Σύνοψη
- Το σύστημα τεχνητής νοημοσύνης CANVAS του Πανεπιστημίου Stanford εξάγει προηγμένα ογκολογικά δεδομένα αναλύοντας απλές, παραδοσιακές πλακίδιες βιοψίας (αιματοξυλίνης-εωσίνης).
- Χαρτογραφεί 10 «κυτταρικές γειτονιές» στον καρκινικό ιστό, αποκαλύπτοντας πώς επικοινωνούν τα καρκινικά κύτταρα με το ανοσοποιητικό σύστημα.
- Προβλέπει την αντίσταση σε φάρμακα ανοσοθεραπείας (όπως οι αναστολείς PD-1) με μεγαλύτερη ακρίβεια από τις τρέχουσες, δαπανηρές κλινικές μεθόδους.
- Το μοντέλο εκπαιδεύτηκε μέσω 18 εκατομμυρίων κυττάρων και επικυρώθηκε σε δείγματα 5.000 ασθενών, καλύπτοντας 9 διαφορετικούς τύπους καρκίνου.
Η ερευνητική ομάδα του Stanford Medicine ανέπτυξε μια προηγμένη πλατφόρμα τεχνητής νοημοσύνης που στοχεύει να βελτιστοποιήσει τον τρόπο με τον οποίο οι ογκολόγοι αναλύουν τον καρκινικό ιστό. Η έρευνα επικεντρώνεται στο σύστημα CANVAS (Cellular Architecture and Neighborhood-informed Virtual AI-driven Spatial profiling).
Το λογισμικό μετατρέπει τις παραδοσιακές, δισδιάστατες πλακίδιες μικροσκοπίου σε αναλυτικούς χάρτες που αποκαλύπτουν την πολύπλοκη αλληλεπίδραση των κυττάρων στο εσωτερικό ενός όγκου. Η εξέλιξη αυτή αυτοματοποιεί την εύρεση της κατάλληλης θεραπευτικής οδού, παρακάμπτοντας την ανάγκη για δαπανηρές και χρονοβόρες μεθόδους χωρικής χαρτογράφησης που απαιτούν εξειδικευμένα εργαστήρια.
Πώς λειτουργεί το σύστημα AI CANVAS στις βιοψίες όγκων;
Το AI CANVAS του πανεπιστημίου Stanford αναλύει παραδοσιακές πλακίδιες βιοψίας (H&E) για να εντοπίσει 10 διαφορετικές «κυτταρικές γειτονιές». Βασισμένο σε δεδομένα 18 εκατομμυρίων κυττάρων και 5.000 ασθενών με 9 τύπους καρκίνου, προβλέπει την ανταπόκριση στην ανοσοθεραπεία (π.χ. anti-PD-1) με μεγαλύτερη ακρίβεια από τις συμβατικές, δαπανηρές κλινικές μεθόδους ογκολογικής χαρτογράφησης.
Η πρόκληση της χωρικής πολυπλοκότητας
Η κατανόηση του τρόπου με τον οποίο τα κύτταρα αλληλεπιδρούν μέσα και γύρω από έναν όγκο παρέχει κρίσιμες πληροφορίες για την αρχιτεκτονική του καρκίνου, την ανοσολογική απόκριση του ασθενούς και την ευαισθησία της νόσου σε στοχευμένες θεραπείες. Μέχρι σήμερα, ο προσδιορισμός αυτών των κυτταρικών δικτύων απαιτούσε την αναδιάταξη ολόκληρης της διαγνωστικής αλυσίδας.
Οι συμβατικές πλακίδιες αιματοξυλίνης-εωσίνης (H&E), οι οποίες χρησιμοποιούνται για περισσότερο από έναν αιώνα, αποτελούν το βασικό εργαλείο για τους παθολογοανατόμους. Ουσιαστικά, κάθε ασθενής που υποβάλλεται σε βιοψία ή χειρουργική αφαίρεση όγκου διαθέτει τέτοια δείγματα στο ιατρικό του ιστορικό. Το CANVAS εκπαιδεύτηκε ώστε να εντοπίζει αόρατα στο ανθρώπινο μάτι μοτίβα σε αυτές ακριβώς τις βασικές πλακίδιες, ανασύροντας δεδομένα που υπό φυσιολογικές συνθήκες θα απαιτούσαν εργαστηριακές γενετικές αναλύσεις μεγάλου κόστους.
Οι τεχνολογίες αιχμής: CODEX και MUSK
Η δημιουργία του CANVAS στηρίχθηκε σε μια τεχνική ονόματι CODEX, η οποία αναπτύχθηκε στο εργαστήριο του καθηγητή παθολογίας Garry Nolan στο Stanford. Το CODEX επιτρέπει την ανίχνευση δεκάδων πρωτεϊνών και κυτταρικών τύπων εντός ενός όγκου. Η χαρτογράφηση αυτή επιτυγχάνεται μέσω ειδικών αντισωμάτων που φέρουν φθορίζοντες δείκτες, οι οποίοι προσδένονται στις πρωτεΐνες των κυττάρων, αποκαλύπτοντας τον λειτουργικό τους ρόλο. Ωστόσο, τα πειράματα CODEX απαιτούν ακριβά αντιδραστήρια, τεράστιο όγκο δεδομένων και μέρες αναμονής, γεγονός που καθιστά αδύνατη τη μαζική κλινική χρήση τους.
Για να γεφυρώσει το τεχνολογικό χάσμα, ο Dr. Ruijiang Li και η ερευνητική του ομάδα συνδύασαν τα αποτελέσματα του CODEX με το προηγούμενο μοντέλο μηχανικής μάθησης του εργαστηρίου, το MUSK. Το MUSK είχε ήδη εκπαιδευτεί μαζικά σε 50 εκατομμύρια ιατρικές εικόνες συμβατικών παθολογοανατομικών δειγμάτων και σε περισσότερα από 1 δισεκατομμύριο ιατρικά κείμενα. Ως ένα πολυτροπικό μοντέλο, διέθετε την ικανότητα να συνδέει την οπτική πληροφορία με την πραγματική κλινική εξέλιξη των ασθενών. Επικαλύπτοντας τα εξαιρετικά λεπτομερή δεδομένα του CODEX πάνω στις απλές εικόνες των πλακιδίων H&E, το AI έμαθε να εξάγει ακριβή συμπεράσματα για τη σύσταση του όγκου, χωρίς να χρειάζεται πλέον η φυσική διεξαγωγή του ακριβού πειράματος CODEX.
Εντοπισμός κυτταρικών γειτονιών και πρόβλεψη ανοσοθεραπείας
Η υπολογιστική ανάλυση οδήγησε στην ταυτοποίηση 10 διακριτών «κυτταρικών γειτονιών». Αυτές οι περιοχές καθορίζονται δυναμικά από τις μοριακές συνομιλίες ανάμεσα στα καρκινικά κύτταρα, τα κύτταρα του ανοσοποιητικού και τα στρωματικά κύτταρα. Το μικροπεριβάλλον του όγκου λειτουργεί ως ένα πολύπλοκο, προσαρμοστικό οικοσύστημα, όπου ο καρκίνος «ξεγελά» τους αμυντικούς μηχανισμούς.
Ορισμένες από αυτές τις μικρο-γειτονιές λειτουργούν ανοσοκατασταλτικά, εμποδίζοντας τα Τ-λεμφοκύτταρα να καταστρέψουν τους ιστούς του όγκου. Το κρισιμότερο εύρημα της μελέτης αφορά μια γειτονιά, εξαιρετικά πλούσια σε ουδετερόφιλα. Τα ουδετερόφιλα αποτελούν την πρώτη γραμμή άμυνας ενάντια στις λοιμώξεις, όμως εντός του καρκινικού οικοσυστήματος συχνά αναπρογραμματίζονται, παράγοντας πρωτεΐνες που διευκολύνουν τις μεταστάσεις. Στους ασθενείς με μη μικροκυτταρικό καρκίνο του πνεύμονα, η παρουσία της συγκεκριμένης δομής συσχετίστηκε από το σύστημα με αρνητική κλινική πρόγνωση και μειωμένη ανταπόκριση σε φάρμακα ανοσοθεραπείας. Με αυτόν τον τρόπο, το CANVAS παρέχει στους ογκολόγους ένα σαφές κριτήριο για την επιλογή της φαρμακευτικής στρατηγικής.
