AI μοντέλο από το Πανεπιστήμιο της Γενεύης προβλέπει τις καρκινικές μεταστάσεις με ακρίβεια 80%

Σύνοψη

• Ερευνητές του Πανεπιστημίου της Γενεύης (UNIGE) ανέπτυξαν το MangroveGS, ένα εξειδικευμένο εργαλείο τεχνητής νοημοσύνης που υπολογίζει τον κίνδυνο καρκινικών μεταστάσεων.
• Το σύστημα αναλύει το RNA και τα μοτίβα έκφρασης εκατοντάδων γονιδίων, επιτυγχάνοντας ποσοστό ακρίβειας 80% στις προβλέψεις του, ξεκινώντας από τον καρκίνο του παχέος εντέρου.
• Η τεχνολογία επεκτείνεται και σε άλλες μορφές κακοήθειας (μαστός, πνεύμονας, στομάχι), σύμφωνα με τη σχετική δημοσίευση στο έγκριτο περιοδικό Cell Reports.
• Η κλινική εφαρμογή του, μέσω κρυπτογραφημένης πλατφόρμας στο cloud, αναμένεται να μειώσει δραστικά τις περιττές και τοξικές θεραπείες για ασθενείς χαμηλού κινδύνου.

Η πρόληψη και ο έλεγχος των μεταστάσεων αποτελούν το κρισιμότερο ζήτημα της σύγχρονης ογκολογίας, καθώς ευθύνονται για τη συντριπτική πλειοψηφία των θανάτων από καρκίνο σε παγκόσμιο επίπεδο. Η τρέχουσα διαγνωστική προσέγγιση στα συστήματα υγείας βασίζεται κυρίως στην ιατρική απεικόνιση και στον εντοπισμό κυκλοφορούντων καρκινικών κυττάρων στο αίμα ή στο λεμφικό σύστημα. Ωστόσο, η συγκεκριμένη μέθοδος παρουσιάζει έναν σημαντικό περιορισμό: ο εντοπισμός αυτών των κυττάρων συνήθως καταδεικνύει ότι η μεταστατική διαδικασία έχει ήδη ξεκινήσει και πρακτικά είναι μη αναστρέψιμη. 

Το Πανεπιστήμιο της Γενεύης (UNIGE) παρουσίασε μια καινοτόμο υπολογιστική λύση που μετατοπίζει ριζικά το χρονοδιάγραμμα της διάγνωσης. Ερευνητές ανέπτυξαν ένα εξειδικευμένο μοντέλο μηχανικής μάθησης ικανό να υπολογίσει την ακριβή πιθανότητα μετάστασης στο μέλλον, διαβάζοντας τα μοριακά σήματα πριν αυτά εκδηλωθούν κλινικά, ανοίγοντας το δρόμο για την πλήρως εξατομικευμένη ιατρική.

Πώς το AI MangroveGS προβλέπει τις μεταστάσεις του καρκίνου;

Το μοντέλο τεχνητής νοημοσύνης MangroveGS του Πανεπιστημίου της Γενεύης (UNIGE) αναλύει μοτίβα γονιδιακής έκφρασης από καρκινικά κύτταρα και προβλέπει την πιθανότητα μετάστασης με ακρίβεια σχεδόν 80%. Εξετάζοντας το RNA του όγκου, το σύστημα αποτρέπει τις περιττές θεραπείες σε ασθενείς χαμηλού κινδύνου και ενισχύει τη στοχευμένη παρακολούθηση στις υψηλού κινδύνου περιπτώσεις.

Το βιολογικό υπόβαθρο: Ο καρκίνος ως αναπτυξιακή διαταραχή

Η έρευνα, η οποία δημοσιεύθηκε επισήμως στο επιστημονικό περιοδικό Cell Reports, διευθύνθηκε από τον Καθηγητή Ariel Ruiz i Altaba του Τμήματος Γενετικής Ιατρικής και Ανάπτυξης της Ιατρικής Σχολής του UNIGE. Η προσέγγιση της ομάδας ανατρέπει παλαιότερες θεωρίες, υποστηρίζοντας ότι η κακοήθεια δεν αποτελεί μια απλή, αναρχική και χαοτική συμπεριφορά των κυττάρων. Αντιθέτως, λειτουργεί ως μια στρεβλή μορφή βιολογικής ανάπτυξης. Υπό την επήρεια σύνθετων γενετικών και επιγενετικών αλλοιώσεων, ανενεργά αναπτυξιακά προγράμματα – τα οποία ήταν φυσιολογικά κατά την εμβρυϊκή ανάπτυξη αλλά καταστάλθηκαν στη συνέχεια – επαναλειτουργούν, δημιουργώντας το περιβάλλον για την ανάπτυξη του όγκου.

Η μεγαλύτερη τεχνική πρόκληση που αντιμετώπισαν οι ερευνητές, σύμφωνα με την Dr. Arwen Conod, αφορά την ίδια τη φύση της κυτταρικής ανάλυσης in vivo. Για να καταγραφεί η πλήρης μοριακή ταυτότητα ενός καρκινικού κυττάρου απαιτείται η διάσπαση του, γεγονός που το καταστρέφει. Συνεπώς, είναι πρακτικά αδύνατη η ταυτόχρονη ανάλυση του γενετικού προφίλ και η παρατήρηση της φυσικής συμπεριφοράς του κυττάρου (η ικανότητα του δηλαδή να μεταναστεύει σε άλλους ιστούς).

Για την επίλυση αυτού του γρίφου, οι επιστήμονες εφάρμοσαν μια μέθοδο αναδρομικής ανάλυσης. Απομόνωσαν, κλωνοποίησαν και καλλιέργησαν δεκάδες καρκινικά κύτταρα από δύο πρωτοπαθείς όγκους του παχέος εντέρου. Στη συνέχεια, οι παραγόμενοι κλώνοι αξιολογήθηκαν τόσο σε αυστηρό εργαστηριακό περιβάλλον (in vitro) όσο και σε πειραματικά ζωικά μοντέλα, με αποκλειστικό σκοπό να χαρτογραφηθεί η ικανότητά τους να διαπερνούν βιολογικούς φραγμούς. 

Τα δεδομένα κατέδειξαν ότι ο μεταστατικός κίνδυνος δεν μπορεί να προβλεφθεί από το προφίλ ενός μόνο κυττάρου. Είναι αυστηρά το αποτέλεσμα του αθροίσματος των πολύπλοκων αλληλεπιδράσεων ομάδων συγγενών καρκινικών κυττάρων μέσα στον ίδιο όγκο.

Η διαδικασία εκπαίδευσης του αλγορίθμου και η ανάλυση RNA

Με τα βιολογικά δεδομένα καταγεγραμμένα, η ομάδα προχώρησε στη μετατροπή τους σε ψηφιακά σύνολα δεδομένων ικανά να τροφοδοτήσουν ένα σύστημα μηχανικής μάθησης. Τα δεδομένα που προέκυψαν από την ενδελεχή αλληλούχιση RNA (RNA sequencing) ενσωματώθηκαν στο μοντέλο τεχνητής νοημοσύνης MangroveGS (Mangrove Gene Signatures).

Το συγκεκριμένο λογισμικό διαφοροποιείται σημαντικά από τα συμβατικά στατιστικά μοντέλα πρόβλεψης. Αντί να βασίζεται σε μεμονωμένους, παραδοσιακούς βιοδείκτες, ο αλγόριθμος αναλύει ταυτόχρονα δεκάδες έως εκατοντάδες γονιδιακές υπογραφές.

Κύρια τεχνικά δεδομένα της έρευνας

• Αρχική Πηγή Δεδομένων: Κλωνοποιημένα κύτταρα από πρωτοπαθείς όγκους παχέος εντέρου που αναλύθηκαν με βάση την κινητικότητα τους.
• Μοντέλο Ανάλυσης: Εκτεταμένη αλληλούχιση RNA και αναγνώριση κλίσεων γονιδιακής έκφρασης συνδεδεμένων με το μεταστατικό δυναμικό.
• Επίδοση Μοντέλου: Σχεδόν 80% ακρίβεια στην πρόβλεψη εμφάνισης μεταστάσεων και υποτροπών στον καρκίνο του παχέος εντέρου, ξεπερνώντας τα υπάρχοντα υπολογιστικά εργαλεία.
• Cross-Cancer Εφαρμογή: Οι γονιδιακές υπογραφές που εντοπίστηκαν αποδείχθηκαν απολύτως λειτουργικές στην πρόβλεψη μεταστατικού ρίσκου και σε άλλους συμπαγείς όγκους, όπως ο καρκίνος του μαστού, του πνεύμονα και του στομάχου.

Όπως επισημαίνει ο ερευνητής Aravind Srinivasan, η ταυτόχρονη χρήση ενός τόσο τεράστιου όγκου γενετικών μεταβλητών καθιστά το μοντέλο εξαιρετικά ανθεκτικό στις ατομικές βιολογικές διαφοροποιήσεις των ασθενών. Ακόμη και αν υπάρξουν μεμονωμένες γονιδιακές παραλλαγές σε έναν ασθενή, το συνολικό μοτίβο έκφρασης επιτρέπει στο σύστημα να διατηρήσει την υψηλή προγνωστική του ικανότητα.

Κλινική εφαρμογή και η ευρωπαϊκή πραγματικότητα

Η μετάβαση του MangroveGS από το ακαδημαϊκό εργαστήριο στην πραγματική κλινική πρακτική έχει σχεδιαστεί με γνώμονα τη μέγιστη ασφάλεια των ευαίσθητων ιατρικών δεδομένων και την ταχύτητα εξαγωγής αποτελεσμάτων. Η προτεινόμενη διαδικασία λειτουργίας προβλέπει τη συλλογή δειγμάτων του όγκου απευθείας στα κατά τόπους νοσοκομεία κατά τη διάρκεια της τυπικής βιοψίας. Εκεί πραγματοποιείται η τοπική εξαγωγή και αλληλούχιση του RNA. Στη συνέχεια, τα πλήρως ανωνυμοποιημένα ψηφιακά δεδομένα μεταφέρονται μέσω μιας ασφαλούς, κρυπτογραφημένης πλατφόρμας συμβατής με τα αυστηρά πρότυπα της Ευρωπαϊκής Ένωσης. Ο αλγόριθμος επεξεργάζεται την πληροφορία στο cloud, υπολογίζει το σκορ κινδύνου μετάστασης και το επιστρέφει απευθείας στον θεράποντα ογκολόγο.

Αυτή η προσέγγιση μεταφράζεται άμεσα σε πλεονεκτήματα για τις τοπικές αγορές υγείας, συμπεριλαμβανομένης της ελληνικής. Η ενσωμάτωση υπολογιστικών συστημάτων τέτοιου βεληνεκούς ευθυγραμμίζεται πλήρως με την εθνική στρατηγική ψηφιοποίησης της υγείας και τη στροφή προς την ιατρική ακριβείας. Δεδομένου ότι τα μεγάλα ογκολογικά νοσοκομεία στην Ελλάδα διενεργούν ήδη προηγμένες εξετάσεις βιοδεικτών (όπως το Next-Generation Sequencing), η υιοθέτηση ενός κεντρικού εργαλείου απόφασης (Decision Support System) όπως το MangroveGS απαιτεί ελάχιστες λειτουργικές αλλαγές στις υποδομές.

Το σημαντικότερο όφελος εστιάζεται στην ορθολογική κατανομή των πόρων και την ποιότητα ζωής των ασθενών. Ο ακριβής προσδιορισμός του ρίσκου σημαίνει τον περιορισμό της υπερθεραπείας. Ασθενείς που στατιστικά φέρουν ελάχιστες πιθανότητες μετάστασης θα μπορούν να αποφύγουν βαριές, τοξικές και δαπανηρές χημειοθεραπείες. Αντίστοιχα, το εθνικό σύστημα υγείας εξοικονομεί πόρους, ενώ την ίδια στιγμή, οι ασθενείς υψηλού ρίσκου εντοπίζονται έγκαιρα και λαμβάνουν εξατομικευμένη, επιθετική αγωγή και στενότερη παρακολούθηση χωρίς καμία χρονική υστέρηση.

Με τη ματιά του Techgear

Η επιτυχής ανάπτυξη του MangroveGS καταδεικνύει την ταχεία ωρίμανση της τεχνητής νοημοσύνης. Βλέπουμε το ξεκάθαρο πέρασμα από τα παραγωγικά μοντέλα γλώσσας (Generative AI) στην επεξεργασία αυστηρών, ανεπεξέργαστων βιολογικών δεδομένων. Γίνεται όλο και πιο σαφές ότι η σύγχρονη ιατρική έρευνα δεν μπορεί να βασιστεί σε γενικευμένα LLMs, αλλά απαιτεί αυστηρά εξειδικευμένους αλγορίθμους. Συστήματα που έχουν εκπαιδευτεί να εντοπίζουν σήματα μέσα σε ακραία "θορυβώδη" δεδομένα, όπως οι μικροσκοπικές διακυμάνσεις στις μεταλλάξεις του RNA.

Ο αρχιτεκτονικός σχεδιασμός μιας κεντρικής πλατφόρμας cloud στην Ευρώπη, η οποία λαμβάνει αποκλειστικά τα ψηφιοποιημένα δεδομένα RNA διατηρώντας την ανωνυμία των ασθενών, αποτελεί ένα έξυπνο βήμα προσπέλασης των αυστηρών περιορισμών του ευρωπαϊκού GDPR. Ουσιαστικά δημιουργεί ένα ισχυρό και λειτουργικό μοντέλο Software-as-a-Medical-Device (SaMD). 

Το πραγματικό κρας-τεστ, ωστόσο, δεν βρίσκεται πλέον στην αλγοριθμική επάρκεια των συστημάτων, αλλά στην ικανότητα εφαρμογής τους. Το μεγάλο στοίχημα είναι η ταχύτητα με την οποία τα συστήματα υγείας, συμπεριλαμβανομένων των ελληνικών κλινικών, θα καταφέρουν να ενσωματώσουν την ανάλυση μεγάλου όγκου δεδομένων στην καθημερινή λήψη αποφάσεων των ιατρών, ξεπερνώντας τις γραφειοκρατικές αγκυλώσεις και την παραδοσιακή δυσπιστία απέναντι στα αυτοματοποιημένα συστήματα πρόβλεψης. 

Η εξέλιξη αυτή επαληθεύει ότι ο επόμενος μεγάλος τεχνολογικός κύκλος δεν θα αφορά απλά την αύξηση της επεξεργαστικής ισχύος, αλλά τη σωτήρια εφαρμογή της στην ανθρώπινη υγεία.