Ένα προηγμένο μοντέλο τεχνητής νοημοσύνης, ικανό να συμβάλει στην παθολογική ανάλυση και τη διάγνωση του καρκίνου, δημιούργησε ομάδα ερευνητών από το Biomedical Data Science Center του Πανεπιστημίου της Λωζάνης σε συνεργασία με το Πανεπιστημιακό Νοσοκομείο της Λωζάνης.
Με στόχο να υπερπηδήσει το συχνό εμπόδιο της έλλειψης επαρκών ιστολογικών δεδομένων για την πρόγνωση του καρκίνου σε έναν ασθενή, η ερευνητική ομάδα από το Ερευνητικό Εργαστήριο Ουρολογίας στο Πανεπιστήμιο της Βέρνης, δημιούργησε το μοντέλο τεχνητής νοημοσύνης με την ονομασία «Virtual Multiplexer», το οποίο παράγει εικόνες των βιοψιών και συγκεκριμένα της ανάλυσης των ιστών μέσω του χρωματισμού τους, δηλαδή μιας τεχνικής που χρησιμοποιείται για τη διάγνωση του καρκίνου στο εργαστήριο.
Όλοι έχουμε χειριστεί εφαρμογές στον κινητό μας τηλέφωνο που χρησιμοποιούν μια φωτογραφία μας για να μας δείξουν πώς θα μοιάζουμε ως ηλικιωμένοι ή ως θέμα του πίνακα ενός σπουδαίου ζωγράφου. Αυτή τη λογική της μεταφοράς στυλ (style transfer) είναι που αξιοποιεί και το συγκεκριμένο μοντέλο, «απλά αντί για κάποιο ζωγράφο, έχουμε μια μοριακή τεχνική στο εργαστήριο».
Χρησιμοποιώντας λοιπόν την παραγωγική τεχνητή νοημοσύνη (Generative AI) και μέσα από την εκπαίδευσή του σε πολυάριθμες φωτογραφίες ιστών που αναλύθηκαν εργαστηριακά με την εφαρμογή χρωστικών ουσιών, το μοντέλο δημιουργεί λεπτομερείς εικόνες ενός καρκινικού ιστού και των πληροφοριών που φέρει σε μοριακό επίπεδο, στοιχείο πολύ σημαντικό για τον ακριβή προσδιορισμό της ασθένειας. Τα αποτελέσματα της έρευνας δημοσιεύθηκαν στο περιοδικό «Nature Machine Intelligence».
Στο πεδίο της ογκολογίας έχει εμφανιστεί τα τελευταία χρόνια η τεχνολογία του multiplexed imaging, όπου ανιχνεύονται και μετρώνται πολλοί βιοδείκτες του καρκίνου ταυτόχρονα παρέχοντας μεγαλύτερη ακρίβεια στη διάγνωση, στην εξατομίκευση της θεραπείας και στην πρόγνωση της κλινικής εξέλιξης της νόσου. Η ογκολογία στο κομμάτι της έρευνας ζει μια πολύ μεγάλη επανάσταση με τις νέες τεχνικές στο εργαστήριο. Το ζήτημα είναι ότι αυτές οι τεχνικές είναι πολύ ακριβές και τα μηχανήματα δεν τα έχουν όλα τα εργαστήρια. Οπότε με αυτή τη μελέτη επιδιώκεται να πετύχουμε το ίδιο, αλλά με ένα υπολογιστικό μοντέλο.
Ο στόχος των ερευνητών ήταν με τη βοήθεια του μοντέλου αυτού να μειωθεί η ανάγκη εκτέλεσης επιπλέον εργαστηριακών αναλύσεων, αλλά και να μπορούν να συμπληρωθούν οι πληροφορίες που λαμβάνονται από την ανάλυση των ιστών.
Μετά τη δημιουργία του μοντέλου, οι ερευνητές δοκίμασαν το πόσο καλά οι τεχνητές αυτές εικόνες προβλέπουν τα κλινικά αποτελέσματα, προκειμένου να αποκλείσουν την πιθανότητα αληθοφανών, αλλά ψευδών προβλέψεων. Μέσα από τη σύγκριση των προβλέψεων αυτών με πραγματικούς βαμμένους ιστούς, οι ερευνητές επιβεβαίωσαν ότι το μοντέλο είναι αξιόπιστο.
Σε δεύτερο στάδιο έδωσαν σε παθολογοανατόμους εικόνες από το εργαστήριο και από το μοντέλο και τους ζήτησαν να ξεχωρίσουν ποιες είναι παράγωγο της τεχνητής νοημοσύνης και ποιες αληθινές. Διαπιστώθηκε ότι οι τεχνητές εικόνες γίνονται αντιληπτές ως σχεδόν πανομοιότυπες με τις πραγματικές και αυτό δείχνει και πάλι την αποτελεσματικότητα του μοντέλου.
Οι ερευνητές χρησιμοποίησαν ιστούς από άτομα που πάσχουν από καρκίνο του προστάτη και από καρκίνο του παγκρέατος. Σε επόμενο στάδιο στοχεύουν στην προσαρμογή του μοντέλου, ώστε να μπορεί να χρησιμοποιηθεί και για τον εντοπισμό άλλων τύπων καρκίνου, αλλά και να αξιοποιηθεί και σε πιο προηγμένες εργαστηριακές τεχνικές διάγνωσης του καρκίνου πέραν της χρώσης των ιστών.
