Η τεχνητή νοημοσύνη αλλάζει ριζικά τον τρόπο που ανιχνεύονται και αντιμετωπίζονται σοβαρές ασθένειες, προσφέροντας λύσεις που πριν φάνταζαν αδύνατες.
Από τον έγκαιρο εντοπισμό του καρκίνου των ωοθηκών μέχρι τη διάγνωση λοιμώξεων όπως η πνευμονία, τα νέα εργαλεία βασίζονται σε εξελιγμένους αλγόριθμους για να αναλύουν περίπλοκα μοτίβα σε δείγματα αίματος.
Η ενσωμάτωση της τεχνολογίας αυτής στη διάγνωση υπόσχεται μεγαλύτερη ακρίβεια και πιο αποτελεσματικές θεραπείες, ανοίγοντας τον δρόμο για σημαντικές εξελίξεις στη σύγχρονη ιατρική.
Ο καρκίνος των ωοθηκών είναι «σπάνιος, υποχρηματοδοτούμενος και θανατηφόρος», λέει η Audra Moran, επικεφαλής της Συμμαχίας Έρευνας για τον Καρκίνο των Ωοθηκών (Ocra), μιας παγκόσμιας φιλανθρωπικής οργάνωσης με έδρα τη Νέα Υόρκη, στο BBC.
Όπως όλοι οι καρκίνοι, όσο νωρίτερα εντοπιστεί τόσο το καλύτερο. Ο περισσότερος καρκίνος των ωοθηκών ξεκινά στις σάλπιγγες, οπότε μέχρι να φτάσει στις ωοθήκες, μπορεί να έχει ήδη εξαπλωθεί και αλλού.
«Πέντε χρόνια πριν από την εμφάνιση κάποιου συμπτώματος είναι το χρονικό σημείο κατά το οποίο θα πρέπει να ανιχνεύσετε τον καρκίνο των ωοθηκών για να επηρεάσετε τη θνησιμότητα», λέει η κ. Moran.
Αλλά εμφανίζονται νέες εξετάσεις αίματος που χρησιμοποιούν τη δύναμη της τεχνητής νοημοσύνης (AI) για να εντοπίζουν τα σημάδια του καρκίνου σε πολύ πρώιμα στάδια.
Και δεν είναι μόνο ο καρκίνος, η τεχνητή νοημοσύνη μπορεί, επίσης, να επιταχύνει άλλες εξετάσεις αίματος για δυνητικά θανατηφόρες λοιμώξεις όπως η πνευμονία.
Η ομάδα του Δρ Daniel Heller, βιοϊατρικού μηχανικού στο Κέντρο Καρκίνου Memorial Sloan Kettering στη Νέα Υόρκη, έχει αναπτύξει μια τεχνολογία δοκιμών που χρησιμοποιεί νανοσωλήνες -μικροσκοπικούς σωλήνες άνθρακα οι οποίοι είναι περίπου 50.000 φορές μικρότεροι από τη διάμετρο μιας ανθρώπινης τρίχας.
Πριν από περίπου 20 χρόνια, οι επιστήμονες άρχισαν να ανακαλύπτουν νανοσωλήνες που μπορούν να εκπέμπουν φθορίζον φως. Την τελευταία δεκαετία, οι ερευνητές έμαθαν πώς να αλλάζουν τις ιδιότητες αυτών των νανοσωλήνων, ώστε να ανταποκρίνονται σχεδόν σε οτιδήποτε στο αίμα.
Τώρα είναι δυνατόν να τοποθετηθούν εκατομμύρια νανοσωλήνες σε ένα δείγμα αίματος και να εκπέμπουν διαφορετικά μήκη κύματος φωτός ανάλογα με το τι κολλάει πάνω τους.
Αυτό όμως άφηνε ακόμα ανοιχτό το ζήτημα της ερμηνείας του σήματος, το οποίο ο Δρ Heller παρομοιάζει με την εύρεση μιας αντιστοιχίας για ένα δακτυλικό αποτύπωμα.
Σε αυτή την περίπτωση το δακτυλικό αποτύπωμα είναι ένα μοτίβο μορίων που συνδέονται με τους αισθητήρες, με διαφορετικές ευαισθησίες και δυνάμεις σύνδεσης. Αλλά τα μοτίβα είναι πολύ λεπτά για να τα διακρίνει ένας άνθρωπος.
«Μπορούμε να κοιτάξουμε τα δεδομένα και δεν θα βγάλουμε κανένα νόημα από αυτά», λέει. «Μπορούμε να δούμε μόνο τα μοτίβα που είναι διαφορετικά με την τεχνητή νοημοσύνη».
Η αποκωδικοποίηση των δεδομένων των νανοσωλήνων σήμαινε τη φόρτωση των δεδομένων σε έναν αλγόριθμο μηχανικής εκμάθησης και το να πούμε στον αλγόριθμο ποια δείγματα προέρχονταν από ασθενείς με καρκίνο των ωοθηκών και ποια από άτομα χωρίς αυτόν.
Αυτά περιλάμβαναν αίμα από άτομα με άλλες μορφές καρκίνου ή άλλες γυναικολογικές παθήσεις που θα μπορούσαν να συγχέονται με τον καρκίνο των ωοθηκών.
Μια μεγάλη πρόκληση στη χρήση της τεχνητής νοημοσύνης για την ανάπτυξη αιματολογικών εξετάσεων για την έρευνα του καρκίνου των ωοθηκών είναι ότι είναι σχετικά σπάνιος, γεγονός που περιορίζει τα δεδομένα για την εκπαίδευση αλγορίθμων.
Και πολλά από αυτά τα δεδομένα είναι απομονωμένα στα νοσοκομεία που τα αντιμετώπισαν, με ελάχιστη ανταλλαγή δεδομένων για τους ερευνητές.
Ο Δρ Heller περιγράφει την εκπαίδευση του αλγορίθμου σε διαθέσιμα δεδομένα από μόλις μερικές 100 ασθενείς ως ένα «πέρασμα από τη Χαίρε Μαρία».
Αλλά λέει ότι η τεχνητή νοημοσύνη κατάφερε να επιτύχει καλύτερη ακρίβεια από τους καλύτερους βιοδείκτες καρκίνου που είναι διαθέσιμοι σήμερα -και αυτό ήταν μόνο η πρώτη προσπάθεια.
Το σύστημα υποβάλλεται σε περαιτέρω μελέτες για να διαπιστωθεί αν μπορεί να βελτιωθεί χρησιμοποιώντας μεγαλύτερα σύνολα αισθητήρων και δείγματα από πολύ περισσότερους ασθενείς. Περισσότερα δεδομένα μπορούν να βελτιώσουν τον αλγόριθμο, όπως ακριβώς οι αλγόριθμοι για τα αυτοοδηγούμενα αυτοκίνητα μπορούν να βελτιωθούν με περισσότερες δοκιμές στο δρόμο.
«Αυτό που θα θέλαμε να κάνουμε είναι η ταξινόμηση όλων των γυναικολογικών ασθενειών -όταν δηλαδή κάποιος έρχεται με ένα παράπονο, μπορούμε να δώσουμε στους γιατρούς ένα εργαλείο που να τους λέει γρήγορα ότι είναι πιο πιθανό να είναι καρκίνος ή όχι, ή αυτός ο καρκίνος από εκείνον».
Ο Δρ Heller λέει ότι αυτό μπορεί να είναι «τρία έως πέντε χρόνια μακριά».
Η τεχνητή νοημοσύνη συμβάλλει στην επιτάχυνση άλλων αιματολογικών εξετάσεων
Για έναν καρκινοπαθή, η πνευμονία μπορεί να είναι θανατηφόρα και, καθώς υπάρχουν περίπου 600 διαφορετικοί οργανισμοί που μπορούν να προκαλέσουν πνευμονία, οι γιατροί πρέπει να διεξάγουν πολλαπλές εξετάσεις για να εντοπίσουν τη μόλυνση.
Όμως οι νέοι τύποι εξετάσεων αίματος απλοποιούν και επιταχύνουν τη διαδικασία.
Το Karuis, με έδρα την Καλιφόρνια, χρησιμοποιεί τεχνητή νοημοσύνη (AI) για να βοηθήσει στον ακριβή εντοπισμό του παθογόνου παράγοντα της πνευμονίας μέσα σε 24 ώρες και να επιλέξει το κατάλληλο αντιβιοτικό γι’ αυτόν.
«Πριν από το τεστ μας, ένας ασθενής με πνευμονία θα έκανε 15 έως 20 διαφορετικές εξετάσεις για να εντοπίσει τη λοίμωξή του μόνο κατά την πρώτη εβδομάδα νοσηλείας του -αυτό σημαίνει περίπου 20.000 δολάρια για εξετάσεις», λέει ο διευθύνων σύμβουλος της Karius, Alec Ford.
Η Karius διαθέτει μια βάση δεδομένων μικροβιακού DNA η οποία έχει δεκάδες δισεκατομμύρια σημεία δεδομένων. Τα δείγματα εξετάσεων από τους ασθενείς μπορούν να συγκριθούν με αυτή τη βάση δεδομένων για τον ακριβή εντοπισμό του παθογόνου παράγοντα.
Ο κ. Ford λέει ότι αυτό θα ήταν αδύνατο χωρίς την τεχνητή νοημοσύνη.
Μια πρόκληση είναι ότι οι ερευνητές δεν κατανοούν απαραίτητα επί του παρόντος όλες τις συνδέσεις που μπορεί να κάνει μια τεχνητή νοημοσύνη μεταξύ των βιοδεικτών των εξετάσεων και των ασθενειών.
Τα τελευταία δύο χρόνια ο δρ Σλάβι Πετρόφσκι ανέπτυξε μια πλατφόρμα τεχνητής νοημοσύνης που ονομάζεται Milton και η οποία, χρησιμοποιώντας βιοδείκτες στα δεδομένα της βρετανικής βιοτράπεζας, αναγνώρισε 120 ασθένειες με ποσοστό επιτυχίας άνω του 90%.
Η εύρεση μοτίβων σε μια τέτοια μάζα δεδομένων είναι κάτι που μόνο η τεχνητή νοημοσύνη μπορεί να κάνει.
«Συχνά πρόκειται για πολύπλοκα μοτίβα, όπου μπορεί να μην υπάρχει ένας βιοδείκτης, αλλά πρέπει να λαμβάνετε υπόψη ολόκληρο το μοτίβο», λέει ο Δρ Πετρόφσκι, ο οποίος είναι ερευνητής στον φαρμακευτικό γίγαντα AstraZeneca.
Ο Δρ Heller χρησιμοποιεί μια παρόμοια τεχνική αντιστοίχισης μοτίβων στην εργασία του για τον καρκίνο των ωοθηκών.
«Γνωρίζουμε ότι ο αισθητήρας δεσμεύει και ανταποκρίνεται σε πρωτεΐνες και μικρά μόρια στο αίμα, αλλά δεν γνωρίζουμε ποιες από τις πρωτεΐνες ή τα μόρια είναι ειδικά για τον καρκίνο», λέει.
Γενικότερα τα δεδομένα, ή η έλλειψή τους, εξακολουθούν να αποτελούν μειονέκτημα. «Οι άνθρωποι δεν μοιράζονται τα δεδομένα τους ή δεν υπάρχει μηχανισμός για να το κάνουν», λέει η κ. Moran.
Η Ocra χρηματοδοτεί ένα μητρώο ασθενών μεγάλης κλίμακας, με ηλεκτρονικά ιατρικά αρχεία ασθενών που επέτρεψαν στους ερευνητές να εκπαιδεύσουν αλγόριθμους στα δεδομένα τους.
«Είναι νωρίς -είμαστε ακόμα στην άγρια δύση της τεχνητής νοημοσύνης», λέει η κ. Moran.