دانشمندان آزمایشگاه تصویر برداری دیجیتالی دانشگاه Case Western Reserve، که پیشگام بهره گیری از هوش مصنوعی (AI) بمنظور پیشگویی موفقیت شیمی درمانی هستند، اکنون می‌توانند میزان بهره مندی بیماران سرطان ریه از ایمونوتراپی پرهزینه را مشخص کنند.
همچنین آنها در حال آموزش یک کامپیوتر بمنظور شناسایی تغییرات پیشین دیده نشده در الگوهای اسکن CT زمانیکه سرطان برای اولین بار کشف می‌شود، در مقایسه با اسکنهای تهیه شده پس از ۲-۳ دوره ایمونوتراپی هستند. مشخصه‌ی این مطالعه، کشف تغییرات هم در داخل و هم در خارج تومور است.
آنان مادابوشی، فردی که مرکز Computational Imaging and Personalized Diagnostics (CCPID) وی یک رهبر جهانی در شناسایی، تشخیص و توصیف سرطانهای مختلف و بیماری‌های دیگر با ادغام تصویر برداری پزشکی و یادگیری ماشینی و AI است، گفت: “این یک موفقیت اتفاقی نیست—بنظر می‌رسد این مطالعه در حال منعکس ساختن اطلاعاتی در رابطه با بیولوژی بیماری، فنوتیپ مهاجم‌تر آن، و اطلاعاتی است که انکولوژیستها در وضعیت فعلی از آن بی‌بهره‌اند.”
اکنون عملا تنها ۲۰ درصد بیماران سرطانی از ایمونوتراپی سود می‌برند. ایمونوتراپی، درمانی است که متفاوت از شیمی درمانی بوده و از داروهایی که سیستم ایمنی را در مبارزه با سرطان یاری می‌کند، استفاده می‌کند؛ ولی شیمی درمانی از داروهایی که مستقیما سلولهای سرطانی را از بین می‌برد، بهره می‌جوید.
مادابوشی اذعان داشت مطالعه اخیر در آزمایشگاه وی انکولوژیستها را در فهم اینکه کدام بیماران عملا از ایمنوتراپی سود خواهند برد، یاری می‌کند.
مادابوشی گفت: “با وجود اینکه ایمونوتراپی، کل اکوسیستم سرطان را تغییر داده است، ولی بسیار پرهزینه می‌باشد—نزدیک به ۲۰۰هزار دلار برای هر بیمار در سال. این، جزئی از آسیبهای مالی است که به همراه سرطان پدید آمده و در نزدیک به ۴۲ درصد بیماران با تشخیص سرطان، باعث از دست رفتن ذخیره مالی زندگی طی یک سال پس از تشخیص می‌گردد.”
مادابوشی با اشاره به اینکه ۴ بیمار از هر ۵ بیمار، از این درمان بهره نخواهند برد، افزود بهره مندی از یک ابزار بر پایه مطالعاتی که هم اکنون در آزمایشگاه وی در حال انجام هستند، به عوض از دست رفتن ۸۰۰ هزار دلار، مسیر همواری برای “مشخص کردن بیمارانی که به ایمونوتراپی پاسخ خواهند داد” فراهم می‌آورد.
مطالعه جدیدی که منتشر شد
مطالعه جدیدی که توسط محمدهادی خرمی و پراتیک پراسانا با همراهی مادابوشی و ۱۰ همکار از ۶ انستیتو مختلف انجام شد، در نشریه Cancer Immunology Research منتشر شده‌است.
خرمی، دانشجوی شاغل در CCIPD، گفت یکی از قابل توجه‌ترین پیشرفتها در این زمینه، توانایی برنامه کامپیوتری در متوجه شدن نه تنها سایز یک ضایعه، بلکه تغییرات زمینه‌ای، حجمی و ساختاری آن است.
خرمی اذعان داشت: “این حائز اهمیت است چون یک پزشک زمانیکه تنها بر پایه تصاویر CT، پاسخدهی بیمار به درمان را مشخص می‌کند، اغلب بر اندازه ضایعه متکی است. ما دریافتیم تغییرات زمینه‌ای یک فاکتور پیش بینی کننده‌ی بهتر برای پاسخدهی به درمان است. گاهی یک ندول پس از درمان ممکن است به دلیل دیگر مانند پارگی یک رگ خونی داخل تومور، بزرگتر دیده شود؛ درحالیکه به درمان پاسخ داده است. اکنون ما روشی برای فهم آن داریم.”
پراسانا، دستیار پژوهشی در آزمایشگاه مادابوشی گفت این مطالعه همچنین نشان داد نتایج اسکنها در بیمارانی که در دو موقعیت مختلف و با سه عامل ایمونوتراپی مختلف درمان شده بودند، همخوانی دارد.
“اینکه مدل یادگیری ماشینی ما می‌تواند پاسخ را در بیمارانی که با مهارکننده‌های وارسی ایمنی متفاوتی درمان شده‌اند، پیش بینی کند، نشان از ارزش اساسی پروژه دارد. ما یک اصل زیستی پایه‌ای سروکار داریم.”
پراسانا گفت مطالعه اولیه از اسکنهای ۵۰ بیمار برای آموزش کامپیوتر و ایجاد یک الگوریتم ریاضی بمنظور شناسایی تغییرات در ضایعه، بهره برد. گام بعدی، بررسی این برنامه بر روی مواردی از دیگر مناطق و عوامل ایمونوتراپی متفاوت است.
مادابوشی افزود محققان قادر به نشان دادن این مورد بودند که الگوهای اسکنهای CT که بیشترین ارتباط را با یک پاسخ مثبت به درمان و میزان بقای کلی بیمار داشتند، از ارتباط نزدیکی با آرایش سلولهای ایمنی در بیوپسی‌های تشخیصی اصلی آن بیماران برخوردار بودند.
این نشان می‌دهد آن اسکنهای CT عملا از پاسخ ایمنی ایجاد شده توسط تومور در مقابل تهاجم سرطان، تهیه شده‌اند. همچنین اسکنهایی که قوی‌ترین پاسخ ایمنی را داشتند، از قابل توجه‌ترین تغییرات زمینه‌ای برخوردار بودند و مهمتر از آن، بهترین پاسخ را به ایمونوتراپی داشتند.
