H τεχνητή νοηµοσύνη στη µάχη κατά του καρκίνου

Εδώ και 150 χρόνια οι παθολογοανατόµοι εξετάζουν µέσα από µικροσκόπια δείγµατα ιστών τοποθετηµένα πάνω σε αντικειµενοφόρες πλάκες (πλακάκια) για τη διάγνωση του καρκίνου. Κάθε αξιολόγηση είναι βαρυσήµαντη: Eχει καρκίνο αυτός ο ασθενής ή όχι; Η δουλειά του παθολογοανατόµου είναι εξοντωτική. Ενα µόνο πλακάκι µπορεί να περιέχει εκατοντάδες χιλιάδες κύτταρα. Μόνο ένας µικρός αριθµός από αυτά µπορεί να είναι καρκινικά. Επίσης ένα µικρό ποσοστό διαγνώσεων χαρακτηρίζεται ως µη ακριβές.

Εδώ είναι που κάνει την εµφάνισή της η τεχνητή νοηµοσύνη (Artificial Intelligence AI), ένα επιπλέον ζευγάρι αµερόληπτων, ακούραστων τεχνητών µατιών που θα µπορούσε να βοηθήσει στον εντοπισµό λαθών. Πολλοί ερευνητές στρέφονται σε αυτήν τη δυνατότητα, αλλά οι παθολογοανατόµοι της Novartis πιστεύουν ότι η τεχνητή νοηµοσύνη πρόκειται να παίξει έναν επιπρόσθετο ρόλο. Κάνουν την υπόθεση ότι τα παθολογοανατοµικά πλακάκια µπορεί να περιέχουν πληροφορίες που θα βοηθήσουν να εξηγήσουµε γιατί µερικοί ασθενείς ανταποκρίνονται στη θεραπεία, ενώ άλλοι ασθενείς, που φαινοµενικά είναι παρόµοιοι, δεν ανταποκρίνονται.

Για να διερευνήσουν αυτή την ιδέα οι παθολογοανατόµοι και οι επιστήµονες της Novartis, που ασχολούνται µε τα δεδοµένα, έχουν ενώσει τις δυνάµεις τους µε την τεχνολογική επιχείρηση PathAI. Εκπαιδεύουν ένα σύστηµα τεχνητής νοηµοσύνης που αναπτύχθηκε από την PathAI, ώστε να µάθει να βλέπει τα ίδια πρότυπα που βλέπουν οι παθολογοανατόµοι, και έπειτα θα βασιστούν σε αυτό για να καθορίσουν αν το σύστηµα µπορεί να εντοπίσει κρυµµένα πρότυπα, που περιέχουν όµως πληροφορίες που είναι υπερβολικά ανεπαίσθητες ή σύνθετες, µε αποτέλεσµα οι παθολογοανατόµοι να µην µπορούν να τις διακρίνουν.

Αυτή η προσπάθεια αποτελεί µέρος µιας ευρύτερης προσπάθειας της Novartis να αξιοποιήσει τα δεδοµένα και τις ψηφιακές τεχνολογίες µε τρόπους που θα µπορούσαν να βοηθήσουν τους φορείς που αναπτύσσουν φάρµακα να παρέχουν τα σωστά φάρµακα στους σωστούς ασθενείς ταχύτερα.

Αναγνωρίζει τη νόσο

Μικροσκόπιο: Eνας παθολογοανατόµος βλέπει ένα σύνολο κυττάρων πάνω σε ένα πλακάκι και βασίζεται στα χρόνια εκπαίδευσής του για να εντοπίσει τα κύτταρα που µπορεί να είναι καρκινικά.

Εικόνα Τεχνητής Νοηµοσύνης: Το σύστηµα PathAI εντοπίζει επίσης σηµεία καρκίνου και παρουσιάζει την εκτίµησή του πάνω στο παθολογοανατοµικό πλακάκι, επισηµαίνοντας τα καρκινικά κύτταρα (κόκκινο), τα περιβάλλοντα κύτταρα (πράσινο) και τα νεκρά κύτταρα (µαύρο). Σε µια πρώτη δοκιµαστική φάση η συνεργατική οµάδα εκπαίδευσε το σύστηµα PathAI ώστε να βλέπει τα παθολογοανατοµικά πλακάκια ασθενών που δεν έχουν λάβει θεραπεία και να διακρίνει τον όγκο από τον φυσιολογικό ιστό. Το σύστηµα µπορεί, επίσης, να αναγνωρίσει µε αξιοπιστία διαφορετικούς τύπους κυττάρων σε ένα πλακάκι.

Για έναν παθολογοανατόµο αυτά τα χαρακτηριστικά αντιστοιχούν µε την εύρεση βελόνας στα άχυρα και µε την τοποθέτηση ετικέτας σε κάθε άχυρο στη συνέχεια. Η ικανότητα επισήµανσης κάθε κυττάρου γίνεται αυξανόµενα σηµαντική, καθώς οι αντικαρκινικές θεραπείες εξελίσσονται και περιλαµβάνουν φάρµακα που στοχεύουν όχι µόνο τα καρκινικά κύτταρα αλλά και τα κύτταρα του ανοσολογικού συστήµατος.

Αν οι ηλεκτρονικοί υπολογιστές µπορούν να αναλύσουν ένα ολόκληρο παθολογοανατοµικό πλακάκι κατευθείαν και να κάνουν ποσοτική καταµέτρηση των κυτταρικών τύπων και θέσεων, θα µπορούσαν πιθανώς να αποκαλύψουν τα πρότυπα που προβλέπουν πόσο καλή µπορεί να είναι η πορεία ενός ασθενούς µε µια δεδοµένη θεραπεία.

Με την πρόσφατη έκρηξη στις υπό έρευνα επιλογές όσον αφορά την ανοσολογία-ογκολογία µαζί µε θεραπείες που στοχεύουν τις µεταλλάξεις που ενισχύουν τον καρκίνο, µία από τις µεγαλύτερες προκλήσεις για τα άτοµα που εργάζονται για την ανακάλυψη νέων θεραπειών είναι η αντιστοίχιση της πιο κατάλληλης θεραπείας µε κάθε µεµονωµένο ασθενή. Ενώ οι γονιδιωµατικές πληροφορίες συµβάλλουν στην προώθηση έξυπνων αποφάσεων, τα πολύτιµα στοιχεία από τα παθολογοανατοµικά πλακάκια θα µπορούσαν να βοηθήσουν επίσης.

Εκπαίδευση του μοντέλου

Σε συνεργασία µε το Ινστιτούτο Παθολογοανατοµίας στο Πανεπιστηµιακό Νοσοκοµείο της Βασιλείας στην Ελβετία, η οµάδα της Novartis απέκτησε πρόσβαση σε 400 παθολογοανατοµικές εικόνες από ιστούς µε καρκίνο του µαστού και του πνεύµονα, καθώς και σε ανώνυµες πληροφορίες ασθενών σχετικά µε διαγνώσεις και χρόνους επιβίωσης. Ποια είναι η πρόκληση για την πλατφόρµα PathAI; Oταν δοθεί µια εικόνα, πρέπει να εντοπίσει τον καρκίνο, να ταυτοποιήσει τους κυτταρικούς τύπους και να προβλέψει την πιθανότητα του ασθενούς για επιβίωση πέντε ετών.

Eνας τρόπος προσέγγισης της πρόκλησης είναι να δοθεί σε ένα σύνολο µη εκπαιδευµένων αλγορίθµων τεχνητής νοηµοσύνης ένα υποσύνολο δεδοµένων και να δούµε τι θα µάθει. Σε αντίθεση µε έναν εκπαιδευµένο παθολογοανατόµο το µηχάνηµα προσεγγίζει το πρόβληµα χωρίς καµία γνώση σχετικά µε τα κύτταρα ή τον καρκίνο. Ο Holger Hoefling, επιστηµονικός υπεύθυνος για τα δεδοµένα στα Ινστιτούτα της Novartis για Βιοϊατρική Ερευνα (NIBR), ο οποίος συνεργάζεται στο πρόγραµµα µε την PathAI και µε µία εσωτερική οµάδα των NIBR, µε στόχο τη χρήση της τεχνητής νοηµοσύνης για την αξιολόγηση των προβληµατισµών για την ασφάλεια στις παθολογοανατοµικές εικόνες, δήλωσε: «Οι άνθρωποι έχουν ήδη πολλές γνώσεις.

Σκεφτείτε τα αυτόνοµα αυτοκίνητα. Αυτοκίνητα που εκπαιδεύονται ώστε να οδηγούν. Ο χρόνος και τα δεδοµένα που απαιτούνται για την εκπαίδευση είναι τεράστια. Το αντίθετο ισχύει αν βάλουµε έναν άνθρωπο µπροστά στο τιµόνι για 20 ώρες και τον αφήσουµε να οδηγήσει». Η PathAI, για να δώσει στους µη εκπαιδευµένους αλγόριθµους περισσότερες γνώσεις για τα εκπαιδευτικά δεδοµένα, αποφάσισε να τους παρέχει ακόµα πιο πλούσια δεδοµένα. Μια οµάδα παθολογοανατόµων συµβούλων σηµειώνει τα παθολογοανατοµικά πλακάκια, παρέχοντας στους αλγόριθµους περισσότερες πληροφορίες προς επεξεργασία. Μοιάζει κάπως µε σηµειώσεις πάνω σε ένα ογκώδες λογοτεχνικό έργο που υπογραµµίζουν και εξηγούν τα κρίσιµα αποσπάσµατα.

Παραδείγµατος χάριν, κατά την εκπαίδευση των αλγορίθµων, ώστε να διακρίνουν τους κυτταρικούς τύπους, η PathAI χώρισε τα πλακάκια σε περίπου 10.000 µικρότερες εικόνες και ζήτησε από τους παθολογοανατόµους να βάλουν ετικέτες στους κυτταρικούς τύπους σε κάθε πλακάκι. Η McLaughlin δήλωσε: «Χρειάστηκε να σκεφτούµε πάρα πολύ σχετικά µε το πώς θα βάζαµε σηµειώσεις στις εικόνες. Αυτό το βήµα καθορίζει σε µεγάλο βαθµό το τελικό αποτέλεσµα του µοντέλου τεχνητής νοηµοσύνης».