سرطان پستان و هوش مصنوعی: از پیش‌بینی خطر تا شبیه‌سازی درمان با همزاد دیجیتال
در این مقاله
انقلاب هوش مصنوعی در مدیریت سرطان پستان: از پیش‌بینی خطر تا شبیه‌سازی درمان با «همزاد دیجیتال»
سفر از آمار به پیش‌بینی
الگوی بنیادی سرطان‌شناسی نوین، فاصله گرفتن از رویکرد «یک درمان برای همه» و شکل دادن درمان بر اساس ویژگی‌های زیستی اختصاصی فرد و تومور است. سرطان پستان یکی از سرطان‌هایی است که این ناهمگونی در آن بسیار بارز است؛ فراتر از زیرگروه‌های اصلی مانند لومینال، HER2 مثبت و سه‌گانه‌منفی (TNBC)، هر تومور امضای ویژهٔ ژنومی، ترنسکریپتومی و ریزمحیطی خود را دارد. مدیریت بالینی شامل شبکه‌های تصمیم‌گیریِ مرتبط و چندمتغیره‌ای مانند ارزیابی خطر، تعیین راهبرد غربالگری، تصمیم دربارهٔ درمان پیش یا پس از جراحی، زمان‌بندی جراحی و پیگیری عود است.
سال‌ها برای مدیریت این پیچیدگی به توان محدود ذهن انسان و مدل‌های آماری ساده تکیه کرده‌ایم. اما سامانه‌های زیستی خطی نیستند؛ تعامل‌های ژن‌ها، پروتئین‌ها و ریزمحیط بافت، پیچیده و چندبعدی‌اند. در اینجا هوش مصنوعی (AI)، به‌ویژه الگوریتم‌های یادگیری ماشین (ML) و یادگیری عمیق (DL)، به ابزاری ضروری برای مدیریت این پیچیدگی تبدیل شده است.
سیر تاریخی مدیریت سرطان پستان به سه دورهٔ اصلی تقسیم می‌شود:
- 1. دورهٔ آماری (1989-2000): دورهٔ استفاده از آمار مبتنی بر جمعیت، مانند مدل Gail.
- 2. دورهٔ ژنومی (2000-2015): دوره‌ای که عوامل خطر ژنتیکی، مانند مدل Tyrer-Cuzick، به معادله اضافه شدند.
- 3. دورهٔ هوش مصنوعی (2016 تا امروز): دوره‌ای که الگوریتم‌های یادگیری عمیق با پردازش پیکسل‌ها و داده‌های زیستیِ ناپیدا برای چشم انسان، «آینده را پیش‌بینی می‌کنند».
در این مقاله، با تازه‌ترین فناوری‌ها، از الگوریتم Mirai تا برنامه‌ریزی جراحی مجازی، و بر پایهٔ داده‌های مبتنی بر شواهد و چارچوب‌های FDA و ESMO، به‌تفصیل بررسی می‌کنیم که هوش مصنوعی چگونه مدیریت سرطان پستان را متحول می‌کند.
1. انقلاب در پیش‌بینی خطر: از پرسش‌نامه تا پیکسل
مدل‌های سنتی خطر، مانند Gail و Tyrer-Cuzick، بر داده‌های «ثابت» و پرسش‌نامه‌ای، مانند سن، سابقهٔ خانوادگی و تعداد زایمان، تکیه دارند. بزرگ‌ترین کاستی آن‌ها استفاده نکردن کامل از نشانه‌های زیستی خود بافت پستان، مانند تراکم و ریزکلسیفیکاسیون‌ها، است. هوش مصنوعی ماموگرافی را از «عکسی» که فقط سرطان کنونی را نشان می‌دهد، به «گوی بلورین» نمایش‌دهندهٔ آینده تبدیل کرده است.
Mirai در برابر مدل‌های سنتی: مقایسهٔ عملکرد با AUC
Journal of Clinical Oncology و Radiology مجلاتی هستند که بر اساس مطالعات اعتبارسنجی منتشرشده در آن‌ها:
از بیمارانی که در آینده به سرطان مبتلا می‌شوند، %31 را به‌درستی «پرخطر» شناسایی کرد.
از بیمارانی که در آینده به سرطان مبتلا می‌شوند، تنها %18 را شناسایی کرد.
ابتدایی‌ترین مدل آماری برای پیش‌بینی خطرهای کنونی کافی نیست.
علت تفاوت: Mirai می‌تواند ریزساختارهای بافت، عدم تقارن‌ها و تغییرات بسیار ظریف میان ماموگرافی‌های قبلی و جدید بیمار، یعنی داده‌های زمانی، را تحلیل کند که چشم انسان آن‌ها را تشخیص نمی‌دهد.
فناوری دارای عنوان «نوآورانه» FDA: محصول Prognosia Breast
توسعه‌یافته در دانشگاه واشینگتن، Prognosia Breastاز FDA عنوان «دستگاه نوآورانه» (Breakthrough Device) دریافت کرد. این فناوری تنها مقدار تراکم پستان را اندازه نمی‌گیرد، بلکه چگونگی توزیع بافت و بی‌نظمی‌های ریزساختاری آن را با تحلیل بافتار بررسی می‌کند.
این تحلیل می‌تواند حتی پیش از تشکیل تومور، وجود ریزمحیط مناسب برای رشد تومور در بافت پستان را شناسایی کند. امتیاز AUC محصول Prognosia Breast بین 0.67 و 0.74 است. همچنین اعتبارسنجی در مجموعه‌داده‌های بزرگ شامل زنان با پیشینه‌های قومی متفاوت، مانند سیاه‌پوست و آسیایی، خطر «سوگیری داده» را در هوش مصنوعی کاهش می‌دهد.
گذار به غربالگری شخصی‌سازی‌شده: پایان دوران «غربالگری یکسان برای همه»
امتیازدهی خطر مبتنی بر هوش مصنوعی استفادهٔ بهینه از منابع را فراهم می‌کند. اکنون می‌توان به‌جای ماموگرافی سالانهٔ استاندارد برای تمام زنان بالای 40 سال، پروتکل‌های پویای مبتنی بر خطر به کار برد. بر اساس داده‌های دانشگاه کمبریج و RSNA 2025، هوش مصنوعی می‌تواند با تحلیل الگوهای پنهان در ماموگرافی‌های منفی گزارش‌شده، خطر سرطان فاصله‌ای را پیش‌بینی کند.
- بیمار پرخطر، با امتیاز بالای هوش مصنوعی: فاصلهٔ غربالگری کوتاه‌تر می‌شود، مثلاً هر 6 ماه. علاوه بر ماموگرافی، ام‌آر‌آی پستان یا ماموگرافی با مادهٔ حاجب اضافه می‌شود. هدف، شناسایی سرطان‌های فاصله‌ای است.
- بیمار کم‌خطر، با امتیاز بسیار پایین هوش مصنوعی: می‌توان فاصلهٔ غربالگری را با اطمینان بیشتر کرد، مثلاً هر 2 سال. به این ترتیب مواجههٔ غیرضروری با پرتو، اضطراب و بار مالی نظام سلامت کاهش می‌یابد.
2. آیندهٔ درمان: همزادهای دیجیتال و آزمایش‌های مجازی
آینده‌ای را تصور کنید که برای انتخاب مناسب‌ترین دارو لازم نباشد بیمار به «محل آزمون‌وخطا» تبدیل شود. هوش مصنوعی با شبیه‌سازی درمان‌ها روی «همزاد دیجیتال» ساخته‌شده از داده‌های زیستی بیمار، این امکان را فراهم می‌کند.
FarrSight-Twin: از اخترفیزیک تا سرطان‌شناسی
این پلتفرم با تطبیق الگوریتم‌های پیچیدهٔ اخترفیزیکیِ به‌کاررفته در کشف سیاه‌چاله‌ها با زیست‌شناسی سرطان، داده‌های هزاران بیمار را پردازش می‌کند و برای بیمار جدید یک «آواتار مجازی» شخصی‌سازی‌شده می‌سازد.
کاربرد بالینی: در موارد دشوار با گزینه‌های درمانی محدود، مانند سرطان پستان سه‌گانه‌منفی (TNBC)، مشخص می‌کند کدام ترکیب دارویی، مانند شیمی‌درمانی + ایمنی‌درمانی، در محیط رایانه‌ای بهترین نتیجه را می‌دهد. همچنین امکان انجام «کارآزمایی‌های بالینی مجازی» را برای کاهش هزینهٔ توسعهٔ دارو فراهم می‌کند.
SimBioSys TumorSight: برنامه‌ریزی جراحی مجازی
این پلتفرم دارای مجوز FDA از مسیر 510(k)، با استفاده از تصاویر ام‌آر‌آی پستان با افزایش کنتراست پویا (DCE-MRI)، یک مدل زیست‌فیزیکی 3 بعدی از تومور می‌سازد. این مدل نه‌تنها شکل، بلکه پویایی رشد تومور را نیز شبیه‌سازی می‌کند.
معنای آن برای جراح: جراح پیش از ورود به اتاق عمل، «آیا با جراحی حفظ پستان می‌توانم به حاشیهٔ جراحی عاری از تومور برسم؟» را در این شبیه‌سازی پاسخ می‌دهد. هدف، به حداقل رساندن خطر عمل مجدد برای برداشت تکمیلی و از دست دادن پستان است.
3. پیش‌بینی پاسخ و مقاومت به درمان: رمزگشایی زیستی
هوش مصنوعی نه‌تنها «چه رخ خواهد داد»، یعنی پیامد، بلکه «چرا رخ خواهد داد»، یعنی سازوکار، را نیز توضیح می‌دهد. دو پیشرفت حیاتی در رمزگشایی زیست‌بوم تومور عبارت‌اند از:
- ادغام چند اُمیکس (Nature، 2022): پیش‌بینی پاسخ درمانی تنها با داده‌های بالینی دشوار است. در مطالعهٔ Sammut و همکاران در مجلهٔ Nature، مدل هوش مصنوعی سن بیمار، DNA تومور شامل بار جهش و تغییرات تعداد نسخه، RNA شامل بیان ژن، و تصاویر پاتولوژی دیجیتال شامل نفوذ سلول‌های ایمنی یا TILs را ترکیب کرد.
نتیجه: با این ادغام، پاسخ کامل بیمار به شیمی‌درمانی نئوادجوانت (NAC) با AUC برابر با 0.87 و دقتی بسیار بالا پیش‌بینی شد. همچنین مدل با شناسایی سازوکارهای «گریز ایمنی» در تومورهای مقاوم، مانند از دست رفتن الل‌های HLA کلاس I، اهداف دارویی جدیدی ارائه کرد. - شاخص PERCI، مقاومت به درمان غدد درون‌ریز: در بخشی از بیماران سرطان پستان گیرندهٔ هورمونی مثبت (HR+)، با گذشت زمان مقاومت به داروی هورمونی ایجاد می‌شود. امتیاز PERCI، یا شاخص پیش‌بینی مقاومت به درمان غدد درون‌ریز، داده‌هایی مانند وضعیت جهش TP53، الگوهای متیلاسیون DNA و سن بیمار را با یادگیری ماشین تحلیل می‌کند.
فایدهٔ بالینی: به پزشک پاسخ این پرسش را می‌دهد: «آیا درمان غدد درون‌ریز به‌تنهایی برای این بیمار کافی است یا باید از ابتدا داروی هدفمند، یعنی مهارکنندهٔ CDK4/6، اضافه شود؟»
4. پیامدها برای کار روزمره: هوش مصنوعی در درمانگاه
هوش مصنوعی اکنون تنها در آزمایشگاه‌ها نیست و در جریان روزمرهٔ کار بالینی نیز به پزشکان کمک می‌کند.
| فناوری یا نرم‌افزار | حوزهٔ کاربرد | فایده و عملکرد بالینی |
|---|---|---|
| Koios DS، دارای مجوز FDA از مسیر 510(k) | سونوگرافی پستان | وقتی رادیولوژیست ضایعهٔ مشکوکی را علامت‌گذاری می‌کند، آن را ظرف چند ثانیه تحلیل می‌کند، امتیاز خطری متناسب با گروه BI-RADS می‌دهد و پیشنهاد می‌کند «بیوپسی لازم است» یا «پیگیری کافی است». نشان داده شده که دقت تشخیصی رادیولوژیست‌ها از نظر AUC را از 0.83 به 0.87 افزایش می‌دهد. |
| فناوری GUIDE-G / RAG | ادغام راهنماها | با جست‌وجوی راهنماهای پیچیدهٔ درمان مانند NCCN و ASCO که صدها صفحه دارند، تازه‌ترین گزینهٔ درمانی مبتنی بر شواهد را فوراً برای بیمار به پزشک ارائه می‌دهد. سامانهٔ مبتنی بر RAG دانشگاه ملی سنگاپور، خطر «توهم»، یعنی اطلاعات نادرست، را در هوش مصنوعی به حداقل می‌رساند. |
| SurvGPT | مراقبت پس از درمان سرطان | برای بیمارانی که درمانشان پایان یافته، به‌طور خودکار «برنامهٔ مراقبت پس از درمان سرطان» (SCP) تهیه می‌کند. با بررسی پرونده‌های الکترونیک سلامت (EHR)، دوزهای شیمی‌درمانی، میدان‌های پرتودرمانی و عوارض را خلاصه و تقویم پیگیری شخصی‌سازی‌شده ایجاد می‌کند. |
| TabNet | پیش‌بینی عود | با تحلیل تومور، تقارن با پستان مقابل و بافت اطراف تومور، خطر عود را «همراه با دلایل آن»، در قالب هوش مصنوعی توضیح‌پذیر، پیش‌بینی می‌کند. |
5. چارچوب نظارتی: استفادهٔ ایمن از هوش مصنوعی
برای ادغام ایمن فناوری‌های هوش مصنوعی در کار بالینی، نهادهای ناظر مانند FDA و انجمن‌های حرفه‌ای مانند ESMO استاندارد تعیین می‌کنند.
- FDA، سازمان غذا و داروی ایالات متحده: الگوریتم‌های هوش مصنوعی را در گروه «نرم‌افزار به‌عنوان دستگاه پزشکی» (SaMD) ارزیابی می‌کند. برای الگوریتم‌های خودآموز، ارائهٔ «برنامهٔ از پیش تعیین‌شدهٔ کنترل تغییرات» (PCCP) را که تغییر عملکرد در طول زمان را پایش می‌کند، الزامی می‌داند.
- ESMO، انجمن اروپایی انکولوژی پزشکی: دو راهنمای مهم منتشر کرده است:
- ELCAP: حدود استفاده از مدل‌های زبانی بزرگ را تعیین می‌کند و اعتبارسنجی منابع و اصل «حضور انسان در چرخه» را ضروری می‌داند.
- EBAI: معیارهای اعتبار تحلیلی و بالینی لازم را برای ورود نشانگرهای زیستی مبتنی بر هوش مصنوعی به کار بالینی مشخص می‌کند.
منابع علمی و مطالعهٔ بیشتر
- Yala A, Mikhael PG, Strand F, et al. Toward robust mammography-based models for breast cancer risk (Mirai). Science Translational Medicine. 2021;13(578):eaba4373.
- Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature. 2022;601(7894):623-629.
- Lehman CD, Yala A, Schuster T, et al. Mammographic Breast Density Assessment Using Deep Learning: Clinical Implementation. Radiology. 2019;290(1):52-58.
- Harbeck N, et al. A predictive endocrine resistance index accurately stratifies luminal breast cancer treatment responders and nonresponders (PERCI). J Clin Invest. 2024.
- SimBioSys. FDA Clears TumorSight Viz for Breast Cancer Surgical Planning. Press Release, 2023.
- ESMO Real World Data and Digital Health Working Group. Guidance on the use of Large Language Models in Oncology. Annals of Oncology. 2024.
*این مقاله از محتوای ارائهٔ پروفسور دکتر Mustafa Özdoğan با عنوان «هوش مصنوعی در مدیریت سرطان پستان: از پیش‌بینی خطر تا شبیه‌سازی درمان» و منابع علمی روز گردآوری شده است.
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.