ხელოვნური ინტელექტის მიღწევები კიბოს კვლევაში, დიაგნოსტიკასა და მკურნალობაში

ხელოვნური ინტელექტის (AI), მანქანური სწავლებისა და ღრმა სწავლების ტექნოლოგიები, რომელთა სახელებიც ხშირად გვესმის, თავის ადგილს იკავებს ონკოლოგიის სფეროს ბიოსამედიცინო კვლევებსა და ჯანდაცვაშიც, სადაც მათი პოტენციური გამოყენება ფართო და მნიშვნელოვანია. ონკოლოგიაში ხელოვნური ინტელექტის კვლევები მოიცავს კიბოს დიაგნოსტიკას, მისი ქვეტიპების განსაზღვრას, მკურნალობის ოპტიმიზაციასა და წამლების აღმოჩენისას ახალი კანდიდატი მედიკამენტების გამოვლენას. მანქანური სწავლების მოდელებისთვის საჭირო დიდი სამედიცინო მონაცემები უკვე არსებობს, თუმცა კიბოს კვლევასა და კლინიკურ საქმიანობაში ხელოვნური ინტელექტის სრული შესაძლებლობების გამოსაყენებლად მნიშვნელოვანი დაბრკოლებებია გადასალახი.

მაშ, როგორ დავიწყოთ ხელოვნური ინტელექტის გამოყენება კიბოს დიაგნოსტიკის, პაციენტებში დაავადების მიმდინარეობისა და მკურნალობის გასაუმჯობესებლად და ახალი მედიკამენტების აღმოჩენის წარსამართად?

ამ საკითხებზე მკითხველთა კითხვებს უპასუხა ოთხმა დარგის სპეციალისტმა: Cornell-ის უნივერსიტეტის ფიზიოლოგიისა და ბიოფიზიკის პროფესორმა ოლივიე ელემენტომ; Memorial Sloan Kettering-ის კიბოს ცენტრის ფიზიოლოგიის, ბიოფიზიკისა და სისტემური ბიოლოგიის პროფესორმა კრისტინა ლესლიმ; ფინეთის ჰელსინკის უნივერსიტეტისა და შვედეთის Karolinska-ს ინსტიტუტის სამედიცინო ტექნოლოგიის პროფესორმა იოჰან ლუნდინმა; Duke-ის უნივერსიტეტისა და ნოქსვილის ტენესის უნივერსიტეტის რადიოლოგიის პროფესორმა ჯორჯია ტურასიმ.

დეტალებზე გადასვლამდე ქვემოთ მოცემული ინფოგრაფიკით შევაჯამოთ ცნებები: ხელოვნური ინტელექტი, მანქანური სწავლება და ღრმა სწავლება:

იმედის მომცემი კვლევები კიბოს დიაგნოსტიკისა და მკურნალობისთვის

ექსპერტები ამბობენ, რომ ხელოვნური ინტელექტისა და ღრმა სწავლების სფეროში ვიზუალიზაციის მეთოდებზე ორიენტირებული კვლევები უდავოდ იმედის მომცემია. ბოლო ათ წელიწადში კიბოს კვლევაში ხელოვნური ინტელექტის გამოყენების მხრივ დიდი წინსვლა მოხდა. ეს მოიცავს ღრმა სწავლებასა და გამოთვლითი სიმძლავრის ზრდას. წინსვლის ნაწილია იმ მონაცემების ციფრულ გარემოში გადატანაც, რომლებსაც პათოლოგები კიბოს დიაგნოსტიკისთვის იყენებენ; ეს პროცესი გრძელდება. ისევე, როგორც ნეირონული ქსელის ალგორითმმა AlphaGo22-მა თამაშის შედეგებზე დაყრდნობით ისწავლა გოს თამაში და ყველა ჩემპიონის დამარცხებით თავისი სიზუსტე დაამტკიცა, ონკოლოგიაშიც შესაძლებელია ღრუბელში შენახვადი ვიზუალური მონაცემების გაანალიზება გაწვრთნილ ნეირონულ ქსელში ხელოვნური ინტელექტის (AI) ალგორითმებით.

ღრმა სწავლების მოდელით ასევე შეიძლება შეფასდეს სიმსივნის ჰომოგენურობა–ჰეტეროგენურობა. ამ სფეროში მოკლე დროში ბევრი მაგალითი გამოჩნდა. ისინი გვაფიქრებინებს, რომ AI-ის გამოყენება კოლონოსკოპიის ვიდეოების ანალიზისთვისაც შესაძლებელია.

სიმსივნის გამოვლენის გარდა, იმედის მომცემი მიმართულებებია კლინიკურ მონაცემებზე დაფუძნებული კომპიუტერული დახმარებით მკურნალობის შერჩევა, დაგეგმვა და პროგნოზის (დაავადების მიმდინარეობის) შეფასება, ახალი მედიკამენტების განვითარება და მოსახლეობაში კიბოს სკრინინგი.

მედიკამენტთა რაოდენობისა და მრავალფეროვნების ზრდისა და კომბინირებული მკურნალობების დამატების შედეგად ონკოლოგიაში მკურნალობის შერჩევა სულ უფრო რთული გახდა. ამ პრობლემების გადაჭრა ხელოვნური ინტელექტის მიღწევებით იქნება შესაძლებელი: შესაძლებელი გახდება იმის პროგნოზირება, რომელი წამლის რომელთან კომბინაცია იქნება პაციენტისთვის უფრო ეფექტიანი. ამგვარად, პაციენტთა გენეტიკურ და ეპიგენეტიკურ განსხვავებებზე დაფუძნებული ინდივიდუალიზებული მკურნალობა ონკოლოგიაში თავის ადგილს დაიკავებს.

ღრმა სწავლების მოდელები, რომლებიც პირველადი ამინომჟავური მიმდევრობიდან ცილის 3D სტრუქტურას პროგნოზირებს, კიდევ ერთი საინჟინრო გარღვევაა. ამისთვის ხელოვნური ინტელექტის გამოყენებამ და იმდენად ზუსტმა შედეგებმა, რომ ექსპერიმენტული მონაცემები ჩაანაცვლოს, ახალი სამეცნიერო ცოდნის შექმნასაც შეიძლება შეუწყოს ხელი.

ხელოვნური ინტელექტის კლინიკაში გამოყენების ყველაზე დიდი სირთულე

ბიოსამედიცინო კვლევით ლიტერატურასა და კლინიკურ პრაქტიკაში გამოყენებულ AI მოდელებს შორის დიდი უფსკრულია. AI მოდელების უმეტესობა კლინიკაში გამოსაყენებლად მზად არ არის. ამის პირველი მიზეზია ნებართვის მიღების სწრაფად ცვალებადი ეტაპები. მეორე მიზეზია ხელოვნური ინტელექტის კლინიკურ სამუშაო პროცესში ინტეგრირება და პერსონალის განახლებული პროცესის შესაბამისად მომზადების აუცილებლობა, რაც მნიშვნელოვან დროსა და ინვესტიციას მოითხოვს.

ყველაზე ძირითადი პრობლემა ის არის, რომ კლინიკურ გამოყენებაში ხელოვნური ინტელექტის მოდელთა მუშაობა ხშირად მერყეობს შეყვანილი მონაცემების მრავალფეროვნების გამო: განსხვავდება მონაცემთა ხარისხი, მათი შემტანი და გამაანალიზებელი პირები, პაციენტთა მახასიათებლები და სხვა ფაქტორები. ამ ცვლილებების პირობებში AI მოდელები ან არ შეუმოწმებიათ, ან ტესტირების შედეგებმა ეფექტიანობის აშკარა გაუარესება აჩვენა. კლინიკაში წარმატებისთვის არსებული მოდელების მუშაობის რეალისტური შეფასება აუცილებელია.

გაციფრულება ხელოვნური ინტელექტის კლინიკურ გარემოში გამოყენების კიდევ ერთი აუცილებელი წინაპირობაა. რადიოლოგიაში ციფრული გარდაქმნა უკვე მოხდა, პათოლოგიაში კი ვითარება სხვაგვარია. პათოლოგიური მონაცემების გაციფრულების ინსტრუმენტები 20 წელზე მეტია არსებობს, თუმცა პროგრესი ნელია. მეტი ინოვაციაა საჭირო ტექნოლოგიის გასამარტივებლად, ღირებულების შესამცირებლად და შეზღუდული რესურსების მქონე გარემოშიც გამოსაყენებლად.

კომუნიკაციაც მნიშვნელოვანი საკითხია. ჯერ კიდევ გაურკვეველია, როგორ მივა AI-ის ანგარიშები ექიმებამდე, რა სახე ექნება მათ და როგორ გამოიყენებს ექიმი ანგარიშში მოცემულ ინფორმაციას პაციენტის კლინიკურ მართვაში.

ბოლოს, ხელოვნური ინტელექტის ტექნოლოგიასთან თანამშრომლობამ ადამიანებში მისადმი გადაჭარბებული ნდობა შეიძლება გამოიწვიოს და შეცდომებამდე მიგვიყვანოს. მნიშვნელოვანია, მომხმარებლები მუდმივად ფხიზლად იყვნენ შესაძლო შეცდომების მიმართ და შესაბამის მომზადებას გადიოდნენ.

გამჭვირვალობის, განმეორებადობისა და ვალიდაციის მნიშვნელობა ხელოვნურ ინტელექტში

კლინიკასა და კვლევებში AI მოდელებისადმი ნდობისთვის მეტი გამჭვირვალობა, განმეორებადობა და ვალიდაცია მეტად მნიშვნელოვანია.

თუმცა, თუ გამჭვირვალობა გულისხმობს ალგორითმების პარამეტრების წაკითხვასა და იმის გაგებას, თუ რას აკეთებენ ისინი, ეს მომავალში ხელოვნური ინტელექტის ალგორითმთა უმეტესობისთვის შესაძლებელი არ იქნება. AlphaZero-მ დამოუკიდებლად იმდენად კარგად ისწავლა ჭადრაკის, შოგისა და გოს თამაში, რომ საუკეთესო ოსტატებიც დაამარცხა. მაგრამ არ არსებობს აუცილებელი საფუძველი ვიფიქროთ, რომ შევძლებთ გავიგოთ ის წესები, რომლებითაც მან თამაში ისწავლა, ან რომ მათი გაგება საერთოდ გვევალება.

თუ განმეორებადობა ნიშნავს, რომ ალგორითმის იმავე მონაცემთა ნაკრებზე ხელახლა გაწვრთნისას იმავე შედეგს მივიღებთ, გაწვრთნილ ალგორითმს მოდელის სტაბილურობა უნდა ჰქონდეს. შემდეგ გაწვრთნილი AI ალგორითმები უნდა შემოწმდეს და ვალიდაცია გაიაროს. ყველა ალგორითმი „სასწავლო ნაკრებზე“ გაწვრთნის შემდეგ „სატესტო ნაკრებზე“ მოწმდება. თუმცა ამ ეტაპებზე განზოგადებადობა არ განიხილება. ამისთვის ვალიდაციის მონაცემთა ნაკრებია საჭირო.

ამრიგად, ხელოვნურ ინტელექტში გამჭვირვალობის, განმეორებადობისა და ვალიდაციის უზრუნველსაყოფად შესაძლოა მრავალმხრივი მიდგომის გათვალისწინება დაგვჭირდეს მისი მთელი სასიცოცხლო ციკლის განმავლობაში — მონაცემთა შეგროვებიდან განვითარებამდე, კლინიკაში დანერგვიდან ხარისხის უწყვეტ კონტროლამდე.

ხელოვნური ინტელექტის მოკლე და გრძელვადიანი მომავალი ონკოლოგიაში

ხელოვნური ინტელექტის მოდელების ზრდის ტემპის, გამოყენების სიფართოვის, აგრეთვე მონაცემებისა და გამოთვლითი რესურსების ხელმისაწვდომობის მიხედვით, მომდევნო რამდენიმე წელიწადში კიბოს მნიშვნელოვან პრობლემებზე მათი გამოყენების ზრდას ვიხილავთ. პათოლოგიის გაციფრულების დაჩქარებისა და მოდელთა გასაწვრთნელი მონაცემების სულ უფრო ფართო ხელმისაწვდომობის პირობებში, კონკრეტულ მკურნალობაზე პასუხის პროგნოზირების მოდელები კლინიკაში გამოსაყენებლად საკმარის სიმწიფესა და ეფექტიანობას მიაღწევს. ამავე დროს, AI მოდელები პროგნოზულ შედეგებზე გაიწვრთნება, რათა ინდივიდუალური პაციენტებისა და მათი დაავადების სპეციფიკური შედეგები იწინასწარმეტყველოს.

ამასთან, მიმდევრობის მოდელები, რომლებიც მნიშვნელოვან ბიოლოგიურ მარკერებს, მაგალითად ეპიგენომურ სიგნალებსა და ქრომატინის 3D კონტაქტებს, პროგნოზირებს, კიბოს გენომებში არაკოდირებადი სომატური ვარიაციების ფუნქციის სისტემური შეფასებისთვის იქნება გამოყენებული. მსგავსი პროგნოზული სპლაისინგისა და ალტერნატიული პოლიადენილირების მოდელები პაციენტებში RNA-ის დამუშავების შემცვლელი მუტაციების სკრინინგისთვისაც გამოიყენება. 

დასკვნა

გრძელვადიან პერსპექტივაში ხელოვნური ინტელექტის ალგორითმების მიზანი იქნება დიაგნოსტიკის გაუმჯობესება, ინდივიდუალური პაციენტისთვის ოპტიმალური მკურნალობის შერჩევაში დახმარება, პაციენტთა შედეგების გაუმჯობესება და ჯანდაცვის ხარჯების შემცირება. მათი გამოყენება შესაძლებელი იქნება კიბოს საფუძვლად არსებული ბიოლოგიური მექანიზმების უკეთ გასაგებად, კომბინირებული მკურნალობებისა და დოზების განსასაზღვრად, ასევე ნაკლები ტოქსიკურობის მქონე ახალი კიბოსსაწინააღმდეგო მედიკამენტების შესაქმნელად. ყურადღება გამახვილდება ისეთი არსებული ვიზუალიზაციის მეთოდების განვითარებაზეც, როგორიცაა მამოგრაფია, და მოდელებზე, რომლებსაც კიბოს განვითარების რისკის პროგნოზირება და მისი პრევენციის ხელშეწყობა შეუძლია.