می‌دهد که آسیب‌شناسان انسانی نمی‌توانند آن‌ها را تنها بر اساس مشاهده تصویر انجام دهند.

یو رهبری یک تیم بین المللی متشکل از پاتولوژیست‌ها، سرطان شناسان، انفورماتیکان زیست پزشکی و دانشمندان کامپیوتر را بر عهده داشت.

یو افزود: آنچه ما پیش‌بینی می‌کنیم جایگزینی برای تخصص آسیب‌شناسی انسانی نیست، بلکه تقویت آن چیزی است که آسیب‌شناسان انسانی می‌توانند انجام دهند. ما انتظار داریم که این رویکرد عملکرد بالینی فعلی مدیریت سرطان را تقویت کند. 

محققان هشدار می‌دهند که پیش آگهی هر بیمار به عوامل متعددی بستگی دارد و هیچ مدلی نمی‌تواند بقای هر بیمار را به طور کامل پیش بینی کند؛ با این حال آن‌ها معتقدند مدل جدید می‌تواند در راهنمایی پزشکان برای پیگیری دقیق‌تر، در نظر گرفتن درمان‌های تهاجمی‌تر یا توصیه آزمایش‌های بالینی برای آزمایش درمان‌های تجربی مفید باشد، اگر بیمارانشان پیش آگهی‌های پیش بینی شده بدتری بر اساس ارزیابی ابزار داشته باشند.

محققان خاطرنشان کردند که این ابزار می‌تواند به ویژه در مناطق با منابع محدود هم در این کشور و هم در سراسر جهان مفید باشد، جایی که آسیب شناسی پیشرفته و توالی ژنتیکی تومور ممکن است به راحتی در دسترس نباشد.

ابزار جدید فراتر از بسیاری از ابزار‌های فعلی هوش مصنوعی است که در درجه اول وظایفی را انجام می‌دهند که تخصص انسان را تکرار یا بهینه می‌کند. ابزار جدید در مقایسه، الگو‌های بصری تصاویر میکروسکوپی را که برای چشم انسان غیرقابل تشخیص هستند، شناسایی و تفسیر می‌کند.

این ابزار به نام MOMA (برای ارزیابی چند همگروهی چند omics) به صورت رایگان در دسترس محققان و پزشکان است.

آموزش و تست گسترده

این مدل بر اساس اطلاعات به‌دست‌آمده از نزدیک به ۲۰۰۰ بیمار مبتلا به سرطان کولورکتال از گروه‌های مختلف بیماران که مجموعا شامل بیش از ۴۵۰۰۰۰ شرکت‌کننده می‌شوند، آموزش داده شد؛ مطالعه پیگیری متخصصان سلامت، مطالعه سلامت پرستاران، برنامه اطلس ژنوم سرطان و NIH's آزمایش غربالگری سرطان پروستات، ریه، کولورکتال و تخمدان.

در طول مرحله آموزش، محققان اطلاعات مربوط به سن، جنس، مرحله سرطان و پیامد‌های بیماران را به مدل ارائه کردند؛ آن‌ها همچنین اطلاعاتی در مورد مشخصات ژنومی، اپی ژنتیکی، پروتئینی و متابولیک تومور‌ها به آن دادند.

سپس محققان تصاویر پاتولوژی مدل نمونه‌های تومور را نشان دادند و از آن خواستند به دنبال نشانگر‌های بصری مرتبط با انواع تومور، جهش‌های ژنتیکی، تغییرات اپی ژنتیکی، پیشرفت بیماری و بقای بیمار باشد.

محققان سپس با ارائه مجموعه‌ای از تصاویری که قبلا از نمونه‌های تومور از بیماران مختلف مشاهده نشده بود، نحوه عملکرد این مدل را در «دنیای واقعی» آزمایش کردند. آن‌ها عملکرد آن را با نتایج واقعی بیمار و سایر اطلاعات بالینی موجود نیز مقایسه کردند.

این مدل به طور دقیق بقای کلی بیماران را پس از تشخیص و همچنین چند سال پس از آن سال‌ها بدون سرطان پیش‌بینی می‌کرد.

این ابزار همچنین به دقت پیش‌بینی می‌کرد که یک بیمار چگونه ممکن است به درمان‌های مختلف پاسخ دهد، بر اساس این که آیا تومور بیمار دارای جهش‌های ژنتیکی خاصی است که سرطان را کم و بیش مستعد پیشرفت یا گسترش می‌کند.

در هر دوی این حوزه‌ها، این ابزار از آسیب شناسان انسانی و همچنین مدل‌های فعلی هوش مصنوعی بهتر عمل کرد.

محققان  اعلام کردند که با پیشرفت علم و ظهور داده‌های جدید، این مدل دستخوش ارتقای دوره‌ای خواهد شد.

یو گفت: با هر مدل هوش مصنوعی بسیار مهم است که به طور مداوم رفتار و عملکرد آن را زیر نظر داشته باشیم، زیرا ممکن است شاهد تغییراتی در توزیع بار بیماری یا سموم جدید محیطی باشیم که به توسعه سرطان کمک می‌کند. این مهم است که مدل را با داده‌های جدید و بیشتر تقویت کنیم.

مدل جدید از پیشرفت‌های اخیر در تکنیک‌های تصویربرداری تومور بهره می‌برد که سطوح بی‌سابقه‌ای از جزئیات را ارائه می‌دهد که با این وجود برای ارزیاب‌های انسانی غیرقابل تشخیص باقی می‌ماند. بر اساس این جزئیات، مدل با موفقیت شاخص‌هایی را شناسایی کرد که نشان می‌دهد یک تومور چقدر تهاجمی است و چقدر احتمال دارد که در پاسخ به یک درمان خاص رفتار کند.

تنها بر اساس یک تصویر، این مدل همچنین ویژگی‌های مرتبط با وجود یا عدم وجود جهش‌های ژنتیکی خاص را مشخص کرد، چیزی که معمولا به تعیین توالی ژنومی تومور نیاز دارد. تعیین توالی می‌تواند زمان بر و پرهزینه باشد، به ویژه برای بیمارستان‌هایی که چنین خدماتی به طور معمول در دسترس نیستند.

به گفته محققان، دقیقا در چنین شرایطی است که این مدل می‌تواند پشتیبانی تصمیم‌گیری به موقع را برای انتخاب درمان در محیط‌های محدود به منابع یا در شرایطی که هیچ بافت توموری برای توالی‌یابی ژنتیکی وجود ندارد، ارائه دهد.

محققان گفتند که قبل از استقرار این مدل برای استفاده در کلینیک‌ها و بیمارستان‌ها، باید در یک کارآزمایی تصادفی آینده نگر که عملکرد این ابزار را در بیماران واقعی در طول زمان پس از تشخیص اولیه ارزیابی می‌کند، آزمایش شود.

یو گفت: چنین مطالعه‌ای با مقایسه مستقیم عملکرد واقعی ابزار با استفاده از تصاویر به تنهایی با پزشکان انسانی که از دانش و نتایج آزمایشی استفاده می‌کنند که مدل به آن‌ها دسترسی ندارد، استاندارد طلایی قابلیت‌های مدل را نشان می‌دهد. 

یکی دیگر از نقاط قوت این مدل، استدلال شفاف آن است. اگر یک پزشک با استفاده از این مدل بپرسد که چرا یک پیش‌بینی داده شده است، ابزار می‌تواند استدلال خود و متغیر‌هایی را که استفاده می‌کند، توضیح دهد؛ این ویژگی برای افزایش اعتماد پزشکان به مدل‌های هوش مصنوعی که استفاده می‌کنند، مهم است.

سنجش پیشرفت بیماری، درمان بهینه

این مدل به دقت ویژگی‌های تصویر مربوط به تفاوت در بقا را مشخص کرد؛ برای مثال سه ویژگی تصویر را شناسایی کرد که نتایج بدتری را به همراه داشت: تراکم سلولی بیشتر در تومور، وجود بافت حمایتی همبند در اطراف سلول‌های تومور که به نام استروما شناخته می‌شود، تعامل سلول‌های تومور با سلول‌های ماهیچه صاف.

این مدل همچنین الگو‌هایی را در استرومای تومور شناسایی کرد که نشان می‌داد کدام بیماران بدون عود سرطان بیشتر عمر می‌کنند؛ این ابزار همچنین به‌طور دقیق پیش‌بینی می‌کرد که کدام بیماران از دسته‌ای از درمان‌های سرطان موسوم به مهارکننده‌های ایمن‌شناختی سود می‌برند. در حالی که این درمان‌ها در بسیاری از بیماران مبتلا به سرطان روده بزرگ کار می‌کنند، برخی از آن‌ها هیچ سود قابل اندازه گیری ندارند و عوارض جانبی جدی دارند؛ بنابراین این مدل می‌تواند به پزشکان کمک کند تا درمان را انجام دهند.

این مدل همچنین تغییرات اپی ژنتیک مرتبط با سرطان کولورکتال را با موفقیت شناسایی کرد. این تغییرات که زمانی اتفاق می‌افتند که مولکول‌هایی به نام گروه‌های متیل به DNA متصل می‌شوند و نحوه رفتار DNA را تغییر می‌دهند، به دلیل خاموش کردن ژن‌هایی که تومور‌ها را سرکوب می‌کنند و باعث رشد سریع سرطان‌ها می‌شوند، اتفاق می‌افتند. توانایی مدل برای شناسایی این تغییرات راه دیگری را نشان می‌دهد که می‌تواند انتخاب درمان و پیش آگهی را تعیین کند.

منبع: مدیکال اکسپرس