ASCO 2026: انقلاب هوش مصنوعی و پروفایل‌سازی فضایی در نشانگرهای زیستی سرطان
در این مقاله
فقط وجود هدف مهم نیست؛ هدف در کجای تومور است؟ نشانگرهای زیستی دیگر صرفاً «مثبت» یا «منفی» نیستند
پرسش قدیمی درباره نشانگرهای زیستی: آیا هدف وجود دارد؟
انکولوژی مدرن مدت‌هاست وارد دوره‌ای شده که نشانگرهای زیستی تصمیم درمان را تغییر می‌دهند. EGFR، ALK، ROS1 و RET در سرطان ریه؛ RAS، BRAF، MSI و HER2 در سرطان کولورکتال؛ ER، PR، HER2 و Ki-67 در سرطان پستان؛ و BRCA و HRD در سرطان تخمدان، اکنون بخش جدایی‌ناپذیر کار روزمره‌اند.
اما رویکرد متداول نشانگرهای زیستی محدودیت مهمی دارد: اغلب تومور را با یک مقدار متوسط خلاصه می‌کند. برای مثال می‌گوییم توموری «HER2 مثبت» است، اما غالباً با جزئیات اندازه نمی‌گیریم که آیا HER2 در همه نواحی تومور یکسان است، سلول‌های مثبت در کدام بخش متمرکزند، آیا سلول‌های ایمنی می‌توانند وارد این نواحی با HER2 بالا شوند یا آیا استروما این سلول‌ها را احاطه کرده است.
آزمایش‌های متداول اغلب تومور را در دسته‌هایی مانند «مثبت-منفی»، «بالا-پایین» یا «جهش‌یافته-نوع وحشی» قرار می‌دهند. درحالی‌که بافت تومور یکپارچه و همگن نیست؛ در نواحی مختلف ممکن است تراکم سلولی، سطح پاسخ ایمنی، ساختار عروق و نواحی مقاومت متفاوت باشد.
پرسش جدید: هدف کجاست، کنار چه سلول‌هایی و در کدام ریزمحیط؟
هوش مصنوعی و پروفایل‌سازی فضایی دقیقاً در این نقطه وارد می‌شوند. آسیب‌شناسی دیجیتال، تصویر تمام اسلاید را با وضوح بالا تحلیل می‌کند. مدل‌های هوش مصنوعی می‌توانند سلول‌های توموری، استروما، لنفوسیت‌ها، سلول‌های عروقی، نواحی نکروز، فنوتیپ ایمنی و همسایگی‌های سلولی را کمی‌سازی کنند. به این ترتیب، اسلاید آسیب‌شناسی ممکن است از سندی صرفاً تشخیصی به نقشه زیستی چندلایه‌ای تبدیل شود که پاسخ درمان را پیش‌بینی می‌کند.
تحلیل نه فقط تعداد سلول‌ها در بافت تومور، بلکه موقعیت آن‌ها نسبت به یکدیگر است. برای مثال می‌پرسد آیا سلول‌های T وارد تومور شده‌اند یا فقط در حاشیه مانده‌اند، چه همسایگی‌ای با سلول‌های عروقی یا استروما دارند و آیا ساختارهای لنفوئیدی ثالثیه وجود دارند.
نمونه‌ای از ASCO 2026: انتخاب به کمک هوش مصنوعی در سرطان مجاری صفراوی HER2 مثبت
یکی از نمونه‌های جالب این رویکرد در ASCO 2026، مطالعه سرطان پیشرفته مجاری صفراوی HER2 مثبت بود. این مطالعه هنگام ارزیابی رژیم چهارگانه خط اول شامل تراستوزوماب، نیوولوماب، جمسیتابین و سیس‌پلاتین، با تحلیل تمام اسلاید به کمک هوش مصنوعی، بیان HER2 و فنوتیپ ایمنی را هم‌زمان بررسی کرد.
در مطالعه چندمرکزی فاز Ib/II، 40 بیمار شرکت داشتند. با ترکیب درمانی، نرخ پاسخ عینی %55، نرخ کنترل بیماری %95و میانه بقای بدون پیشرفت 10,6 ماه گزارش شد. بااین‌حال، نکته اصلی این بود که هوش مصنوعی می‌توانست بیمارانی را جدا کند که ممکن است احتمال پاسخ بیشتری داشته باشند.
این نمونه نشان می‌دهد که هوش مصنوعی ممکن است فراتر از یک «ابزار کمک به آسیب‌شناسی» ساده برود. وقتی مقدار پروتئین هدف، فنوتیپ ایمنی و ریزمحیط تومور در یک بافت به‌طور هم‌زمان تحلیل شوند، انتخاب بیمار ممکن است دقیق‌تر شود.
ریزمحیط توموری سرد از نظر ایمنی در سرطان ریه با HER2 بالا
تحلیل دیگری که Lunit در ASCO 2026 ارائه کرد، ریزمحیط تومور را در سرطان‌های ریه غیرسلول‌کوچک با بیش‌بیانی HER2 ارزیابی کرد. در تحلیل فضایی به کمک هوش مصنوعی روی بیش از دو هزار تصویر تمام اسلاید NSCLC، در تومورهای بیش‌بیان‌کننده HER2، تراکم کمتر لنفوسیت‌های نفوذکننده به تومور و نسبت پایین‌تر فنوتیپ ایمنی ملتهب گزارش شد.
این یافته نشان می‌دهد که تومورهای با HER2 بالا در برخی زمینه‌ها ممکن است ریزمحیطی «سردتر از نظر ایمنی» داشته باشند. اگر نتایج در مجموعه‌های مستقل تأیید شوند، برای فهم اینکه ترکیب درمان هدف‌گیرنده HER2 و ایمنی‌درمانی برای کدام بیمار معنادارتر است، شاید لازم باشد علاوه بر سطح HER2، نقشه ریزمحیط نیز بررسی شود.
به تومورهایی گفته می‌شود که سلول‌های ایمنی درون یا اطراف آن‌ها کم‌اند و به‌ویژه سلول‌های T نمی‌توانند به‌اندازه کافی وارد بافت تومور شوند. این وضعیت ممکن است در برخی بیماران با پاسخ محدود به ایمنی‌درمانی ارتباط داشته باشد.
امضای فضایی تفکیک‌کننده پاسخ آکسیتینیب در کارسینوم آدنوئید کیستیک
نمونه دیگری از پروفایل‌سازی فضایی به کمک هوش مصنوعی در کارسینوم آدنوئید کیستیک ارائه شد. در این تومور نادر، گزینه‌های درمانی محدودند و پیش‌بینی پاسخ با نشانگرهای زیستی متداول دشوار است. در تحلیل ریزمحیط تومور مبتنی بر هوش مصنوعی، در زیرگروهی با تراکم بالای سلول‌های اندوتلیال و لنفوسیت‌های نفوذکننده به تومور، PFS طولانی‌تر پس از آکسیتینیب گزارش شد: 19,6 ماه در برابر 11,1 ماه.
نواحی TLS در سرطان کولورکتال MSS: آیا می‌توان دری به ایمنی‌درمانی گشود؟
سرطان کولورکتال متاستاتیک با پایداری ریزماهواره‌ای معمولاً مقاوم به مهارکننده‌های نقاط وارسی ایمنی دانسته می‌شود. اما برچسب «MSS» نیز تمام جزئیات ریزمحیط تومور را توضیح نمی‌دهد. یکی از تحلیل‌های ریزمحیط تومور به کمک هوش مصنوعی در ASCO 2026 نشان داد که در سرطان کولورکتال متاستاتیک MSS، بزرگ‌تر بودن نواحی ساختارهای لنفوئیدی ثالثیه ممکن است با PFS و OS بهتر پس از ایمنی‌درمانی ارتباط داشته باشد.
تشکیل تجمع‌های سازمان‌یافته سلول‌های ایمنی در بافت تومور است که به گره لنفاوی شباهت دارند. در برخی سرطان‌ها، این ساختارها ممکن است با پاسخ ایمنی ضدتوموری مؤثرتر و پاسخ بهتر به ایمنی‌درمانی ارتباط داشته باشند.
این حوزه بسیار مهم است؛ زیرا با قرار دادن برخی تومورها در یک دسته «مقاوم به ایمنی‌درمانی»، شاید زیرگروه‌های کوچکی را از دست بدهیم که ریزمحیطشان در واقع ظرفیت پاسخ ایمنی دارد. تحلیل فضایی به کمک هوش مصنوعی ممکن است فرصت شناسایی عینی‌تر این زیرگروه‌ها را فراهم کند.
هوش مصنوعی چندوجهی: وقتی آسیب‌شناسی، داده بالینی و خطر ژنومی وارد یک مدل می‌شوند
جهت مهم دیگر در ASCO 2026، هوش مصنوعی چندوجهی بود. هوش مصنوعی چندوجهی فقط به تصویر آسیب‌شناسی نگاه نمی‌کند؛ بلکه داده بالینی، سن، مرحله، اندازه تومور، وضعیت گره لنفاوی، اطلاعات درمان و در صورت نیاز داده ژنومی را با هم بررسی می‌کند. هدف، مدل‌سازی تمام زمینه بیماری به‌جای یک منبع داده، برای پیش‌بینی دقیق‌تر خطر و فایده درمان است.
مطالعات Artera در ASCO 2026 نمونه‌ای از این جهت‌گیری‌اند. مدل هوش مصنوعی چندوجهی ارزیابی‌کننده فایده شیمی‌درمانی و پیش‌آگهی در سرطان پستان HR مثبت با گره لنفاوی مثبت، به‌عنوان چکیده #107 در نشست شفاهی ارائه شد. همچنین مطالعات تطابق هوش مصنوعی چندوجهی با آزمون Recurrence Score شامل 21 ژن در سرطان پستان مرحله اولیه و طبقه‌بندی خطر مبتنی بر آسیب‌شناسی دیجیتال در سرطان پروستات ارائه شدند.
| رویکرد | داده مورد استفاده | پرسشی که پاسخ می‌دهد | ظرفیت بالینی |
|---|---|---|---|
| نشانگر زیستی متداول | یک نشانگر مولکولی یا IHC | آیا هدف وجود دارد؟ | مناسب‌بودن برای درمان هدفمند را مشخص می‌کند. |
| هوش مصنوعی آسیب‌شناسی دیجیتال | تصویر تمام اسلاید | معماری تومور و الگوی سلولی چه می‌گویند؟ | ممکن است طبقه‌بندی خطر و پیش‌بینی پیش‌آگهی را فراهم کند. |
| پروفایل‌سازی فضایی | موقعیت و همسایگی سلول‌ها | آیا سلول‌های ایمنی وارد تومور شده‌اند و هدف در چه زمینه‌ای است؟ | ممکن است پاسخ ایمنی‌درمانی و درمان هدفمند را دقیق‌تر پیش‌بینی کند. |
| هوش مصنوعی چندوجهی | آسیب‌شناسی + داده بالینی + در صورت نیاز ژنومیک | این بیمار از کدام درمان و چه مقدار ممکن است بهره‌مند شود؟ | ممکن است از تصمیم درمان کمکی یا سیستمیک شخصی‌سازی‌شده پشتیبانی کند. |
این فناوری‌ها چه چیزی را در بالین تغییر می‌دهند؟
بزرگ‌ترین ظرفیت هوش مصنوعی و پروفایل‌سازی فضایی، دقیق‌تر کردن نشانگرهای زیستی موجود است. برای مثال، مثبت‌بودن HER2 ممکن است دیگر فقط «وجود» یا «نبود» نباشد؛ بلکه همراه با نسبت سلول‌های با HER2 بالا، توزیعشان در تومور، وجود سلول‌های ایمنی همسایه و زمینه ریزمحیط تومور ارزیابی شود.
به‌همین شکل، در تصمیم ایمنی‌درمانی ممکن است نه فقط PD-L1 یا MSI، بلکه ورود سلول‌های T به تومور یا ماندن در مرز خارجی، وجود TLS، سد استرومایی، ساختار عروق و ترکیب ماکروفاژ / TIL و متغیرهای متعدد دیگر با هم ترکیب شوند.
الگوی جدید نشانگرهای زیستی
رویکرد قدیمی: «آیا این هدف وجود دارد؟»
رویکرد جدید: «هدف کجاست، چه‌قدر متراکم است، کنار چه سلول‌هایی است، آیا دستگاه ایمنی به تومور رسیده، آیا ریزمحیط اجازه درمان می‌دهد و آیا این اطلاعات می‌تواند پاسخ درمان را پیش‌بینی کند؟»
خواندن انتقادی: اعتبارسنجی به‌اندازه هیجان ضروری است
نکات مهم درباره هوش مصنوعی و نشانگرهای زیستی فضایی
- بیشتر داده‌ها هنوز در مرحله پژوهش‌اند: بخش بزرگی از مطالعات ASCO 2026 فرضیه‌ساز بالینی هستند؛ به معنای تصمیم مستقیم برای درمان استاندارد نیستند.
- اعتبارسنجی آینده‌نگر ضروری است: موفقیت مدل در مجموعه داده گذشته‌نگر به معنای بهبود پیامد بیمار در تصمیم بالینی هم‌زمان نیست.
- مسئله تعمیم‌پذیری وجود دارد: تفاوت بیمارستان‌ها، پروتکل رنگ‌آمیزی، اسکنرها، جمعیت‌های قومی و کیفیت نمونه تومور می‌تواند بر عملکرد مدل اثر بگذارد.
- توضیح‌پذیری مهم است: پزشک بدون فهم اینکه چرا مدل خطر را بالا یا پایین دانسته، نمی‌تواند تصمیم درمان را صرفاً به الگوریتم واگذار کند.
- مقررات و کنترل کیفیت لازم است: برای استفاده بالینی، آزمایش‌های مبتنی بر هوش مصنوعی باید اعتبارسنجی‌شده، استاندارد و قابل ممیزی باشند.
- خطر سوگیری داده وجود دارد: اگر مدل با داده مراکز، گروه‌های بیمار یا پروتکل‌های تصویربرداری مشخص آموزش دیده باشد، ممکن است در جمعیت‌های دیگر همان عملکرد را نشان ندهد.
- آسیب‌شناس و انکولوژیست جایگاهشان را از دست نمی‌دهند: هوش مصنوعی جای تصمیم‌گیرنده را نمی‌گیرد؛ با طراحی مناسب، ابزار پشتیبان تصمیم برای آسیب‌شناس و انکولوژیست می‌شود.
پیام برای ترکیه: آسیب‌شناسی دیجیتال و زیرساخت داده اهمیت راهبردی دارند
در ترکیه، انکولوژی مولکولی، پنل‌های NGS و تصمیم درمان هدفمند روزبه‌روز بیشتر مطرح می‌شوند. اما دوره هوش مصنوعی و پروفایل‌سازی فضایی علاوه بر زیرساخت آزمایش مولکولی، به زیرساخت آسیب‌شناسی دیجیتال نیز نیاز دارد. پردازش باکیفیت بافت، رنگ‌آمیزی استاندارد، اسکنرهای وضوح بالا، ذخیره امن داده، تلفیق آسیب‌شناسی و انکولوژی و داده پیامد بالینی، اجزای اساسی این سیستم هستند.
بنابراین، در آینده مفهوم «شورای آسیب‌شناسی دیجیتال و نشانگرهای زیستی» ممکن است به‌اندازه «شورای تومور مولکولی» اهمیت پیدا کند. زیرا مدل‌های هوش مصنوعی تنها با پرسش بالینی درست، داده باکیفیت و تفسیر متخصص معنادار می‌شوند.
چگونه برای بیمار توضیح دهیم؟
«هوش مصنوعی می‌تواند با بررسی دقیق‌تر بافت تومور روی اسلاید آسیب‌شناسی، نقشه سلول‌های سرطانی، سلول‌های ایمنی و محیط اطراف تومور را ترسیم کند. این اطلاعات در آینده شاید به پیش‌بینی اینکه کدام درمان مؤثرتر است کمک کند. اما این فناوری‌ها امروز برای هر سرطان و هر بیمار استاندارد نیستند؛ استفاده بالینی قابل اعتماد به اعتبارسنجی بیشتر نیاز دارد.»
تفسیر علمی Drozdogan
مطالعات هوش مصنوعی و پروفایل‌سازی فضایی در ASCO 2026 نشان می‌دهند که نشانگرهای زیستی در انکولوژی وارد مرحله جدیدی شده‌اند. اکنون تومور را نه فقط از طریق جهش، بیان یا مثبت‌بودن، بلکه از طریق روابط فضایی سلول‌ها، دسترسی دستگاه ایمنی به تومور و امکان درمان در ریزمحیط نیز می‌خوانیم.
این رویکرد ممکن است به‌ویژه در جایی که نشانگرهای متداول ناکافی‌اند بسیار ارزشمند باشد. ممکن است بتوان زیرگروه‌های کوچک سرطان کولورکتال MSS پاسخ‌پذیر به ایمنی‌درمانی، بیماران با تومور HER2 مثبت و احتمال پاسخ بیشتر یا امضاهای ریزمحیط حساس به درمان هدفمند در تومورهای نادر را تفکیک کرد.
بااین‌حال، ارزش واقعی بالینی این حوزه تنها با الگوریتم‌های چشمگیر تعیین نمی‌شود؛ بلکه با اعتبارسنجی آینده‌نگر، توضیح‌پذیری، استانداردسازی، مقررات و توان بهبود پیامد واقعی بیماران مشخص می‌شود. نشانگر زیستی آینده علاوه بر مولکول، نقشه تومور را نیز خواهد خواند.
نتیجه
ASCO 2026 نشان داد که هوش مصنوعی و پروفایل‌سازی فضایی در انکولوژی هرچه بیشتر دیده می‌شوند. اندازه‌گیری HER2/IHC به کمک هوش مصنوعی، تحلیل ریزمحیط تومور، نقشه‌سازی TIL/TLS، مدل‌های خطر چندوجهی و پیش‌بینی فایده درمان مبتنی بر آسیب‌شناسی دیجیتال، نشان از دوره‌ای جدید دارند که نشانگرهای زیستی نه فقط «مثبت» یا «منفی»، بلکه در یک زیست‌بوم چندلایه توموری خوانده می‌شوند.
این فناوری‌ها امروز در تمام حوزه‌ها استاندارد نیستند، اما جهت روشن است. پرسش آینده در درمان سرطان فقط «آیا هدفی در تومور وجود دارد؟» نخواهد بود. پرسش دقیق‌تر این است: «این هدف در کجای تومور، کنار کدام سلول‌ها و در چه ریزمحیطی است و آیا این نقشه پاسخ درمان بیمار را پیش‌بینی می‌کند؟»
- Lunit. AI-Powered IHC and Tumor Microenvironment Research at ASCO 2026. 22 مه 2026.
- Artera. Multiple ASCO 2026 Abstracts on Multimodal AI Risk Stratification and Treatment Decisions in Cancer. 21 مه 2026.
- ASCO Educational Book. Artificial Intelligence in Oncology: Clinical Applications. 2026.
- Lunit publication. AI-powered spatial analysis of tumor microenvironment identifies immune phenotypes in H&E-stained carcinoma samples.
- Lunit publication. AI-powered spatial analysis of TILs predicts survival after immune checkpoint inhibitor therapy across multiple cancer types.
- OpenTME. An open dataset of AI-powered H&E tumor microenvironment profiles from TCGA. 2026.
- Emerging AI Approaches for Cancer Spatial Omics. 2025.
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.