Η τεχνητή νοημοσύνη εκπαιδεύεται για να εντοπίζει προειδοποιητικά σημάδια στις εξετάσεις αίματος

Σύνταξη – επιμέλεια: Στέλιος Βασιλούδης

«Ο καρκίνος των ωοθηκών είναι ευτυχώς σπάνιος, είναι κατά κανόνα θανατηφόρος και η έρευνα που σχετίζεται με αυτόν υποχρηματοδοτούμενη», λέει η Audra Moran, επικεφαλής του Ovarian Cancer Research Alliance (Ocra), μιας παγκόσμιας φιλανθρωπικής οργάνωσης με έδρα τη Νέα Υόρκη.

Όπως όλοι οι καρκίνοι, όσο νωρίτερα ανιχνευθεί τόσο το καλύτερο. Οι περισσότερες μορφές καρκίνου των ωοθηκών ξεκινουν από τις σάλπιγγες, οπότε μέχρι να φτάσει στις ωοθήκες μπορεί να έχει ήδη εξαπλωθεί και αλλού. «Για να επηρεαστεί ευνοϊκά η θνησιμότητα υπολογίζεται ότι θα πρέπει να ανιχνευτεί πέντε χρόνια πριν εμφανιστούν τα πρώτα συμπτώματα», λέει η Moran.

Όμως τώρα εμφανίζονται νέες εξετάσεις αίματος που χρησιμοποιούν τη δύναμη της τεχνητής νοημοσύνης (AI) για να εντοπίσουν σημάδια του καρκίνου στα πολύ πρώιμα στάδια του.
Και δεν είναι μόνο ο καρκίνος, η τεχνητή νοημοσύνη μπορεί επίσης να επιταχύνει άλλες εξετάσεις αίματος για δυνητικά θανατηφόρες λοιμώξεις, όπως η πνευμονία.

Ο Δρ Daniel Heller είναι βιοϊατρικός μηχανικός στο Memorial Sloan Kettering Cancer Center της Νέας Υόρκης. Η ομάδα του ανέπτυξε μια τεχνολογία τεστ που χρησιμοποιεί νανοσωλήνες – μικροσκοπικούς σωλήνες άνθρακα που είναι περίπου 50.000 φορές μικρότεροι από τη διάμετρο μιας ανθρώπινης τρίχας. Πριν από περίπου 20 χρόνια, οι επιστήμονες άρχισαν να ανακαλύπτουν νανοσωλήνες που μπορούν να εκπέμπουν φως φθορισμού.

Την τελευταία δεκαετία, οι ερευνητές έμαθαν πώς να αλλάζουν τις ιδιότητες αυτών των νανοσωλήνων, ώστε να ανταποκρίνονται σχεδόν σε οτιδήποτε υπάρχει στο αίμα.
Τώρα είναι δυνατό να τοποθετηθούν εκατομμύρια νανοσωλήνες σε ένα δείγμα αίματος και να εκπέμπουν διαφορετικά μήκη κύματος φωτός με βάση του τι κολλάει πάνω τους. Αυτό άφησε ακόμα ανοιχτό το ζήτημα της ερμηνείας του σήματος, το οποίο ο Δρ Heller παρομοιάζει με την πιστοποίηση ενός δακτυλικού αποτυπώματος. Σε αυτή την περίπτωση, το δακτυλικό αποτύπωμα είναι ένα μοτίβο μορίων που συνδέονται με αισθητήρες, με διαφορετικές ευαισθησίες και δεσμευτικές δυνάμεις.

Όμως τα μοτίβα είναι πολύ λεπτά για να τα ξεχωρίσει ένας άνθρωπος. «Μπορούμε να δούμε τα δεδομένα αλλά δεν βγάζουμε κανένα νόημα», λέει. «Όμως με την τεχνητή νοημοσύνη μπορούμε να ξεχωρίσουμε τα μοτίβα που είναι διαφορετικά». Η αποκωδικοποίηση των δεδομένων των νανοσωλήνων προϋποθέτει τη φόρτωση των δεδομένων σε έναν αλγόριθμο μηχανικής μάθησης. Στη συνέχεια ο αλγόριθμος διδάσκεται να ξεχωρίζει τα δείγματα που προέρχονται από ασθενείς με καρκίνο των ωοθηκών από αυτά που προέρχονται από άτομα χωρίς αυτόν. Αυτά περιελάμβαναν αίμα από άτομα με άλλες μορφές καρκίνου ή άλλη γυναικολογική ασθένεια που μπορεί να συγχέεται με τον καρκίνο των ωοθηκών.

Μια μεγάλη πρόκληση στη χρήση της τεχνητής νοημοσύνης για την ανάπτυξη αιματολογικών εξετάσεων για την ερευνα του καρκίνου των ωοθηκών είναι ότι είναι σχετικά σπάνιος, γεγονός που περιορίζει τα δεδομένα για την εκπαίδευση των αλγορίθμων. Πολλά από αυτά τα δεδομένα συσσωρεύονται στα νοσοκομεία που αντιμετωπίζουν αυτούς τους ασθενείς, με ελάχιστη κοινή χρήση τους με τους ερευνητές.

Ο Δρ Heller λέει ότι μολονότι οι αλγόριθμοι εκπαιδεύτηκαν με διαθέσιμα δεδομένα 100 περίπου ασθενών, η τεχνητή νοημοσύνη μπόρεσε να αποκτήσει μεγαλύτερη ακρίβεια από τους καλύτερους βιοδείκτες καρκίνου που είναι διαθέσιμοι σήμερα – και αυτή ήταν μόνο η πρώτη προσπάθεια.

Το σύστημα υποβάλλεται σε περαιτέρω μελέτες για να διαπιστωθεί εάν μπορεί να βελτιωθεί χρησιμοποιώντας μεγαλύτερα σετ αισθητήρων και δείγματα από πολύ περισσότερους ασθενείς. Περισσότερα δεδομένα μπορούν να βελτιώσουν τον αλγόριθμο, όπως και οι αλγόριθμοι για αυτοοδηγούμενα αυτοκίνητα μπορούν να βελτιωθούν με περισσότερες δοκιμές στο δρόμο.

Ο Δρ Heller έχει μεγάλες ελπίδες για αυτή την τεχνολογία. «Αυτό που θα θέλαμε να κάνουμε είναι να προσδιορίσουμε όλες τις γυναικολογικές ασθένειες – οπότε όταν κάποια ασθενής έρχεται με ένα σύμπτωμα, να μπορούμε να δώσουμε στους γιατρούς ένα εργαλείο που θα τους λέει γρήγορα ότι είναι πιο πιθανό να είναι καρκίνος ή όχι, ή αυτός ο καρκίνος και όχι ο άλλος».
Αυτο μπορεί να είναι «τρία έως πέντε χρόνια μακριά», λέει ο Δρ Heller.

Δεν είναι μόνο η έγκαιρη ανίχνευση για την οποία η τεχνητή νοημοσύνη είναι δυνητικά χρήσιμη, αλλά και η επιτάχυνση άλλων εξετάσεων αίματος. Για έναν ασθενή με καρκίνο, η νόσηση από πνευμονία μπορεί να είναι θανατηφόρα και καθώς υπάρχουν περίπου 600 διαφορετικοί οργανισμοί που μπορούν να προκαλέσουν πνευμονία, οι γιατροί πρέπει να κάνουν πολλαπλές εξετάσεις για να εντοπίσουν το υπεύθυνο μικρόβιο.

Οι νέοι τύποι εξετάσεων αίματος απλοποιούν και επιταχύνουν τη διαδικασία.

Η μονάδα Karius, με έδρα την Καλιφόρνια, χρησιμοποιεί τεχνητή νοημοσύνη (AI) για να βοηθήσει στον εντοπισμό του ακριβούς παθογόνου της πνευμονίας σε 24 ώρες και στην επιλογή του κατάλληλου αντιβιοτικού για την αντιμετώπιση του. «Πριν από την κυκλοφορια του δικού μας τεστ, ένας ασθενής με πνευμονία θα έκανε 15 έως 20 διαφορετικές εξετάσεις για να εντοπιστεί η λοίμωξη του και ο υπεύθυνος μικροοργανισμός μόλις την πρώτη εβδομάδα στο νοσοκομείο – αυτό είναι περίπου 20.000 δολάρια σε εξετάσεις», λέει ο διευθύνων σύμβουλος της Karius, Alec Ford.

Η Karius διαθέτει μια βάση δεδομένων μικροβιακού DNA που έχει δεκάδες δισεκατομμύρια σημεία δεδομένων. Δείγματα από ασθενείς μπορούν να συγκριθούν με αυτήν τη βάση δεδομένων για τον ακριβή εντοπισμό του παθογόνου. Ο Ford λέει ότι αυτό θα ήταν αδύνατο χωρίς την τεχνητή νοημοσύνη.

Μια πρόκληση είναι ότι οι ερευνητές δεν κατανοούν απαραιτήτως όλες τις συνδέσεις που μπορεί να κάνει η τεχνητή νοημοσύνη μεταξύ των βιοδεικτών του δειγματος και των ασθενειών. Τα τελευταία δύο χρόνια ο Δρ Slavé Petrovski ανέπτυξε μια πλατφόρμα τεχνητής νοημοσύνης που ονομάζεται Milton, που χρησιμοποιώντας βιοδείκτες από τα δεδομένα των βιοτραπεζών του Ηνωμένου Βασιλείου, εντοπίζει 120 ασθένειες με ποσοστό επιτυχίας άνω του 90%.
Η εύρεση μοτίβων σε μια τέτοια μάζα δεδομένων είναι κάτι που μπορεί να κάνει μόνο η τεχνητή νοημοσύνη. «Αυτά είναι συχνά πολύπλοκα μοτίβα, όπου μπορεί να μην υπάρχει βιοδείκτης και τότε πρέπει να λάβει κανείς υπόψη ολόκληρο το μοτίβο», λέει ο Δρ Petrovski, που είναι ερευνητής στον κολοσσό φαρμακευτικών προϊόντων AstraZeneca.

Ο Δρ Heller χρησιμοποιεί μια παρόμοια τεχνική αντιστοίχισης προτύπων στην εργασία του για τον καρκίνο των ωοθηκών. «Γνωρίζουμε ότι ο αισθητήρας δεσμεύεται και ανταποκρίνεται σε πρωτεΐνες και μικρά μόρια στο αίμα, αλλά δεν γνωρίζουμε ποιες από τις πρωτεΐνες ή τα μόρια είναι ειδικά για αυτόν τον καρκίνο», λέει.

Γενικότερα τα δεδομένα ή η έλλειψή τους, εξακολουθεί να αποτελεί μειονέκτημα.

«Οι άνθρωποι δεν μοιράζονται τα δεδομένα τους ή δεν υπάρχει μηχανισμός για να γίνει αυτό», λέει η Moran. Η Ocra χρηματοδοτεί ένα μητρώο ασθενών μεγάλης κλίμακας, με ηλεκτρονικά ιατρικά αρχεία που επέτρεψαν στους ερευνητές να εκπαιδεύσουν αλγόριθμους στα δεδομένα τους. «Είναι νωρίς – είμαστε ακόμα στην άγρια ​​δύση της τεχνητής νοημοσύνης», λέει η Moran.

Πηγή: BBC News