هوش مصنوعی ژنوم سرطان مغز را هنگام جراحی رمزگشایی می‌کند
دانشمندان موفق به طراحی ابزار هوش مصنوعی شده‌اند که می‌تواند به سرعت DNA تومور مغز را رمزگشایی و هویت مولکولی آن را در طی عمل جراحی تعیین کند. در حال حاضر استخراج این اطلاعات با استفاده از روش فعلی فراگیر، ممکن است چند روز تا چند هفته به طول بینجامد.
شناخت نوع مولکولی تومور به جراحان مغز و اعصاب در تصمیم‌گیری‌ها کمک می‌کند، تصمیماتی مانند این‌که چه مقدار از بافت مغز باید برداشته شود و آیا داروهای کُشنده تومور را درحالی‌که بیمار هنوز روی تخت عمل جراحی قرار دارد مستقیماً در مغز قرار دهند یا نه! گزارشی در این مورد، توسط پژوهشگران دانشکده پزشکی هاروارد، در مجله Med منتشر شده است.
بیشتر بخوانید: کنترل سلول‌های عصبی با نور، دریچه‌ای جدید برای مطالعه مغز
تشخیص مولکولی دقیق -که جزئیات تغییرات DNA در یک سلول را نشان می‌دهد- این امکان را برای جراح فراهم می‌کند تا در طول جراحی تصمیم بگیرد که چه مقدار از بافت مغز باید برداشته شود. برداشتن بافت بیش از حد در صورتی که تومور از نوع کمترتهاجمی باشد، می‌تواند بر عملکرد عصبی و شناختی بیمار تأثیرگذار باشد. به همین ترتیب، اگر تومور بسیار خطرناک و تهاجمی باشد برداشتن مقدار کمتری از بافت ممکن است سبب شود تا بافت تومور بدخیم که قابلیت رشد و گسترش بالایی دارد، باقی بماند.
کان شینگ یو (Kun-Hsing Yu) نویسنده اصلی این مطالعه و استاد دانشگاه علوم پزشکی هاروارد در رشته اطلاعات پزشکی در انستیتو Blavatnik می‌گوید: “در حال حاضر، حتی بهترین شیوه عملکرد بالینی نمی‌تواند تومورها را در دوران جراحی به صورت مولکولی، آنالیز کند. ابزار ما با استخراج سیگنال‌های بیومدیکال یا زیست‌پزشکی ناشناخته و بررسی نشده از اسلاید پاتولوژی منجمد، این چالش را با موفقیت پشت سر می‌گذارد. “
یو گفت: شناخت هویت مولکولی تومور در طول جراحی ارزشمند است زیرا با اطلاع از شناخت پنل مولکولی تومور در حین عمل جراحی، می‌توان از درمان در محل مناسب‌تری استفاده کرد. همچنین در برخی از تومورها می‌توان از حامل‌های دارویی ویفری به صورت مستقیم در مغز بهره برد. ویفرها، نوعی حاملین قابل تجزیه هستند که پس از جراحی تومور مغز، در حفره قرار می‌گیرند و امکان انتقال مستقیم دارو به محل تومور را دارند، میزان داروی دریافتی به اندازه حفره و تعداد ویفرهای کاشته شده بستگی دارد. پس از 10 ساعت، پوشش از بین رفته و دارو آزاد می‌شود. این ویفرها دارو را طی 5 روز آزاد می‌کنند و ساختار آن‌ها طی 6 الی 8 هفته تخریب می‌شود.
یو افزود: توانایی تشخیص مولکولی به صورت لحظه‌ای و در طول عمل جراحی، می‌تواند به توسعه درمان دقیق و متناسب با شرایط هر بیمار و به صورت لحظه‌ای کمک کند.
روش تشخیصی داخلی (روش تشخیص حین عمل) استاندارد که در حال حاضر استفاده می‌شود، شامل گرفتن بافت مغز، یخ زدن آن و سپس بررسی آن زیر میکروسکوپ است. یکی از معضلات اساسی روش فوق این است که یخ زدن بافت ممکن است ظاهر سلول را در زیر میکروسکوپ تغییر داده و بر روی درستی و دقت ارزیابی بالینی اثر منفی بگذارد.
علاوه بر این، حتی با استفاده از میکروسکوپ‌های قوی، چشم انسان نمی‌تواند تغییرات در ژنوم سلول‌های ظریف روی یک اسلاید را طور قابل اطمینان تشخیص دهد.
پیروزی روش هوش مصنوعی جدید در این چالش‌ها
این ابزار که به اختصار CHARM (Cryosection Histopathology Assessment and Review Machi) نامیده می‌شود، به صورت رایگان در دسترس سایر پژوهشگران نیز قرار دارد. تیم پژوهشی این هوش مصنوعی می‌گوید این ابزار پیش از استقرار در بیمارستان‌ها، باید از طریق آزمایش در محیط واقعی توسط پزشکان تأیید بالینی شده و همچنین موفق به دریافت تأییدیه از FDA گردد.
کشف کد مولکولی سرطان
پیشرفت‌های اخیر در ژنتیک، به پاتولوژیست‌ها اجازه داده است که امضای مولکولی تومور شامل ویژگی، آثار و رفتارهای آن را در انواع مختلف سرطان مغز از یکدیگر تفکیک کنند. به عنوان مثال، گلیوما – تهاجمی‌ترین و شایع‌ترین نوع سرطان مغز – سه زیرشاخه‌ی اصلی دارد که نشانگرهای مولکولی مختلف و توان متفاوتی برای رشد و گسترش دارند. توانایی این ابزار جدید برای تسریع تشخیص مولکولی می‌تواند به ویژه در مناطقی که دسترسی کمتری به فناوری دارند، برای انجام سریع تشخیص توالی ژنتیکی سرطان ارزشمند باشد.
علاوه بر تصمیماتی که در طول جراحی گرفته می‌شود، آگاهی از نوع مولکولی تومور سرنخ‌هایی در مورد تهاجمی بودن، رفتار و پاسخ احتمالی آن به درمان‌های مختلف ارائه می‌دهد. چنین دانشی می‌تواند بر تصمیم‌گیری‌های پس از عمل جراحی مؤثر باشد.
همچنین، این ابزار جدید تشخیص‌های حین جراحی را با سیستم طبقه‌بندی به‌روز سازمان بهداشت جهانی برای تشخیص و درجه بندی شدت گلیوما، که بر اساس پروفایل ژنومی تومور است، هماهنگ می‌کند.
بیشتر بخوانید: منشا گرفتن مغز مهره‌داران از دم اجدادشان
آموزش CHARM
CHARM با استفاده از 2334 نمونه تومور مغزی از 1524 فرد مبتلا به گلیوما و از سه جمعیت مختلف بیمار توسعه یافت. وقتی این هوش مصنوعی بر روی مجموعه‌ای از نمونه‌های مغزی که قبلاً دیده نشده بود آزمایش شد، این ابزار تومورهایی با جهش مولکولی خاص را با دقت 93% تشخیص داد و با موفقیت سه نوع عمده گلیوما که پیش‌آگهی‌های متفاوتی دارند و به درمان‌ها پاسخ متفاوتی می‌دهند را با ویژگی‌های مولکولی متمایز طبقه‌بندی کرد.
به علاوه این ابزار در تشخیص ویژگی‌های بصری بافت اطراف سلول‌های بدخیم نیز موفق بوده است. این دستگاه قادر به شناسایی مناطق دارای تراکم سلولی بیشتر و یا مرگ سلولی بیشتر در نمونه‌ها بود که هر دو نوع، گلیومای تهاجمی‌تر را نشان می‌دهند.
این ابزار همچنین می‌تواند تغییرات مولکولی مهم بالینی را در زیرمجموعه‌ای از گلیوماهای با درجه پایین -زیرشاخه‌ای از گلیوما که قدرت تهاجم کمتری دارد و در نتیجه کمتر به بافت اطراف حمله می‌کند-، مشخص کند. هر یک از این تغییرات نشان‌دهنده تمایلات متفاوتی برای رشد، گسترش و پاسخ درمانی است.
این ابزار بیشتر ظاهر سلول‌ها – شکل هسته آن‌ها، وجود آدم در اطراف سلول – را با مشخصات مولکولی تومور مرتبط می‌کند. این بدان معناست که این الگوریتم می‌تواند نحوه ارتباط ظاهر سلول با نوع مولکولی تومور را مشخص کند.
پژوهشگران معتقدند که این الگوریتم که بر روی گلیوما آموزش‌دیده و آزمایش‌شده است، می‌تواند با بازآموزی، به شناسایی زیرشاخه‌های دیگر سرطان مغز بپردازد.
دانشمندان قبلاً مدل‌هایی از هوش مصنوعی را برای تشخیص انواع سرطان‌های روده بزرگ، ریه و سینه طراحی کرده‌اند، اما سرطان گلیوما به دلیل پیچیدگی مولکولی و تنوع بسیار زیاد در شکل و ظاهر سلول‌های تومور همچنان چالش‌برانگیز است.
یو می‌گوید ابزار CHARM باید به‌طور دوره‌ای بازآموزی شود تا طبقه‌بندی بیماری‌های جدید که از دانش جدید سرچشمه می‌گیرد را منعکس نماید. درست مانند انسان‌هایی که به دلیل پزشک بودن باید در آموزش و بازآموزی شرکت کنند، ابزارهای هوش مصنوعی نیز باید با آخرین دانش همگام شوند تا در اوج عملکرد خود باقی بمانند.
