به گزارش پایگاه اطلاع رسانی بنیان، با توحه به اینکه ارزیابی هیستوپاتولوژیک برای تشخیص سرطان کولورکتال (CRC) ضروری است. با این حال، ارزیابی دستی بافت‌های بیمار در زیر میکروسکوپ نمی‌تواند به طور قابل اعتمادی از پیش آگهی بیمار یا تغییرات ژنومی که برای انتخاب درمان حیاتی است، اطلاع دهد. برای پرداختن به این چالش‌ها، یک مدل هوش مصنوعی جدید که توسط محققان دانشکده پزشکی هاروارد و دانشگاه ملی Cheng Kung در تایوان طراحی شده است، که می‌تواند با ارائه وضوح بالایی از بیماری، در مورد درمان بیماران مبتلا به سرطان کولورکتال که دومین سرطان کشنده در سراسر جهان است، به تصمصم گیری نهایی پزشکان کمک فراوانی کند.

سرطان کولورکتال

سرطان کولورکتال (CRC) سومین نوع سرطان شایع در سراسر جهان است. در سال 2020، تقریبا 2 میلیون مورد تشخیص داده شد. سرطان کولورکتال دومین علت شایع مرگ و میر ناشی از سرطان است که منجر به مرگ حدود 1 میلیون نفر در سال می‌شود. این در حالی است که تکنیک‌های غربالگری موثری وجود دارد که می‌تواند تعداد مرگ و میر ناشی از این بیماری را کاهش دهد. ارزیابی هیستوپاتولوژیک و بررسی تغییرات ژنتیکی کلید انتخاب درمان هستند. با این حال، بین ارزیابی‌کننده‌ها در تشخیص‌های هیستوپاتولوژی تنوع زیادی گزارش شده است. به همین خاطر فرآیند تعیین پروفایل ژنومی به روزها تا هفته‌ها نیاز دارد تا تکمیل شود و همین امر نیز برای همه بیمارستان‌های کشورهای در حال توسعه در دسترس نیست. بنابراین این محدودیت‌ها بیماران CRC را از دریافت درمان‌های به موقع و مناسب باز داشته است.

مزایای مدل ارائه شده توسط هوش مصنوعی

این ابزار جدید تنها با مشاهده تصاویر نمونه‌های تومور، 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 مهمتر این که درمان بهینه برای آنها چیست. این مدل از نشانگرهای بصری روی تصاویر پاتولوژی استفاده می‌کند تا بینش‌هایی را در مورد مشخصات ژنومی تومور جمع آوری کند و رفتار تومور، پیشرفت بیماری و پاسخ درمانی را پیش بینی کند.  این مدل جدید می‌تواند به تقویت تصمیم گیری بالینی کمک کند. از آنجایی که ابزار هوش مصنوعی تنها بر تصاویر متکی است، می‌تواند به ویژه برای بیمارستان‌هایی که فاقد فناوری یا تخصص برای انجام پروفایل ژنومی پیچیده بافت‌های تومور هستند، ارزشمند باشد. بنابراین داشتن ابزاری که به چنین سوالاتی پاسخ می‌دهد می‌تواند به پزشکان و بیماران کمک کند تا از این بیماری اغلب رفتار متفاوتی میان بیماران دارد نجات پیدا کنند. محققان می‌گویند که این ابزار به منظور ارتقاء و نه جایگزینی تخصص انسان است. نتایج این کار تیمی درنشریه Nature Communications منتشر شده است.

معرفی کارکردهای ابزار MOMA

author Kun-Hsing Yu، نویسنده 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». لازم به ذکر است در این مطالعه یو رهبری یک تیم بین المللی متشکل از پاتولوژیست‌ها، سرطان شناسان، انفورماتیکان زیست پزشکی و دانشمندان کامپیوتر را بر عهده داشته است. یو افزود: «آنچه ما پیش‌بینی می‌کنیم جایگزینی برای تخصص آسیب‌شناسی انسانی نیست، بلکه تقویت آن چیزی است که آسیب‌شناسان انسانی می‌توانند انجام دهند». "ما کاملاً انتظار داریم که این رویکرد عملکرد بالینی فعلی مدیریت سرطان را تقویت کند." در همین راستا 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 می‌افزایند، این مدل جدید می‌تواند در راهنمایی پزشکان برای پیگیری دقیق تر، در نظر گرفتن درمان‌های تهاجمی تر، یا توصیه آزمایشات بالینی برای آزمایش درمان‌های تجربی مفید باشد. 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. نکته مهمتر اینکه این ابزار به نام MOMA برای ارزیابی همزمان چند  omics به صورت رایگان در دسترس محققان و پزشکان قرار داده شده است.

روند درمان و پیگیری وضعیت بیماران

این مدل بر روی اطلاعات به‌دست‌آمده از نزدیک به 2000 بیمار مبتلا به سرطان کولورکتال از گروه‌های مختلف بیماران ملی که مجموعا شامل بیش از 450000 شرکت‌کننده بوده است، آموزش داده شد - مطالعه روند درمان و پیگیری بر عهده متخصصان سلامت بوده است. در طول مرحله آموزش، محققان اطلاعاتی را در مورد سن، جنس، مرحله سرطان و پیامدهای بیماران 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 باشددر ادامه نیز محققان با ارائه مجموعه‌ای از تصاویری که قبلاً از نمونه‌های تومور از بیماران مختلف ندیده بود، نحوه عملکرد این مدل را در «دنیای واقعی» آزمایش کردند. آنها عملکرد آن را با نتایج واقعی بیمار و سایر اطلاعات بالینی موجود مقایسه کردند. این مدل به‌طور دقیق بقای کلی بیماران را پس از تشخیص پیش‌بینی کرد.

قابلیت‌های مدل ارائه شده

مدل جدید از پیشرفت‌های اخیر در تکنیک‌های تصویربرداری تومور بهره می‌برد که سطوح بی‌سابقه‌ای از جزئیات را ارائه می‌دهد که برای ارزیاب‌های انسانی غیرقابل تشخیص باقی می‌ماند. بر اساس این جزئیات، مدل با موفقیت شاخص‌هایی را شناسایی کرد، که به عنوان مثال، نشان می‌دهد یک تومور چقدر تهاجمی است و چقدر احتمال دارد که در پاسخ به یک درمان، رفتار ویژه ای داشته باشد. تنها بر اساس یک تصویر، این مدل همچنین ویژگی‌های مرتبط با وجود یا عدم وجود جهش‌های ژنتیکی خاص را مشخص کرد - چیزی که معمولاً به توالی ژنومی تومور نیاز دارد. ولی باید دانست که این تعیین توالی می‌تواند زمان بر و پرهزینه باشد، به ویژه برای بیمارستان‌هایی که چنین خدماتی را به طور معمول ارائه نمی‌دهند. به گفته محققان، دقیقاً 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  همچنین گفتند که قبل از استقرار این مدل برای استفاده در کلینیک‌ها و بیمارستان‌ها، باید در یک کارآزمایی تصادفی آینده نگر که عملکرد ابزار را در بیماران واقعی در طول زمان پس از تشخیص اولیه ارزیابی می‌ند، آزمایش شود.  به گفته محققان، 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. یو گفت که 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 می‌کند. 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 می شود و 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. یو گفت، بنابراین، این مدل می‌تواند به پزشکان کمک کند تا درمان را انجام دهند و از بیمارانی که سودی نمی‌برند نجات دهند. این مدل همچنین تغییرات اپی ژنتیک مرتبط با سرطان کولورکتال را با موفقیت شناسایی کند. درنهایت اینکه توانایی مدل برای شناسایی این تغییرات راه دیگری را نشان می‌دهد که می‌تواند انتخاب درمان و پیش آگهی را تعیین کند.

پایان مطلب/.