Ραψομανίκη: Προηγμένο μοντέλο ΑΙ για τη διάγνωση του καρκίνου

Ένα προηγμένο μοντέλο τεχνητής νοημοσύνης (ΑΙ), ικανό να συμβάλει στην παθολογική ανάλυση και τη διάγνωση του καρκίνου, δημιούργησε ομάδα ερευνητών, με επικεφαλής την Ελληνίδα ερευνήτρια, Μαριάννα Ραψομανίκη, από το Biomedical Data Science Center του Πανεπιστημίου της Λωζάνης και το Πανεπιστημιακό Νοσοκομείο της Λωζάνης, στην Ελβετία.

Ένα προηγμένο μοντέλο τεχνητής νοημοσύνης (ΑΙ), ικανό να συμβάλει στην παθολογική ανάλυση και τη διάγνωση του καρκίνου, δημιούργησε ομάδα ερευνητών, με επικεφαλής την Ελληνίδα ερευνήτρια, Μαριάννα Ραψομανίκη, από το Biomedical Data Science Center του Πανεπιστημίου της Λωζάνης και το Πανεπιστημιακό Νοσοκομείο της Λωζάνης, στην Ελβετία.

ΔΩΡΕΑΝ ΕΓΓΡΑΦΗ ΣΤΟ NEWSLETTER

Με στόχο να υπερπηδήσει το συχνό εμπόδιο της έλλειψης επαρκών ιστολογικών δεδομένων για την πρόγνωση του καρκίνου σε έναν ασθενή, η ερευνητική ομάδα, με συνεπικεφαλής την Μαριάννα Κράουτχοφ ντε Γιούλιο (Marianna Kruithof-de Julio), από το Ερευνητικό Εργαστήριο Ουρολογίας στο Πανεπιστήμιο της Βέρνης, δημιούργησε το μοντέλο τεχνητής νοημοσύνης με την ονομασία «VirtualMultiplexer», το οποίο παράγει εικόνες των βιοψιών και συγκεκριμένα της ανάλυσης των ιστών μέσω του χρωματισμού τους, δηλαδή μιας τεχνικής που χρησιμοποιείται για τη διάγνωση του καρκίνου στο εργαστήριο.

Όλοι έχουμε χειριστεί εφαρμογές στον κινητό μας τηλέφωνο που χρησιμοποιούν μια φωτογραφία μας για να μας δείξουν πώς θα μοιάζουμε ως ηλικιωμένοι ή ως θέμα του πίνακα ενός σπουδαίου ζωγράφου. Αυτή τη λογική της μεταφοράς στυλ (style transfer) είναι που αξιοποιεί και το συγκεκριμένο μοντέλο, «απλά αντί για κάποιο ζωγράφο, έχουμε μια μοριακή τεχνική στο εργαστήριο», όπως εξηγεί χαρακτηριστικά στο ΑΠΕ-ΜΠΕ η κ. Ραψομανίκη.

Εικόνες από τον «VirtualMultiplexer« για τους καρκινικούς ιστούς σε αντιδιαστολή με τις εφαρμογές που μετατρέπουν μια φωτογραφία βάσει του στυλ διάσημων ζωγράφων / Credit: Zhu et al. ICCV, 2017 / M. Rapsomaniki (UNIL-CHUV)
Εικόνες από τον «VirtualMultiplexer« για τους καρκινικούς ιστούς σε αντιδιαστολή με τις εφαρμογές που μετατρέπουν μια φωτογραφία βάσει του στυλ διάσημων ζωγράφων / Credit: Zhu et al. ICCV, 2017 / M. Rapsomaniki (UNIL-CHUV)
Η παραγωγική τεχνητή νοημοσύνη

Χρησιμοποιώντας λοιπόν την παραγωγική τεχνητή νοημοσύνη (Generative AI) και μέσα από την εκπαίδευσή του σε πολυάριθμες φωτογραφίες ιστών που αναλύθηκαν εργαστηριακά με την εφαρμογή χρωστικών ουσιών, το μοντέλο δημιουργεί λεπτομερείς εικόνες ενός καρκινικού ιστού και των πληροφοριών που φέρει σε μοριακό επίπεδο, στοιχείο πολύ σημαντικό για τον ακριβή προσδιορισμό της ασθένειας. Τα αποτελέσματα της έρευνας δημοσιεύθηκαν στο περιοδικό «Nature Machine Intelligence».

Στο πεδίο της ογκολογίας έχει εμφανιστεί τα τελευταία χρόνια η τεχνολογία του multiplexed imaging, όπου ανιχνεύονται και μετρώνται πολλοί βιοδείκτες του καρκίνου ταυτόχρονα παρέχοντας μεγαλύτερη ακρίβεια στη διάγνωση, στην εξατομίκευση της θεραπείας και στην πρόγνωση της κλινικής εξέλιξης της νόσου. «Η ογκολογία στο κομμάτι της έρευνας ζει μια πολύ μεγάλη επανάσταση με τις νέες τεχνικές στο εργαστήριο. Το ζήτημα είναι ότι αυτές οι τεχνικές είναι πολύ ακριβές και τα μηχανήματα δεν τα έχουν όλα τα εργαστήρια. Οπότε με αυτή τη μελέτη προσπαθήσαμε να πετύχουμε το ίδιο, αλλά με ένα υπολογιστικό μοντέλο», εξηγεί η κ. Ραψομανίκη.

Μετά τη δημιουργία του μοντέλου, οι ερευνητές δοκίμασαν το πόσο καλά οι τεχνητές αυτές εικόνες προβλέπουν τα κλινικά αποτελέσματα, προκειμένου να αποκλείσουν την πιθανότητα αληθοφανών αλλά ψευδών προβλέψεων. Μέσα από τη σύγκριση των προβλέψεων αυτών με πραγματικούς βαμμένους ιστούς, οι ερευνητές επιβεβαίωσαν ότι το μοντέλο είναι αξιόπιστο.

Ο στόχος των ερευνητών ήταν με τη βοήθεια του μοντέλου αυτού να μειωθεί η ανάγκη εκτέλεσης επιπλέον εργαστηριακών αναλύσεων

Σε δεύτερο στάδιο έδωσαν σε παθολογοανατόμους εικόνες από το εργαστήριο και από το μοντέλο και τους ζήτησαν να ξεχωρίσουν ποιες είναι παράγωγο της τεχνητής νοημοσύνης και ποιες αληθινές. Διαπιστώθηκε ότι οι τεχνητές εικόνες γίνονται αντιληπτές ως σχεδόν πανομοιότυπες με τις πραγματικές και αυτό δείχνει και πάλι την αποτελεσματικότητα του μοντέλου.

Οι ερευνητές χρησιμοποίησαν ιστούς από άτομα που πάσχουν από καρκίνο του προστάτη και από καρκίνο του παγκρέατος. Σε επόμενο στάδιο στοχεύουν στην προσαρμογή του μοντέλου, ώστε να μπορεί να χρησιμοποιηθεί και για τον εντοπισμό άλλων τύπων καρκίνου, αλλά και να αξιοποιηθεί και σε πιο προηγμένες εργαστηριακές τεχνικές διάγνωσης του καρκίνου πέραν της χρώσης των ιστών.

«Στην εξατομικευμένη θεραπεία το μέλλον της ογκολογίας»

Αν και μηχανικός υπολογιστών, η Μαριάννα Ραψομανίκη ασχολείται χρόνια με την αξιοποίηση της τεχνητής νοημοσύνης στη «μάχη» κατά του καρκίνου.

«Το αποφάσισα αρκετά νωρίς, γιατί βρίσκω συγκλονιστικό το πόσο περίπλοκη είναι αυτή η ασθένεια. Όσο μαθαίνεις πιο πολλά, τόσο καταλαβαίνεις ότι δεν έχουμε ιδέα για το τι συμβαίνει σε μοριακό επίπεδο ή σε επίπεδο του μικροπεριβάλλοντος της νόσου. Είναι τόσο σύνθετη ασθένεια, που για μένα είναι τρομερά ενδιαφέρον να προσπαθούμε να βγάλουμε άκρη στο τι συμβαίνει», τονίζει.

Όπως παρατηρεί η ίδια, η χρήση της τεχνητής νοημοσύνης «έχει φέρει πολύ μεγάλη ελπίδα, γιατί οι τεχνικές αυτές μπορούν να δουν συσχετίσεις που το ανθρώπινο μάτι δεν μπορεί να δει ή δεν μπορεί να τις αντιληφθεί. Επιπλέον, όλες οι πειραματικές τεχνικές που γίνονται στο εργαστήριο, μάς δίνουν πολύ μεγάλο όγκο δεδομένων τις οποίες η τεχνητή νοημοσύνη μπορεί να επεξεργαστεί πολύ πιο αποδοτικά».

«Συνολικά», συνεχίζει η κ. Ραψομανίκη, «η ελπίδα είναι ότι η τεχνητή νοημοσύνη θα είναι ένα χρήσιμο εργαλείο στα χέρια του γιατρού. Σε ένα πλαίσιο που τα συστήματα υγείας υφίστανται πολύ μεγάλη πίεση, οτιδήποτε μπορεί να απλοποιήσει τη δουλειά των γιατρών, θα βοηθήσει. Επιπλέον, το μέλλον της ογκολογίας πιστεύω ότι βρίσκεται στην εξατομικευμένη θεραπεία για κάθε ασθενή, με βάση τα δεδομένα του όγκου, γιατί όλοι οι όγκοι είναι μοναδικοί, και αυτό μπορεί να γίνει μόνο με προηγμένα μοντέλα».

Όμως, προσθέτει ότι «δεν πρέπει να ξεχνάμε ότι όλα αυτά είναι εργαλεία και να είμαστε πολύ προσεκτικοί στην προστασία των δεδομένων των ασθενών. Ταυτόχρονα, αυτό που είναι πολύ μεγάλο θέμα ερευνητικά είναι να καταλάβουμε πώς παίρνουν αποφάσεις αυτά τα μοντέλα. Οπότε πρέπει να είμαστε σίγουροι ότι τα αποτελέσματα των ερευνών μπορούν να επιβεβαιωθούν».

Σημειώνεται ότι πρώτος συγγραφέας της δημοσίευσης στο «Nature Machine Intelligence» είναι ο ερευνητής Πούσπακ Πάτι (Pushpak Pati), ο οποίος την περίοδο της έρευνας ήταν μέλος της ομάδας της κ. Ραψομανίκη. Στη δημοσίευση συνεργάστηκε μεταξύ άλλων και η Σοφία Καρκαμπούνα από το Πανεπιστήμιο της Βέρνης.

Κάντε like στη σελίδα μας στο facebook για να μαθαίνετε όλα τα νέα

 

ΠΡΟΣΦΑΤΑ ΑΡΘΡΑ