Η τεχνητή νοημοσύνη προβλέπει με μεγαλύτερη ακρίβεια τον κίνδυνο υποτροπής στον καρκίνο του μαστού

Η τεχνητή νοημοσύνη φαίνεται να ανοίγει έναν νέο δρόμο στην εξατομικευμένη αντιμετώπιση του καρκίνου του μαστού, προσφέροντας στους γιατρούς ένα πιο ακριβές εργαλείο για την εκτίμηση του κινδύνου υποτροπής της νόσου. Σύμφωνα με νέα διεθνή μελέτη που δημοσιεύθηκε στο περιοδικό Nature Communications, ένα σύστημα τεχνητής νοημοσύνης που συνδυάζει ψηφιακές εικόνες από ιστολογικές εξετάσεις με βασικά κλινικά στοιχεία των ασθενών μπορεί να προβλέψει με μεγαλύτερη αξιοπιστία ποιοι ασθενείς διατρέχουν αυξημένο κίνδυνο να εμφανίσουν ξανά τον καρκίνο.

Η εκτίμηση του κινδύνου υποτροπής αποτελεί ένα από τα σημαντικότερα βήματα μετά τη διάγνωση του καρκίνου του μαστού. Από αυτήν εξαρτάται σε μεγάλο βαθμό αν μια γυναίκα θα χρειαστεί πιο εντατική θεραπεία, όπως χημειοθεραπεία, ή αν μπορεί να αποφύγει περιττές παρεμβάσεις και τις ανεπιθύμητες ενέργειές τους. Σήμερα, οι γιατροί βασίζονται κυρίως στα χαρακτηριστικά του όγκου, όπως το μέγεθος, την επέκτασή του στους λεμφαδένες και σε συγκεκριμένους βιολογικούς δείκτες, ενώ σε ορισμένες περιπτώσεις χρησιμοποιούνται και γονιδιακές εξετάσεις που αναλύουν την έκφραση συγκεκριμένων γονιδίων.

Ωστόσο, οι υπάρχουσες μέθοδοι δεν είναι πάντοτε αρκετά ακριβείς, ενώ πολλές από αυτές αφορούν μόνο συγκεκριμένους τύπους καρκίνου του μαστού. Επιπλέον, απαιτούν εξειδικευμένες εργαστηριακές αναλύσεις, οι οποίες αυξάνουν το κόστος και καθυστερούν την έναρξη της θεραπείας.

Η AI αξιοποιεί τις ιστολογικές εικόνες και τα κλινικά δεδομένα 

Με στόχο να ξεπεράσουν αυτούς τους περιορισμούς, οι ερευνητές ανέπτυξαν ένα νέο πολυτροπικό σύστημα τεχνητής νοημοσύνης που αξιοποιεί πληροφορίες από δύο διαφορετικές πηγές. Από τη μία πλευρά αναλύει τις ψηφιοποιημένες ιστολογικές τομές του όγκου, δηλαδή τις εικόνες που ήδη εξετάζουν οι παθολογοανατόμοι στο μικροσκόπιο. Από την άλλη, συνυπολογίζει βασικά κλινικά δεδομένα, όπως την ηλικία της ασθενούς, το στάδιο της νόσου και τους γνωστούς βιολογικούς δείκτες του όγκου. Συνδυάζοντας όλα αυτά τα στοιχεία, παράγει έναν συνολικό δείκτη που εκτιμά την πιθανότητα υποτροπής.

Για την ανάπτυξη και αξιολόγηση του συστήματος χρησιμοποιήθηκαν δεδομένα από περισσότερες από 8.000 γυναίκες με διηθητικό καρκίνο του μαστού, προερχόμενες από 15 διαφορετικές ομάδες ασθενών σε επτά χώρες. Πρόκειται για μία από τις μεγαλύτερες μελέτες που έχουν πραγματοποιηθεί μέχρι σήμερα στον συγκεκριμένο τομέα, γεγονός που ενισχύει την αξιοπιστία των αποτελεσμάτων.

Η τεχνητή νοημοσύνη εκπαιδεύτηκε να αναγνωρίζει πρότυπα μέσα στις ιστολογικές εικόνες χωρίς να της έχουν προηγουμένως υποδειχθεί συγκεκριμένα χαρακτηριστικά. Αντίθετα, «έμαθε» μόνη της να εντοπίζει μορφολογικές λεπτομέρειες που σχετίζονται με την πορεία της νόσου, αξιοποιώντας εκατοντάδες εκατομμύρια εικόνες από δείγματα καρκίνου. Στη συνέχεια, οι προβλέψεις της συνδυάστηκαν με τα κλινικά δεδομένα, δημιουργώντας ένα ενιαίο αποτέλεσμα για κάθε ασθενή.

Καλύτερες προβλέψεις ακόμη και σε δύσκολες μορφές καρκίνου 

Τα αποτελέσματα έδειξαν ότι το νέο σύστημα μπορούσε να διαχωρίζει με μεγάλη αξιοπιστία τις γυναίκες υψηλού κινδύνου από εκείνες με χαμηλό κίνδυνο υποτροπής. Μάλιστα, όταν συγκρίθηκε με μία από τις πιο διαδεδομένες γονιδιακές εξετάσεις που χρησιμοποιούνται σήμερα στην καθημερινή κλινική πράξη, παρουσίασε συνολικά καλύτερη προγνωστική απόδοση.

Ένα ακόμη ιδιαίτερα σημαντικό εύρημα ήταν ότι το σύστημα διατήρησε την ακρίβειά του σε όλους τους βασικούς τύπους καρκίνου του μαστού. Αυτό έχει ιδιαίτερη σημασία για τον τριπλά αρνητικό καρκίνο του μαστού, μια επιθετική μορφή της νόσου για την οποία σήμερα δεν υπάρχουν καθιερωμένες προγνωστικές εξετάσεις αντίστοιχες με εκείνες που χρησιμοποιούνται σε άλλους τύπους καρκίνου. Αντίστοιχα θετικά αποτελέσματα καταγράφηκαν και στους όγκους που είναι θετικοί στον υποδοχέα HER2.

Η νέα προσέγγιση αποδείχθηκε επίσης αξιόπιστη σε γυναίκες διαφορετικών ηλικιών, σε ασθενείς πριν και μετά την εμμηνόπαυση, καθώς και σε διαφορετικές φυλετικές ομάδες. Οι ερευνητές επισημαίνουν ότι αυτό αποτελεί σημαντικό πλεονέκτημα, καθώς αρκετές από τις υπάρχουσες εξετάσεις έχουν αναπτυχθεί κυρίως για συγκεκριμένες κατηγορίες ασθενών.

Ιδιαίτερο ενδιαφέρον παρουσιάζει και ο τρόπος με τον οποίο μπορεί να ενσωματωθεί στην καθημερινή κλινική πρακτική. Το νέο εργαλείο αξιοποιεί τις συμβατικές ιστολογικές τομές που ήδη παράγονται στο πλαίσιο της διάγνωσης, χωρίς να απαιτούνται πρόσθετες εργαστηριακές εξετάσεις ή επιπλέον δείγμα ιστού. Αρκεί οι γυάλινες πλάκες να ψηφιοποιηθούν και να αναλυθούν από το σύστημα τεχνητής νοημοσύνης.

Πιο γρήγορη και οικονομική εκτίμηση του κινδύνου υποτροπής 

Οι ερευνητές εκτιμούν ότι αυτό θα μπορούσε να μειώσει σημαντικά τόσο το κόστος όσο και τον χρόνο μέχρι την έκδοση των αποτελεσμάτων. Ενώ οι γονιδιακές εξετάσεις συχνά χρειάζονται αρκετές ημέρες ή και εβδομάδες για να ολοκληρωθούν, η νέα μέθοδος θα μπορούσε να προσφέρει εκτίμηση του κινδύνου μέσα σε λιγότερο από μία ώρα, από τη στιγμή που οι ιστολογικές εικόνες έχουν ψηφιοποιηθεί.

Ένα ακόμη πλεονέκτημα είναι ότι διατηρεί ανέπαφο το δείγμα του όγκου, το οποίο μπορεί να αξιοποιηθεί αργότερα για πιο εξειδικευμένες μοριακές εξετάσεις, εφόσον αυτές χρειαστούν κατά την πορεία της νόσου.

Σύμφωνα με τους συγγραφείς, η αξιοποίηση της ψηφιακής παθολογίας σε συνδυασμό με την τεχνητή νοημοσύνη μπορεί να καλύψει σημαντικά κενά των σημερινών μεθόδων, προσφέροντας πιο ακριβή, γρήγορη και οικονομική εκτίμηση του κινδύνου υποτροπής. Αν τα αποτελέσματα επιβεβαιωθούν και σε μελλοντικές κλινικές δοκιμές, η νέα αυτή τεχνολογία θα μπορούσε να αποτελέσει ένα σημαντικό βήμα προς την πραγματικά εξατομικευμένη φροντίδα των γυναικών με καρκίνο του μαστού.