هوش مصنوعی، سرطان روده بزرگ را پیش بینی و درمان می کند! - وبلاگ عصر نو

به گزارش وبلاگ عصر نو، دانشمندان پیروز شدند با استفاده از یک مدل هوش مصنوعی نو، سرطان روده بزرگ و پاسخ درمانی آن را پیش بینی کنند.

یک مدل هوش مصنوعی تازه که از طریق محققان دانشکده پزشکی هاروارد و دانشگاه ملی چنگ کونگ در تایوان طراحی شده است، می تواند 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 تازه تنها با نگاه کردن به تصاویر نمونه های تومور یعنی تصاویر میکروسکوپی سلول های سرطانی، به دقت پیش بینی می کند که تومور کولورکتال چقدر تهاجمی است، احتمال زنده ماندن بیمار با و بدون عود بیماری چقدر است و درمان بهینه برای آن ها چه می تواند باشد. گزارشی از کار این تیم در Nature Communications منتشر شده است.

داشتن ابزاری که به چنین سوالاتی پاسخ می دهد می تواند به پزشکان و بیماران کمک کند تا از این بیماری حیله گرانه استفاده کنند که اغلب رفتار متفاوتی دارد، حتی در میان افرادی که دارای مشخصات بیماری مشابهی هستند که درمان مشابهی دریافت می کنند و در نهایت می تواند جان حدود 1 میلیون نفر را نجات دهد. محققان هشدار می دهند 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 می دهد که آسیب شناسان انسانی نمی توانند آن ها را تنها بر اساس مشاهده تصویر انجام دهند. یو رهبری یک تیم بین المللی متشکل از پاتولوژیست ها، سرطان شناسان، انفورماتیکان زیست پزشکی و دانشمندان کامپیوتر را بر عهده داشت.

یو اضافه نمود: آنچه ما پیش بینی می کنیم جایگزینی برای تخصص آسیب شناسی انسانی نیست، بلکه تقویت آن چیزی است که آسیب شناسان انسانی می توانند انجام دهند. ما انتظار داریم که این رویکرد عملکرد بالینی فعلی مدیریت سرطان را تقویت کند.

محققان هشدار می دهند که پیش آگهی هر بیمار به عوامل متعددی بستگی دارد و هیچ مدلی نمی تواند بقای هر بیمار را به طور کامل پیش بینی کند؛ با این حال آن ها معتقدند مدل تازه می تواند در راهنمایی پزشکان برای پیگیری دقیق تر، در نظر گرفتن درمان های تهاجمی تر یا توصیه آزمایش های بالینی برای آزمایش درمان های تجربی مفید باشد، اگر بیمارانشان پیش آگهی های پیش بینی شده بدتری بر اساس ارزیابی ابزار داشته باشند.

محققان خاطرنشان کردند که این ابزار می تواند به ویژه در منطقه ها 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 تازه فراتر از بسکمک از ابزار های فعلی هوش مصنوعی است که در درجه اول وظایفی را انجام می دهند که تخصص انسان را تکرار یا بهینه می کند. ابزار تازه در مقایسه، الگو های بصری تصاویر میکروسکوپی را که برای چشم انسان غیرقابل تشخیص هستند، شناسایی و تفسیر می کند.

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 به دست آمده از نزدیک به 2000 بیمار مبتلا به سرطان کولورکتال از گروه های مختلف بیماران که مجموعا شامل بیش از 450000 شرکت کننده می شوند، آموزش داده شد؛ مطالعه پیگیری متخصصان سلامت، مطالعه سلامت پرستاران، برنامه اطلس ژنوم سرطان و NIHs آزمایش غربالگری سرطان پروستات، ریه، کولورکتال و تخمدان.

در طول مرحله آموزش، محققان اطلاعات مربوط به سن، جنس، مرحله سرطان و پیامد های بیماران را به مدل ارائه کردند؛ آن ها همچنین اطلاعاتی در مورد مشخصات ژنومی، اپی ژنتیکی، پروتئینی و متابولیک تومور ها به آن دادند. سپس محققان تصاویر پاتولوژی مدل نمونه های تومور را نشان دادند و از آن خواستند در پی نشانگر های بصری مرتبط با انواع تومور، جهش های ژنتیکی، تغییرات اپی ژنتیکی، پیشرفت بیماری و بقای بیمار باشد.

محققان سپس با ارائه مجموعه ای از تصاویری که قبلا از نمونه های تومور از بیماران مختلف مشاهده نشده بود، نحوه عملکرد این مدل را در جهانی واقعی آزمایش کردند. آن ها 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 سال ها بدون سرطان پیش بینی می کرد.

این ابزار همچنین به دقت پیش بینی می کرد که یک بیمار چگونه ممکن است به درمان های مختلف پاسخ دهد، بر اساس این که آیا تومور بیمار دارای جهش های ژنتیکی خاصی است که سرطان را کم و بیش مستعد پیشرفت یا توسعه می کند. در هر دوی این حوزه ها، این ابزار از آسیب شناسان انسانی و همچنین مدل های فعلی هوش مصنوعی بهتر عمل کرد.

محققان اعلام کردند که با پیشرفت علم و ظهور داده های تازه، این مدل دستخوش ارتقای دوره ای 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 تازه محیطی باشیم که به توسعه سرطان کمک می کند. این مهم است که مدل را با داده های تازه و بیشتر تقویت کنیم.

مدل تازه از پیشرفت های اخیر در تکنیک های تصویربرداری تومور بهره می برد که سطوح بی سابقه ای از جزئیات را ارائه می دهد که با این وجود برای ارزیاب های انسانی غیرقابل تشخیص باقی می ماند. بر اساس این جزئیات، مدل با موفقیت شاخص هایی را شناسایی کرد که نشان می دهد 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 ویژگی های مرتبط با وجود یا عدم وجود جهش های ژنتیکی خاص را مشخص کرد، چیزی که معمولا به مشخص توالی ژنومی تومور نیاز دارد. مشخص توالی می تواند زمان بر و پرهزینه باشد، به ویژه برای بیمارستان هایی که چنین خدماتی به طور معمول در دسترس نیستند.

به گفته محققان، دقیقا در چنین شرایطی است که این مدل می تواند پشتیبانی تصمیم گیری به موقع را برای انتخاب درمان در محیط های محدود به منابع یا در شرایطی که هیچ بافت توموری برای توالی یابی ژنتیکی وجود ندارد، ارائه دهد. محققان گفتند که قبل از استقرار این مدل برای استفاده در کلینیک ها و بیمارستان ها، باید در یک کارآزمایی تصادفی آینده نگر که عملکرد این ابزار را در بیماران واقعی در طول زمان پس از تشخیص اولیه ارزیابی می کند، آزمایش شود.

یو گفت: چنین مطالعه ای با مقایسه مستقیم عملکرد واقعی ابزار با استفاده از تصاویر به تنهایی با پزشکان انسانی که از دانش و نتایج آزمایشی استفاده می کنند که مدل به آن ها دسترسی ندارد، استاندارد طلایی قابلیت های مدل را نشان می دهد. یکی دیگر از نقاط قوت این مدل، استدلال شفاف آن است. اگر یک پزشک با استفاده از این مدل بپرسد که چرا یک پیش بینی داده شده است، ابزار می تواند استدلال خود و متغیر هایی را که استفاده می کند، توضیح دهد؛ این ویژگی برای افزایش اعتماد پزشکان به مدل های هوش مصنوعی که استفاده می کنند، مهم است.

سنجش پیشرفت بیماری، درمان بهینه

این مدل به دقت ویژگی های 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 سلول های تومور که به نام استروما شناخته می شود، تعامل سلول های تومور با سلول های ماهیچه صاف.

این مدل همچنین الگو هایی را در استرومای تومور شناسایی کرد که نشان می داد کدام بیماران بدون عود سرطان بیشتر عمر می کنند؛ این ابزار همچنین به طور دقیق پیش بینی می کرد که کدام بیماران از دسته ای از درمان های سرطان موسوم به مهارکننده های ایمن شناختی سود می برند. در حالی که این درمان ها در بسکمک از بیماران مبتلا به سرطان روده بزرگ کار می کنند، برخی از آن ها هیچ سود قابل مقدار گیری ندارند و عوارض جانبی جدی دارند؛ بنابراین این مدل می تواند 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 می افتند که مولکول هایی به نام گروه های متیل به DNA متصل می شوند و نحوه رفتار DNA را تغییر می دهند، به دلیل خاموش کردن ژن هایی که تومور ها را سرکوب می کنند و باعث رشد سریع سرطان ها می شوند، اتفاق می افتند. توانایی مدل برای شناسایی این تغییرات راه دیگری را نشان می دهد که می تواند انتخاب درمان و پیش آگهی را مشخص کند.