ASCO 2026: ხელოვნური ინტელექტისა და სივრცობრივი პროფილირების რევოლუცია კიბოს ბიომარკერებში
ამ სტატიაში
მნიშვნელოვანია არა მხოლოდ სამიზნის არსებობა, არამედ მისი მდებარეობა სიმსივნეში: ბიომარკერები უკვე უბრალოდ „დადებითი“ ან „უარყოფითი“ აღარ არის
ბიომარკერების ძველი კითხვა: არსებობს სამიზნე?
თანამედროვე ონკოლოგია დიდი ხანია შევიდა ეპოქაში, რომელშიც ბიომარკერები მკურნალობის გადაწყვეტილებას ცვლის. EGFR, ALK, ROS1, RET ფილტვის კიბოში; RAS, BRAF, MSI, HER2 კოლორექტულ კიბოში; ER, PR, HER2, Ki-67 ძუძუს კიბოში; BRCA და HRD საკვერცხის კიბოში ყოველდღიური პრაქტიკის განუყოფელი ნაწილია.
თუმცა კლასიკურ ბიომარკერულ მიდგომას მნიშვნელოვანი შეზღუდვა აქვს: ხშირად იგი სიმსივნეს ერთი საშუალო მნიშვნელობით აღწერს. მაგალითად, სიმსივნეს „HER2 დადებითს“ ვუწოდებთ, მაგრამ ხშირად დეტალურად არ ვზომავთ, ერთნაირია თუ არა HER2 ყველა უბანში, სად გროვდება დადებითი უჯრედები, შეუძლიათ თუ არა იმუნურ უჯრედებს ამ მაღალი HER2-ის უბნებში შესვლა ან გარს აკრავს თუ არა ამ უჯრედებს სტრომა.
კლასიკური ტესტები სიმსივნეებს ხშირად ყოფს კატეგორიებად „დადებითი-უარყოფითი“, „მაღალი-დაბალი“ ან „მუტანტური-ველური ტიპი“. თუმცა სიმსივნური ქსოვილი ერთიანი და ჰომოგენური არ არის; სხვადასხვა უბანში შესაძლოა განსხვავებული იყოს უჯრედთა სიმჭიდროვე, იმუნური პასუხი, სისხლძარღვთა სტრუქტურა და რეზისტენტობის ზონები.
ახალი კითხვა: სად არის სამიზნე, რომელ უჯრედებთან და რა მიკროგარემოში?
სწორედ აქ ერთვება ხელოვნური ინტელექტი და სივრცობრივი პროფილირება. ციფრული პათოლოგია მთლიან სასაგნე მინას მაღალი გარჩევადობის გამოსახულებით აანალიზებს. AI მოდელებს შეუძლია რაოდენობრივად შეაფასოს სიმსივნური უჯრედები, სტრომა, ლიმფოციტები, სისხლძარღვთა უჯრედები, ნეკროზის უბნები, იმუნური ფენოტიპი და უჯრედული მეზობლობები. ამგვარად პათოლოგიური მინა შეიძლება მხოლოდ სადიაგნოსტიკო დოკუმენტიდან მრავალშრიან ბიოლოგიურ რუკად იქცეს, რომელიც მკურნალობის პასუხს პროგნოზირებს.
ეს არის სიმსივნურ ქსოვილში არა მხოლოდ უჯრედების რაოდენობის, არამედ ერთმანეთის მიმართ მათი მდებარეობის ანალიზიც. იგი კითხულობს, მაგალითად, შევიდნენ თუ არა T უჯრედები სიმსივნეში თუ მხოლოდ კიდეზე დარჩნენ, როგორ მეზობლობენ სისხლძარღვთა უჯრედებთან ან სტრომასთან და არსებობს თუ არა მესამეული ლიმფოიდური სტრუქტურები.
მაგალითი ASCO 2026-დან: AI-ით მხარდაჭერილი შერჩევა HER2 დადებითი ნაღვლის გზების კიბოში
ASCO 2026-ზე ამ მიდგომის ერთ-ერთი გამორჩეული მაგალითი HER2 დადებითი მოწინავე ნაღვლის გზების კიბოს კვლევა იყო. ტრასტუზუმაბის, ნივოლუმაბის, გემციტაბინისა და ცისპლატინის შემცველი პირველი ხაზის ოთხმაგი რეჟიმის შეფასებისას, კვლევამ AI-ით მხარდაჭერილი მთლიანი სასაგნე მინის ანალიზით HER2 ექსპრესია და იმუნური ფენოტიპი ერთობლივად შეისწავლა.
მულტიცენტრულ კვლევაში, ფაზა Ib/II, მონაწილეობდა 40 პაციენტი . სამკურნალო კომბინაციით ობიექტური პასუხის მაჩვენებელი იყო %55, დაავადების კონტროლის მაჩვენებელი — %95, პროგრესირების გარეშე გადარჩენის მედიანა — 10,6 თვე . თუმცა მთავარი იყო ის, რომ AI-ს შეეძლო გამოეყო პაციენტები, რომლებსაც პასუხის უფრო მაღალი ალბათობა შეიძლება ჰქონოდათ.
მაგალითი აჩვენებს, რომ AI შეიძლება უბრალო „პათოლოგიის დამხმარე ინსტრუმენტზე“ მეტი გახდეს. როდესაც იმავე ქსოვილში სამიზნე ცილის რაოდენობა, იმუნური ფენოტიპი და მიკროგარემო ერთად გაანალიზდება, პაციენტთა შერჩევა შეიძლება უფრო ზუსტი იყოს.
იმუნურად ცივი მიკროგარემო მაღალი HER2-ის მქონე ფილტვის კიბოში
Lunit-ის მიერ ASCO 2026-ზე წარმოდგენილმა კიდევ ერთმა ანალიზმა HER2-ის ჭარბი ექსპრესიის მქონე ფილტვის არაწვრილუჯრედოვანი კიბოს მიკროგარემო შეაფასა. ორ ათასზე მეტი NSCLC მთლიანი სასაგნე მინის გამოსახულების AI-ით მხარდაჭერილ სივრცობრივ ანალიზში HER2-ის ჭარბად გამომხატველ სიმსივნეებში სიმსივნეში ინფილტრირებული ლიმფოციტების ნაკლები სიმჭიდროვე და ანთებითი იმუნური ფენოტიპის უფრო მცირე წილი დაფიქსირდა.
ეს აღმოჩენა მიანიშნებს, რომ მაღალი HER2-ის სიმსივნეებს გარკვეულ კონტექსტში უფრო „იმუნურად ცივი“ მიკროგარემო შეიძლება ჰქონდეს. თუ შედეგები დამოუკიდებელ სერიებში დადასტურდება, იმის გასაგებად, რომელ პაციენტში შეიძლება იყოს უფრო მნიშვნელოვანი HER2-ზე მიზნობრივი მკურნალობისა და იმუნოთერაპიის კომბინაცია, მხოლოდ HER2-ის დონესთან ერთად მიკროგარემოს რუკის შეფასებაც შეიძლება გახდეს საჭირო.
ეს აღნიშნავს სიმსივნეს, რომლის შიგნით ან გარშემო იმუნური უჯრედები ცოტაა, განსაკუთრებით მაშინ, როცა T უჯრედები სიმსივნურ ქსოვილში საკმარისად ვერ შედიან. ზოგ პაციენტში ეს იმუნოთერაპიაზე შეზღუდულ პასუხს შეიძლება უკავშირდებოდეს.
სივრცობრივი ხელწერა, რომელიც ადენოიდურ-კისტურ კარცინომაში აქსიტინიბზე პასუხს განასხვავებს
AI-ით მხარდაჭერილი სივრცობრივი პროფილირების კიდევ ერთი მაგალითი ადენოიდურ-კისტურ კარცინომაში წარმოადგინეს. ამ იშვიათ სიმსივნეში მკურნალობის ვარიანტები შეზღუდულია და კლასიკური ბიომარკერებით პასუხის პროგნოზირება რთულია. AI-ზე დაფუძნებულ მიკროგარემოს ანალიზში ენდოთელური უჯრედებისა და სიმსივნეში ინფილტრირებული ლიმფოციტების მაღალი სიმჭიდროვის მქონე ქვეჯგუფში აქსიტინიბის შემდეგ უფრო ხანგრძლივი PFS დაფიქსირდა: 19,6 თვე 11,1 თვესთან შედარებით.
TLS უბნები MSS კოლორექტულ კიბოში: შეიძლება იმუნოთერაპიისკენ გზა გაიხსნას?
მიკროსატელიტურად სტაბილური მეტასტაზური კოლორექტული კიბო, ზოგადად, იმუნური საკონტროლო წერტილების ინჰიბიტორებისადმი რეზისტენტულად ითვლება. თუმცა „MSS“ იარლიყიც მიკროგარემოს ყველა დეტალს არ ხსნის. ASCO 2026-ზე წარმოდგენილმა ერთ-ერთმა AI-ით მხარდაჭერილმა მიკროგარემოს ანალიზმა აჩვენა, რომ MSS მეტასტაზურ კოლორექტულ კიბოში მესამეული ლიმფოიდური სტრუქტურების უფრო დიდი უბნები იმუნოთერაპიის შემდეგ უკეთეს PFS-სა და OS-ს შეიძლება უკავშირდებოდეს.
ეს არის იმუნური უჯრედების მიერ სიმსივნურ ქსოვილში ლიმფური კვანძის მსგავსი ორგანიზებული გროვების შექმნა. ზოგიერთ კიბოში ეს სტრუქტურები უფრო ეფექტიან ანტისიმსივნურ იმუნურ პასუხსა და იმუნოთერაპიაზე უკეთეს პასუხს შეიძლება უკავშირდებოდეს.
ეს სფერო ძალიან მნიშვნელოვანია: ზოგი სიმსივნის ერთ „იმუნოთერაპიისადმი რეზისტენტულ“ კატეგორიაში მოქცევისას შეიძლება გამოგვრჩეს მცირე ქვეჯგუფები, რომელთა მიკროგარემოს რეალურად იმუნური პასუხის პოტენციალი აქვს. AI-ით მხარდაჭერილმა სივრცობრივმა ანალიზმა ამ ქვეჯგუფების უფრო ობიექტურად განსაზღვრის შესაძლებლობა შეიძლება მოგვცეს.
მულტიმოდალური AI: როდესაც პათოლოგია, კლინიკური მონაცემები და გენომური რისკი ერთ მოდელში ხვდება
ASCO 2026-ზე კიდევ ერთი მნიშვნელოვანი მიმართულება მულტიმოდალური ხელოვნური ინტელექტი იყო. მულტიმოდალური AI ერთობლივად განიხილავს არა მხოლოდ პათოლოგიის გამოსახულებას, არამედ კლინიკურ მონაცემებს, ასაკს, სტადიას, სიმსივნის ზომას, კვანძების სტატუსს, მკურნალობის ინფორმაციას და საჭიროებისას გენომურ მონაცემებსაც. მიზანია მონაცემთა ერთი წყაროს ნაცვლად მთელი დაავადების კონტექსტის მოდელირება, რისკისა და მკურნალობის სარგებლის უფრო ზუსტი პროგნოზისთვის.
Artera-ს მიერ ASCO 2026-ზე წარმოდგენილი კვლევები ამ მიმართულების მაგალითია. მულტიმოდალური AI მოდელი, რომელიც კვანძების დადებით, HR დადებით ძუძუს კიბოში ქიმიოთერაპიის სარგებელსა და პროგნოზს აფასებდა, წარმოდგენილი იყო როგორც აბსტრაქტი #107 ზეპირ სესიაზე. ასევე წარმოადგინეს ადრეული ძუძუს კიბოს მულტიმოდალური AI-ისა და 21 გენის Recurrence Score ტესტის თანხვედრის კვლევები და პროსტატის კიბოში ციფრულ პათოლოგიაზე დაფუძნებული რისკის კლასიფიკაცია.
| მიდგომა | გამოყენებული მონაცემები | პასუხგაცემული კითხვა | კლინიკური პოტენციალი |
|---|---|---|---|
| კლასიკური ბიომარკერი | ერთი მოლეკულური ან IHC მარკერი | არსებობს სამიზნე? | მიზნობრივი მკურნალობისთვის შესაფერისობას განსაზღვრავს. |
| ციფრული პათოლოგიის AI | მთლიანი სასაგნე მინის გამოსახულება | რას გვიჩვენებს სიმსივნის არქიტექტურა და უჯრედული სურათი? | შეიძლება რისკის კლასიფიკაცია და პროგნოზის შეფასება უზრუნველყოს. |
| სივრცობრივი პროფილირება | უჯრედების მდებარეობა და მეზობლობა | შევიდნენ იმუნური უჯრედები სიმსივნეში და რა კონტექსტშია სამიზნე? | შეიძლება იმუნოთერაპიასა და მიზნობრივ მკურნალობაზე პასუხი უფრო ზუსტად პროგნოზიროს. |
| მულტიმოდალური AI | პათოლოგია + კლინიკური მონაცემები + საჭიროებისას გენომიკა | რომელი მკურნალობით და რამდენად შეიძლება ისარგებლოს ამ პაციენტმა? | შეიძლება პერსონალიზებული ადიუვანტური ან სისტემური მკურნალობის გადაწყვეტილებას დაუჭიროს მხარი. |
რისი შეცვლა შეუძლიათ ამ ტექნოლოგიებს კლინიკაში?
AI-ისა და სივრცობრივი პროფილირების მთავარი პოტენციალი არსებული ბიომარკერების დაზუსტებაა. მაგალითად, HER2 დადებითობა შეიძლება შეფასდეს არა მხოლოდ „არის“ ან „არ არის“ ფორმით, არამედ მაღალი HER2-ის უჯრედთა წილით, სიმსივნეში მათი განაწილებით, მეზობელი იმუნური უჯრედების არსებობითა და მიკროგარემოს კონტექსტით.
ანალოგიურად, იმუნოთერაპიის გადაწყვეტილებებში PD-L1-სა და MSI-სთან ერთად შეიძლება გაერთიანდეს მრავალი ცვლადი: შედიან თუ არა T უჯრედები სიმსივნეში თუ მის გარეთა საზღვარზე რჩებიან, TLS-ის არსებობა, სტრომული ბარიერი, სისხლძარღვთა სტრუქტურა და მაკროფაგების / TIL-ის შემადგენლობა.
ბიომარკერების ახალი პარადიგმა
ძველი მიდგომა: „არსებობს ეს სამიზნე?“
ახალი მიდგომა: „სადაა სამიზნე, რამდენად მაღალია მისი სიმჭიდროვე, რომელ უჯრედებს მეზობლობს, მიაღწია იმუნურმა სისტემამ სიმსივნეს, უშვებს მიკროგარემო მკურნალობას და შეუძლია ამ ინფორმაციას პასუხის პროგნოზირება?“
კრიტიკული კითხვა: ენთუზიაზმთან ერთად ვალიდაციაც აუცილებელია
რა უნდა გავითვალისწინოთ AI-სა და სივრცობრივ ბიომარკერებში
- მონაცემთა უმეტესობა ჯერ კვლევის ეტაპზეა: ASCO 2026-ის კვლევების მნიშვნელოვანი ნაწილი კლინიკურ ჰიპოთეზებს ქმნის და პირდაპირ სტანდარტული მკურნალობის გადაწყვეტილებას არ ნიშნავს.
- პროსპექტული ვალიდაცია აუცილებელია: რეტროსპექტულ მონაცემთა ნაკრებში მოდელის წარმატება არ ნიშნავს, რომ რეალურ დროში კლინიკურ გადაწყვეტილებებში პაციენტის შედეგს გააუმჯობესებს.
- არსებობს განზოგადების პრობლემა: სხვადასხვა საავადმყოფო, შეღებვის პროტოკოლი, სკანერი, ეთნიკური პოპულაცია და სიმსივნის ნიმუშის ხარისხი მოდელის მუშაობას შეიძლება ცვლიდეს.
- ახსნადობა მნიშვნელოვანია: ექიმი მკურნალობის გადაწყვეტილებას მხოლოდ ალგორითმს ვერ მიანდობს, თუ არ ესმის, რატომ ასახელებს მოდელი მაღალ ან დაბალ რისკს.
- რეგულაცია და ხარისხის კონტროლი საჭიროა: კლინიკური გამოყენებისთვის AI-ზე დაფუძნებული ტესტები ვალიდირებული, სტანდარტიზებული და აუდიტისთვის შემოწმებადი უნდა იყოს.
- მონაცემთა მიკერძოების რისკი არსებობს: თუ მოდელი კონკრეტული ცენტრების, პაციენტთა ჯგუფების ან გამოსახულებითი პროტოკოლების მონაცემებზეა გაწვრთნილი, სხვა პოპულაციებში შეიძლება იგივე შედეგი ვერ აჩვენოს.
- პათოლოგი და ონკოლოგი თავის როლს არ კარგავს: AI გადაწყვეტილების მიმღებს არ ცვლის; კარგად დაგეგმილი მოდელი პათოლოგისა და ონკოლოგისთვის გადაწყვეტილების დამხმარე ინსტრუმენტია.
გზავნილი თურქეთისთვის: ციფრული პათოლოგია და მონაცემთა ინფრასტრუქტურა სტრატეგიულად მნიშვნელოვანია
თურქეთში მოლეკულური ონკოლოგია, NGS პანელები და მიზნობრივი მკურნალობის გადაწყვეტილებები სულ უფრო აქტუალური ხდება. თუმცა AI-ისა და სივრცობრივი პროფილირების ეპოქა მოლეკულური ტესტირების ინფრასტრუქტურასთან ერთად ციფრული პათოლოგიის ინფრასტრუქტურასაც მოითხოვს. ქსოვილის ხარისხიანი დამუშავება, სტანდარტული შეღებვა, მაღალი გარჩევადობის სკანერები, მონაცემთა უსაფრთხო შენახვა, პათოლოგიისა და ონკოლოგიის ინტეგრაცია და კლინიკური შედეგების მონაცემები ამ სისტემის ძირითადი ნაწილებია.
ამიტომ მომავალში „ციფრული პათოლოგიისა და ბიომარკერების საბჭოს“ ცნება შეიძლება ისეთივე მნიშვნელოვანი გახდეს, როგორც „მოლეკულური სიმსივნის საბჭო“. AI მოდელები აზრს მხოლოდ სწორი კლინიკური კითხვით, ხარისხიანი მონაცემებითა და სპეციალისტის ინტერპრეტაციით იძენს.
როგორ ავუხსნათ პაციენტს?
„ხელოვნურ ინტელექტს შეუძლია პათოლოგიურ მინაზე სიმსივნური ქსოვილი უფრო დეტალურად შეისწავლოს და კიბოს უჯრედების, იმუნური უჯრედებისა და სიმსივნის გარემოს რუკა შექმნას. მომავალში ეს ინფორმაცია შეიძლება დაგვეხმაროს იმის პროგნოზირებაში, რომელი მკურნალობა იქნება უფრო ეფექტიანი. თუმცა დღეს ეს ტექნოლოგიები ყველა კიბოსა და ყველა პაციენტისთვის სტანდარტული არ არის; საიმედო კლინიკური გამოყენებისთვის მეტი ვალიდაციაა საჭირო.“
Drozdogan-ის აკადემიური კომენტარი
ASCO 2026-ზე AI-ისა და სივრცობრივი პროფილირების კვლევები აჩვენებს, რომ ონკოლოგიური ბიომარკერები ახალ ეტაპზე გადადის. სიმსივნეს უკვე ვკითხულობთ არა მხოლოდ მუტაციით, ექსპრესიით ან დადებითობით, არამედ უჯრედებს შორის სივრცობრივი ურთიერთობით, იმუნური სისტემის სიმსივნემდე წვდომითა და მიკროგარემოს მიერ მკურნალობისთვის შექმნილი შესაძლებლობითაც.
ეს მიდგომა განსაკუთრებით ღირებული შეიძლება იყოს იქ, სადაც კლასიკური ბიომარკერები საკმარისი არ არის. შეიძლება შესაძლებელი გახდეს MSS კოლორექტული კიბოს მცირე იმუნოთერაპიაზე პასუხის მქონე ქვეჯგუფების, HER2 დადებითი სიმსივნეების უფრო მაღალი პასუხის ალბათობის მქონე პაციენტებისა და იშვიათ სიმსივნეებში მიზნობრივი მკურნალობისადმი მგრძნობიარე მიკროგარემოს ხელწერების გამიჯვნა.
თუმცა სფეროს ნამდვილ კლინიკურ ღირებულებას მხოლოდ შთამბეჭდავი ალგორითმები კი არა, პროსპექტული ვალიდაცია, ახსნადობა, სტანდარტიზაცია, რეგულაცია და პაციენტთა რეალური შედეგების გაუმჯობესების უნარი განსაზღვრავს. მომავლის ბიომარკერი არა მხოლოდ მოლეკულას, არამედ სიმსივნის რუკასაც წაიკითხავს.
დასკვნა
ASCO 2026-მა აჩვენა, რომ ხელოვნური ინტელექტი და სივრცობრივი პროფილირება ონკოლოგიაში სულ უფრო თვალსაჩინო ხდება. AI-ით მხარდაჭერილი HER2/IHC გაზომვა, მიკროგარემოს ანალიზი, TIL/TLS რუკირება, მულტიმოდალური რისკის მოდელები და ციფრულ პათოლოგიაზე დაფუძნებული მკურნალობის სარგებლის პროგნოზი ახალ ეპოქაზე მიანიშნებს, რომელშიც ბიომარკერები არა მხოლოდ „დადებითად“ ან „უარყოფითად“, არამედ მრავალშრიან სიმსივნურ ეკოსისტემაში წაიკითხება.
დღეს ეს ტექნოლოგიები ყველა სფეროში სტანდარტული არ არის, თუმცა მიმართულება ნათელია. კიბოს მკურნალობის მომავალი კითხვა მხოლოდ „სიმსივნეში სამიზნე არსებობს?“ არ იქნება. უფრო ზუსტი კითხვა იქნება: „სიმსივნის რომელ ნაწილშია ეს სამიზნე, რომელ უჯრედებთან, რა მიკროგარემოში და პროგნოზირებს ეს რუკა პაციენტის მკურნალობაზე პასუხს?“
- Lunit. AI-Powered IHC and Tumor Microenvironment Research at ASCO 2026. 22 მაისი 2026.
- Artera. Multiple ASCO 2026 Abstracts on Multimodal AI Risk Stratification and Treatment Decisions in Cancer. 21 მაისი 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.
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.