به گزارش سلامت نیوز به نقل از هاروارد مدیکال اسکول، دانشمندان ابزار هوش مصنوعی طراحی کردهاند که میتواند به سرعت DNA تومور مغزی را رمزگشایی کرده تا هویت مولکولی آن را در طول جراحی مشخص کند؛ این ها اطلاعات مهمی هستند که تحت رویکرد فعلی میتواند چند روز و تا چند هفته طول بکشد تا به دست بیایند.
دانستن نوع مولکولی تومور، جراحان مغز و اعصاب را قادر میسازد تا تصمیماتی مانند میزان برداشتن بافت مغز و قرار دادن داروهای کشنده تومور مستقیماً در مغز را در زمانی که بیمار هنوز روی میز عمل است، اتخاذ کنند.
گزارشی از این کار، به رهبری محققان دانشکده پزشکی هاروارد، در 7 ژوئیه در مجله Med منتشر شده است.
تشخیص مولکولی دقیق که جزئیات تغییرات DNA در سلول را نشان می دهد، در طول جراحی می تواند به جراح مغز و اعصاب کمک کند تا تصمیم بگیرد چه مقدار از بافت مغز را حذف کند.
برداشتن بیش از حد تومور، زمانی که تومور تهاجم کمتری دارد، می تواند بر عملکرد عصبی و شناختی بیمار تأثیر بگذارد؛ به همین ترتیب، برداشتن بافت خیلی کمتر در زمانی که تومور بسیار تهاجمی است ممکن است بافت بدخیم را باقی بگذارد که می تواند به سرعت رشد کرده و مجددا گسترش یابد.
در حال حاضر، حتی پیشرفتهترین روشهای بالینی نیز نمیتوانند تومورها را از نظر مولکولی در طول جراحی مشخص کنند. کان-هسینگ یو، نویسنده ارشد این مطالعه، استادیار انفورماتیک بیوپزشکی در مؤسسه بلاواتنیک در HMS، گفت: «ابزار ما با استخراج سیگنالهای بیومدیکال از اسلایدهای پاتولوژی منجمد که تا کنون استفاده نشده است، بر این چالش غلبه میکند.»
یو اظهار داشت که دانستن هویت مولکولی تومور در حین جراحی نیز ارزشمند است.
یو افزود : «توانایی تعیین تشخیص مولکولی حین عمل در زمان واقعی، در حین جراحی، میتواند به توسعه انکولوژی دقیق در زمان واقعی کمک کند.»
روش تشخیصی استاندارد حین عمل که اکنون مورد استفاده قرار می گیرد شامل گرفتن بافت مغز، انجماد آن و بررسی زیر میکروسکوپ است. یک اشکال عمده این روش این است که انجماد بافت تمایل به تغییر ظاهر سلول ها در زیر میکروسکوپ دارد و می تواند در دقت ارزیابی بالینی اختلال ایجاد کند. علاوه بر این، چشم انسان، حتی زمانی که از میکروسکوپهای قوی استفاده میکند، نمیتواند بهطور قابل اعتمادی تغییرات ژنومی ظریف را روی یک اسلاید تشخیص دهد.
بیشتر بخوانید: فردابانک، نئوبانک هوشمند
رویکرد جدید هوش مصنوعی بر این چالش ها غلبه می کند
این ابزار که CHARM (دستگاه ارزیابی و بررسی هیستوپاتولوژی انجماد) نام دارد، به صورت رایگان در اختیار سایر محققان قرار می گیرد. تیم تحقیقاتی گفت که هنوز باید از نظر بالینی از طریق آزمایش در تنظیمات دنیای واقعی تایید شده و توسط FDA قبل از استقرار در بیمارستان ها بررسی شود.
شکستن کد مولکولی سرطان
پیشرفتهای اخیر در ژنومیک به پاتولوژیستها این امکان را داده است که نشانه های مولکولی و رفتارهایی را که چنین عملکردهایی را نشان میدهند، در انواع مختلف سرطان مغز و همچنین در انواع خاصی از سرطان مغز متمایز کنند. به عنوان مثال، گلیوما، تهاجمیترین تومور مغزی و شایعترین شکل سرطان مغز، دارای سه زیر متغیر اصلی است که نشانگرهای مولکولی متفاوتی را حمل میکنند و تمایلات متفاوتی برای رشد و گسترش دارند.
توانایی ابزار جدید برای تسریع تشخیص مولکولی می تواند به ویژه در مناطقی با دسترسی محدود به فناوری، برای انجام توالی ژنتیکی سریع سرطان، بسیار ارزشمند و هائز اهمیت باشد.
فراتر از تصمیماتی که در طول جراحی گرفته می شود، دانش نوع مولکولی تومور سرنخ هایی در مورد تهاجمی بودن، رفتار و پاسخ احتمالی آن به درمان های مختلف ارائه می دهد. چنین دانشی می تواند تصمیمات پس از عمل را تحت تاثیر خودش قرار بدهد.
علاوه بر این، ابزار جدید تشخیص حین جراحی را با سیستم طبقهبندی بهروز شده اخیر سازمان جهانی بهداشت، برای تشخیص و درجهبندی شدت گلیوما امکانپذیر میکند که میخواهد چنین تشخیصهایی بر اساس مشخصات ژنومی تومور انجام شود.
آموزش CHARM
CHARM با استفاده از 2334 نمونه تومور مغزی از 1524 فرد مبتلا به گلیوم از سه جمعیت مختلف بیمار توسعه یافته است.
وقتی این ابزار روی مجموعهای از نمونههای مغزی که قبلاً دیده نشده بود آزمایش شد، تومورها را با جهشهای مولکولی خاص با دقت 93 درصد تشخیص داد و با موفقیت سه نوع عمده گلیوم را با ویژگیهای مولکولی متمایز طبقهبندی کرد که ساختارهای متفاوتی دارند و به درمانها پاسخ متفاوتی میدهند.
همچنین این ابزار با موفقیت ویژگی های بصری بافت اطراف سلول های بدخیم را ثبت کرد. این دستگاه قادر به شناسایی نواحی مشخص با تراکم سلولی بیشتر و مرگ سلولی بیشتر در نمونهها بود که هر دو نوع گلیوما تهاجمیتر را نشان میدهند.
این ابزار همچنین توانست تغییرات مولکولی مهم بالینی را در زیرمجموعهای از گلیوماهای با درجه پایین، زیرشاخهای از گلیوما که کمتر تهاجمی است و در نتیجه کمتر به بافت اطراف حمله میکند، مشخص کند. هر یک از این تغییرات تمایل متفاوتی برای رشد، گسترش و پاسخ درمانی دارد.
این ابزار بیشتر ظاهر سلول ها، شکل هسته آنها، وجود ادم در اطراف سلول ها را با مشخصات مولکولی تومور مرتبط می کند؛ این بدان معناست که این الگوریتم میتواند نحوه ارتباط ظاهر سلول با نوع مولکولی تومور را به بهترین شکل مشخص کند.
یو گفت:« این توانایی برای ارزیابی بافت وسیعتر اطراف تصویر، مدل را دقیقتر و نزدیکتر به نحوه ارزیابی بصری یک نمونه تومور توسط آسیبشناس انسانی میکند.»
محققان می گویند که در حالی که این مدل بر روی نمونه های گلیوما آموزش دیده و آزمایش شده بود، می توان آن را با موفقیت برای شناسایی سایر زیرشاخه های سرطان مغز نیز بازآموزی کرد.
دانشمندان قبلاً مدلهای هوش مصنوعی را طراحی کردهاند تا انواع سرطانهای روده بزرگ، ریه، سینه را نشان دهند، اما گلیوماها به دلیل پیچیدگی مولکولی و تنوع بسیار زیاد در شکل و ظاهر سلولهای تومور همچنان چالشبرانگیز هستند.
یو گفت :« ابزار CHARM باید به طور دورهای بازآموزی شود تا طبقهبندیهای بیماریهای جدید را که از دانش جدید حاصل می شوند، منعکس کند.»
درست مانند پزشکان که باید در دوره های آموزشی مداوم و مختلف شرکت کنند، ابزارهای هوش مصنوعی نیز باید با آخرین دانش همگام شوند تا در اوج عملکرد خود باقی بمانند.
نظر شما