در گامی انقلابی برای آینده تشخیص سرطان، محققان دانشگاه پزشکی شاریته برلین در آلمان موفق به ابداع یک مدل هوش مصنوعی شده‌اند که قادر است بیش از ۱۷۰ نوع تومور سرطانی را با دقت و سرعت بسیار بالا ردیابی و طبقه‌بندی کند. این پیشرفت، نویدبخش راه‌حل‌های تشخیصی کمتر تهاجمی و بسیار دقیق‌تر، به ویژه در موارد پیچیده مانند تومورهای مغزی است.
فراتر از بیوپسی: استفاده از ردپای اپی‌ژنتیک
تصور کنید ام‌آرآی یک تومور مغزی را در مکانی نامناسب نشان می‌دهد و نمونه‌برداری مغز (بیوپسی) برای بیماری که با دوبینی به پزشک مراجعه کرده، خطرات زیادی را به همراه دارد. شرایطی از این دست، محققان را به سمت بررسی روش‌های تشخیصی نوین سوق داده است. مدل هوش مصنوعی جدید، به جای تکیه بر روش‌های سنتی و تهاجمی، از ویژگی‌های خاص موجود در ماده ژنتیکی تومورها، یعنی “ردپای اپی‌ژنتیک” آن‌ها استفاده می‌کند. این ردپاها، برای مثال، از مایع مغزی نخاعی (CSF) قابل دستیابی هستند.
محققان در مطالعه‌ای که در ژورنال معتبر “نیچر کنسر” منتشر شده، نشان داده‌اند که این مدل هوش مصنوعی جدید می‌تواند تومورها را به سرعت و با دقت بسیار بالا طبقه‌بندی کند. امروزه، تعداد تومورهای شناخته شده در اعضای مختلف بدن بسیار زیاد است و هر تومور ویژگی‌های خاص خود را دارد. مهم‌تر از آن، درمان هر بیماری به طور جداگانه به نوع دقیق تومور بستگی دارد؛ بنابراین، تشخیص دقیق نوع تومور، کلید انتخاب بهترین و مؤثرترین روش درمانی است.
تشخیص دقیق، درمان هدفمند
درمان‌های هدفمند نوین، سلول‌های ساختاری خاصی از تومور را هدف قرار می‌دهند یا مسیرهای سیگنال‌دهی آن‌ها را مسدود می‌کنند تا رشد بافت آسیب‌دیده متوقف شود. همچنین، شیمی‌درمانی را می‌توان بر اساس نوع تومور انتخاب و دوز آن را با دقت بیشتری مشخص کرد.
در همین راستا، روشی برای دسته‌بندی تومورهای مغزی ابداع شده است که بر اساس روش‌های تشخیصی میکروسکوپی نیست، بلکه بر اصلاحات ماده ژنتیک تومور یا همان ویژگی‌های اپی‌ژنتیک تکیه دارد. این ویژگی‌ها بخشی از “حافظه” هر سلول هستند و تعیین می‌کنند کدام بخش از اطلاعات ژنتیکی بررسی شده‌اند و چه زمانی این اتفاق افتاده است.
دکتر فیلیپ اسکیرچن، محقق این پژوهش، توضیح می‌دهد: “هزاران اصلاح اپی‌ژنتیک مانند سوئیچ‌های روشن و خاموش برای بخش‌های جداگانه ژن عمل می‌کنند. این الگوها مربوط به یک ردپای خاص هستند. اطلاعات اپی‌ژنتیک در سلول‌های تومور به شیوه‌ای خاص تغییر یافته‌اند و ما می‌توانیم بر اساس پروفایل آن‌ها بین تومورها تمایز ایجاد کرده و آن‌ها را دسته‌بندی کنیم.”
دقت بی‌سابقه و کاربردهای گسترده
برای تومورهای مغزی، حتی نمونه‌ای از مایع مغزی نخاعی در برخی موارد برای شناسایی نوع آن کافی است و می‌توان آن را به راحتی و بدون نیاز به جراحی به دست آورد. برای مقایسه ردپای ناشناخته با هزاران تومور شناخته‌شده سرطانی و دسته‌بندی آن‌ها، باید به یادگیری ماشین داده‌هایی ارائه کرد که الگوها و بخش‌های خاص ژن مرتبط با نوع خاصی از تومور را تعریف می‌کند.
دکتر سورن لوکاسن، دیگر محقق این پژوهش، می‌افزاید: “هدف ما توسعه مدلی بود که تومورها را با دقت طبقه‌بندی کند، حتی اگر آن‌ها بر اساس بخش‌هایی از کل اپی‌ژنوم تومور یا پروفایل‌هایی باشند که با روش‌های مختلف جمع‌آوری شده‌اند.”
مدل هوش مصنوعی جدید که crossNN نام دارد، ساختاری مشابه یک شبکه عصبی ساده دارد. این مدل بر اساس تعداد زیادی از تومورهای مرجع آموزش دیده و بر روی پنج هزار تومور آزمایش شد. نتایج نشان داد که این مدل به تشخیص بسیار دقیق تومورهای مغزی در ۹۹.۱ درصد تمام موارد منجر می‌شود که بسیار کارآمدتر از روش‌های مبتنی بر هوش مصنوعی فعلی است.
علاوه بر این، همین مدل با همین روش آموزش دید تا بین ۱۷۰ نوع تومور در تمام اعضای بدن تمایز قائل شود و به دقت ۹۷.۸ درصد در شناسایی آن‌ها دست یافت. این بدان معناست که این فناوری می‌تواند برای تشخیص سرطان در اعضای مختلف بدن و همچنین تومورهای نادر مغزی، کاربرد گسترده‌ای داشته باشد و افق‌های جدیدی را در علم پزشکی بگشاید. این دستاورد می‌تواند به کاهش نیاز به بیوپسی‌های تهاجمی، تشخیص زودهنگام‌تر و انتخاب دقیق‌تر درمان‌ها منجر شود.
