Лидери највећих технолошких компанија све чешће тврде да би AI у наредних пет до десет година могао да омогући излечење рака и других тешких болести. Иза великих обећања, међутим, налази се знатно сложенија медицинска стварност.
AI већ помаже лекарима да анализирају снимке, препознају туморе, проучавају генетске мутације и траже молекуле од којих би могли да настану нови лекови. Напредак је стварaн, али је постепен и не значи да ће један алгоритам пронаћи универзални лек против рака.
Дарио Амодеи, директор компаније Anthropic, проценио је да би AI могао да помогне у искорењивању већине тешких болести у року од једне деценије. Сем Алтман из компаније OpenAI такође је повезао повећање рачунарске снаге са могућношћу да AI открије како се рак може излечити.
ПОВЕЗАНЕ ВЕСТИ
Анализа коју је објавио Гардијан показује да онколози, радиолози и истраживачи виде велики потенцијал AI, али упозоравају да маркетиншка обећања често потцењују сложеност људске биологије. Према њиховој оцени, AI може да убрза поједине фазе истраживања и лечења, али не може самостално да замени лабораторијске експерименте, клиничка испитивања и лекарску процену.
Основни проблем са тврдњом да ће AI излечити рак јесте то што рак није једна болест. Исти назив обухвата стотине различитих тумора, генетских промена и биолошких механизама, који се различито развијају и реагују на терапију.
Рак није једна болест са једним решењем
Рак настаје када измењене ћелије почну неконтролисано да се умножавају, избегавају природне механизме одбране организма и продиру у околна ткива. Иза тог општег описа налази се огроман број различитих болести.
Рак дојке, плућа, простате, крви, мозга или панкреаса не разликује се само по органу у којем настаје. Чак и два тумора у истом органу могу имати различите мутације, брзину раста, осетљивост на лекове и способност ширења.
ФОТО: Компас/ИлустрацијаСамо у мозгу постоји више од сто врста тумора, од којих неке нису малигне, али због положаја могу да буду опасне. Лечење зато захтева прецизно утврђивање типа тумора, његовог молекуларног профила и особина конкретног пацијента.
Израз лек против рака ствара погрешну представу да је потребно пронаћи једну супстанцу или једну методу. Реалнији циљ јесте развој великог броја прецизнијих терапија за одређене подтипове болести и откривање тумора пре него што се прошири.
AI у том процесу може да повеже огромне количине података које човек не би могао да анализира истом брзином. Али алгоритам мора да буде обучен на квалитетним и разноврсним медицинским подацима, а његови резултати морају да буду проверени у стварним условима.
AI на снимку види оно што лекар још не може
Најконкретнији резултати постигнути су у медицинском снимању. Модели машинског учења могу да анализирају CT снимке, рендгенске фотографије, магнетну резонанцу и дигитализоване узорке ткива.
Алгоритам не посматра снимак на исти начин као човек. Он мери велики број ситних промена у облику, густини, текстури и распореду ткива, од којих су неке сувише суптилне да би их радиолог уочио голим оком.
Истраживачи Клинике Мејо проучавали су старе CT снимке људи којима је касније дијагностикован рак панкреаса. Снимци су у тренутку настанка били оцењени као нормални, али су модели машинског учења накнадно препознали обрасце који су могли да укажу на болест пре клиничке дијагнозе.
ФОТО: ShutterstockТо је посебно важно код рака панкреаса, који се често открива касно јер у раној фази не изазива јасне симптоме. Раније упозорење могло би да омогући додатне анализе док је тумор још могуће хируршки уклонити.
AI се већ испитује и у анализи снимака плућа, откривању промена на мамографији и процени агресивности тумора. Најбољи резултати обично се постижу када алгоритам служи као други читалац, док коначну одлуку доноси лекар.
Опасност настаје ако је модел обучен на нерепрезентативним подацима. Систем који добро ради у једној болници или код једне групе становништва може да буде знатно мање прецизан у другој средини.
Бржа дијагноза и персонализована терапија
AI би могао да скрати период неизвесности између проналажења тумора и избора терапије. Данас се после биопсије узорак шаље на патолошку и генетску анализу, а резултате потом разматра тим различитих специјалиста.
Код неких тумора мозга већ се испитују поступци који омогућавају брзо секвенцирање туморског материјала током саме операције. Будући AI системи могли би да повежу снимак, изглед ткива, мутације и податке о лековима док се пацијент још налази у операционој сали.
Европски пројекат EUcanAI истражује примену такозваног агентског AI у лечењу тумора мозга и централног нервног система. Циљ је да информације добијене у једној фази дијагностике аутоматски помогну наредној фази, чиме би поступак постао бржи и прилагођенији пацијенту.
ФОТО: FOTOGRIN/ShutterstockТакви системи могли би да буду значајни и у мањим болницама које немају велики број специјалиста. Лекарима би омогућили приступ сложенијој анализи, али само ако су системи клинички проверени и ако постоји могућност људске контроле.
AI не би требало да саопштава дијагнозу или одређује лечење без лекара. Његова улога је да понуди додатне информације, упозори на могући налаз и помогне стручњаку да брже донесе одлуку.
Од рачунарске хипотезе до лека пут траје годинама
Највећа обећања односе се на развој лекова. AI може да анализира милионе молекуларних структура, предложи потенцијалну мету у туморској ћелији и предвиди које би једињење могло да делује на њу.
То може да убрза почетне фазе истраживања, али рачунарско предвиђање није доказ да лек делује. Једињење мора да буде синтетисано, испитано на ћелијама и животињским моделима, а затим проверено кроз више фаза клиничких испитивања.
ФОТО: Shutterstock/khuncho24Потенцијални лек може да уништава туморске ћелије у лабораторији, а да истовремено буде токсичан за људе. Може да делује код малог броја пацијената, да изазове неочекиване нежељене ефекте или да у организму не стигне до места на којем се тумор налази.
Чак и када AI пронађе обећавајући молекул, регулаторна провера не може једноставно да се прескочи. Безбедност и корист морају да буду доказане на људима, што захтева време, велики број учесника и вишегодишње праћење.
После више од деценије развоја AI метода за откривање лекова још нема терапије коју је AI потпуно самостално осмислио и која је успешно прошла читав пут до широке клиничке примене. Постоје бројни кандидати у раним истраживањима, али обећање није исто што и одобрен лек.
Моћан алат, а не самостални научник
AI може да произведе хиљаде или милионе хипотеза, али не може да зна која је тачна без мерења и експеримента. Биологија се не може у потпуности извести из постојећих података јер научници још не познају све механизме на којима почивају болест и одговор на терапију.
Квалитет AI зависи и од података којима има приступ. Медицинске информације су распршене између болница, лабораторија и држава, прикупљају се на различите начине и подлежу строгим правилима приватности.
Постоји и ризик да обећање о скором излечењу рака послужи као оправдање за непрекидно повећање рачунарске снаге и потрошње енергије. Више података и снажнији сервери не могу сами да реше недостатак биолошког знања, клиничких узорака и добро осмишљених испитивања.
Најреалнија будућност зато није она у којој AI сам проналази један лек против свих врста рака. Вероватније је да ће помагати у ранијем откривању, прецизнијем разврставању тумора, избору терапије и бржем тестирању нових идеја.
То би могло да спасе велики број живота и без спектакуларног тренутка у којем је рак коначно решен. AI не мора да испуни највеће обећање технолошке индустрије да би постао један од најважнијих алата савремене онкологије.
