Πιο κοντά στην εξατομίκευση της θεραπείας καρκινικών όγκων φέρνει η χρήση της Τεχνητής Νοημοσύνης, γιατρούς και ασθενείς, χάρη στην ανάπτυξη μοντέλου που βοηθά τον παθολογοανατόμο να αναλύσει έναν όγκο προκειμένου να πετύχει γρήγορη και ακριβή διάγνωση.
«Ο απώτερος στόχος αυτή τη στιγμή, όχι μόνο στη δική μου ομάδα, αλλά πραγματικά σε πάρα πολλές ερευνητικές ομάδες στον κόσμο, όταν μιλάμε για εξατομικευμένη ιατρική ακριβείας, το γεγονός δηλαδή ότι κάθε όγκος είναι μοναδικός και πρέπει να τον αντιμετωπίζουμε σαν μοναδικό, ότι όλοι οι ασθενείς που έχουν την ίδια νόσο δεν έχουν στην πραγματικότητα ακριβώς την ίδια νόσο. Γιατί μιλάμε για μια πολύ μεγάλη πολυπλοκότητα αυτής της νόσου. Δηλαδή μπορεί να διαφέρει πάρα πολύ σε επίπεδο μοριακό. Γι’ αυτό θέλουμε ακριβώς να δούμε μοριακά τι συμβαίνει σε έναν όγκο, δηλαδή ποιες πρωτεΐνες εκφράζονται, σε τι επίπεδα, πώς αλληλεπιδρούν τα κύτταρα μεταξύ τους ή πώς αλληλεπιδρούν με τα κύτταρα του ανοσοποιητικού που είναι πάρα πολύ σημαντικό ειδικά για ανοσοθεραπεία. Οπότε, ουσιαστικά ο στόχος ο απώτερος και της δικής μου ομάδας, αλλά και σε παγκόσμιο επίπεδο, είναι πώς μπορούμε να εφαρμόσουμε την τεχνητή νοημοσύνη έτσι ώστε να δίνουμε εξατομικευμένες προτάσεις για το ποιο φάρμακο ή ποιος συνδυασμός μάλλον καλύτερα φαρμάκων είναι ο καλύτερος για κάθε ασθενή» ανέφερε χαρακτηριστικά η Μαριάννα Ραψομανίκη, καθηγήτρια στον τομέα της Τεχνητής Νοημοσύνης στην Βιοατρική στο Πανεπιστήμιο της Λωζάνης και στο Πανεπιστημιακό Νοσοκομείο Λωζάνης, μιλώντας στο Πρώτο Πρόγραμμα 91,6 και 105,8 και στην εκπομπή «Πρωινές Διαδρομές στο Πρώτο» με την Μαρία Γεωργίου και τον Βασίλη Αδαμόπουλο.
«Το βασικό πρόβλημα που είχαμε να λύσουμε, η βασική ιδέα που είχαμε είναι η εξής. Συνήθως όταν αναλύεται ένας όγκος στο εργαστήριο από έναν παθολογοανατόμο, τότε γίνονται κάποιες χρώσεις πάνω σε αυτόν τον όγκο. Οι πιο συνηθισμένες είναι αυτές που λέμε αιματοξυλίνη και ηωσίνη, αλλά υπάρχουν και κάποιες άλλες πιο εξειδικευμένες χρώσεις και αυτό που μας δείχνουν αυτές οι χρώσεις, αυτό που δείχνουν μάλλον στον παθολογοανατόμο είναι τη μορφολογία των καρκινικών κυττάρων, πώς είναι μέσα ακριβώς στον όγκο διασκορπισμένα. Επίσης αν υπάρχουν κύτταρα του ανοσοποιητικού συστήματος που είναι πάρα πολύ σημαντικό. Γενικά δηλαδή μας δείχνουν αν υπάρχουν ανωμαλίες ως προς την μορφολογία, αλλά ταυτόχρονα μπορούμε να κοιτάξουμε και αν υπάρχουν και κάποιοι μοριακοί βιοδείκτες που εκφράζονται και αυτό σε πολλά είδη καρκίνου είναι πάρα πολύ σημαντικό. (…) Βοηθάει στην διάγνωση γιατί συνήθως μιλάμε σε επίπεδο βιοψίας, όταν γίνονται αυτά τα πράγματα έτσι. Οπότε το πρόβλημα τώρα που υπάρχει είναι ότι συνήθως είναι δύσκολο να γίνουν όλες αυτές οι χρώσεις ταυτόχρονα, γιατί κάθε φορά πρέπει να γίνεται σε διαφορετικό κομμάτι όγκου αυτή η χρώση. Ταυτόχρονα, αυτό που έχει γίνει τα τελευταία χρόνια στον χώρο της ογκολογίας και είναι μια πολύ μεγάλη επανάσταση από άποψη δεδομένων που μας παρέχει, είναι ότι έχουν έρθει κάποιες τελείως καινούργιες πειραματικές τεχνικές στο εργαστήριο. Εφαρμόζονται σε πολύ λίγα νοσοκομεία, εργαστήρια στον κόσμο αυτή τη στιγμή, στις οποίες μπορούμε ταυτόχρονα να πολυπλέξουμε, δηλαδή να χρώσουμε με πάρα πολλές διαφορετικές πρωτεϊνες ταυτόχρονα το ίδιο κομμάτι όγκου. Σκεφτείτε ότι με αυτές τις τεχνικές μπορούμε να δούμε μέχρι 40 πρωτεΐνες ή ακόμα και περισσότερο ή ακόμα και mRNA. Και αυτό μας δείχνει ταυτόχρονα αυτά τα κύτταρα, τα καρκινικά, τι κάνουν, δηλαδή σε ποια κατάσταση βρίσκονται, πόσο επικίνδυνα είναι, τι πιθανότητα έχουν να κάνουν μετάσταση και τα σχετικά. Το πρόβλημα είναι ότι είναι πολύ ακριβές αυτές οι τεχνικές. Τα μηχανήματα, είναι πολύ λίγα, υπάρχουν σε πολύ λίγα μέρη και τα σχετικά. Οπότε αυτό που σκεφτήκαμε εμείς να κάνουμε στην ομάδα μου ασχολούμαστε πολύ με το κομμάτι του πώς μπορούμε να εφαρμόσουμε την τεχνητή νοημοσύνη στην ιατρική, ειδικά στο θέμα του καρκίνου. Αυτό που σκεφτήκαμε να κάνουμε είναι να εκπαιδεύσουμε ένα υπολογιστικό μοντέλο το οποίο θα μάθει από ήδη υπάρχοντα δεδομένα, από πειράματα που έχουν γίνει ήδη σε κάποιους άλλους ασθενείς, σε όγκους άλλων ασθενών, θα μάθει πως μπορεί να μεταφέρει φέρει αυτή την πληροφορία μόνο από μία βιοψία. Δηλαδή η λογική είναι ότι δίνουμε στο μοντέλο όταν το έχουμε εκπαιδεύσει μόνο μία εικόνα από μία βιοψία και αυτό μας δίνει ως αποτέλεσμα την έκφραση πάρα πολλών διαφορετικών πρωτεϊνών στον ίδιο ακριβώς όγκο» συνέχισε η κ. Ραψομανίκη.
Απαντώντας στο ερώτημα που απασχολεί και την ίδια την ιατρική ερευνητική κοινότητα, κατά πόσο τα παραγόμενα αποτελέσματα θα είναι ασφαλή, η κ. Ραψομανίκη, διευκρίνισε αφενός όλα αυτά τα οποία περιγράφει είναι ακόμη σε επίπεδο ερευνητικό και σε επίπεδο δημοσιεύσεων. «Δηλαδή, απέχουμε πάρα πολύ από το να πούμε ότι αυτά θα τα δούμε στην κλινική να εφαρμόζονται σε πραγματικά δεδομένα ασθενών, αλλά η ελπίδα μας είναι ότι σιγά σιγά μπορούμε να δείξουμε ότι για κάποιες εφαρμογές θα μπορούσαν κάποιοι τέτοιοι αλγόριθμοι, κάποια τέτοια μοντέλα να δουλεύουν ως συνοδευτικά. Δηλαδή, να προτείνουν κάποια πράγματα τα οποία στο μέλλον ο παθολογοανατόμος θα κοιτάει πιο προσεκτικά. Όχι ότι θα αντικαταστήσουν δηλαδή το πείραμα ή τη διάγνωση τη σωστή που θα γίνεται από τον άνθρωπο» τόνισε καταλήγοντας.
Κάνε like στη σελίδα μας στο Facebook
Ακολούθησε μας στο Twitter
Κάνε εγγραφή στο κανάλι μας στο Youtube
Γίνε μέλος στο κανάλι μας στο Viber
– Αναφέρεται ως πηγή το ertnews.gr στο σημείο όπου γίνεται η αναφορά.
– Στο τέλος του άρθρου ως Πηγή
– Σε ένα από τα δύο σημεία να υπάρχει ενεργός σύνδεσμος