کشف نشانگرهای زیستی با هدایت هوش مصنوعی چگونه شانس بقای بیماران سرطانی را بازنویسی می‌کند

تشخیص سرطان، بیماران را مجبور به یک قمار پرمخاطره می‌کند. از آنجا که تومورها از نظر بیولوژیکی پیچیده و بسیار فردی هستند، انکولوژیست‌ها اغلب باید به یک فرآیند طاقت‌فرسای آزمون و خطا تکیه کنند و رژیم‌های تهاجمی مانند شیمی‌درمانی یا ایمنی‌درمانی را بدون تضمین موفقیت تجویز نمایند. بیماران مکرراً سمّیت شدید را تحمل می‌کنند، تنها برای اینکه ماه‌ها بعد متوجه شوند تومور همچنان به رشد خود ادامه داده است. اما محاسبات این قمار در حال تغییر است. هوش مصنوعی در حال جابجایی پارادایم پزشکی از واکنش به رشد تومور به سمت پیش‌بینی آسیب‌پذیری‌های دقیق آن، پیش از تزریق اولین قطره دارو به رگ است.[5]

این وعده دیگر صرفاً تئوری نیست. کشف نشانگرهای زیستی با هدایت هوش مصنوعی اخیراً از آزمایشگاه‌های علوم کامپیوتر به نتایج بالینی قابل اندازه‌گیری منتقل شده است. یک مطالعه مهم در سال ۲۰۲۵ که در مجله Cancer Cell منتشر شد، نشان داد که یک چارچوب هوش مصنوعی می‌تواند به صورت گذشته‌نگر، بیمارانی را در کارآزمایی‌های ایمنی-انکولوژی شناسایی کند که ۱۵٪ بهبود در خطر بقا را تجربه خواهند کرد. هوش مصنوعی با تحلیل داده‌ها، زیرگروه‌های پاسخ‌دهنده پنهانی را پیدا کرد که محققان انسانی و روش‌های آماری سنتی کاملاً از دست داده بودند.[1]

مزایای بقا به برخی از بدخیمی‌هایی که درمان آنها به شدت دشوار است نیز گسترش می‌یابد. در آگوست ۲۰۲۶، مطالعه‌ای در npj Precision Oncology نشان داد که یک امضای مولکولی هوش مصنوعی می‌تواند پیش‌بینی کند کدام بیماران مبتلا به سرطان پانکراس از رژیم بسیار تهاجمی FOLFIRINOX در مقابل ترکیب جمسیتابین بهره خواهند برد. بیمارانی که توسط هوش مصنوعی به درستی با FOLFIRINOX مطابقت داده شدند، به میانگین بقای کلی ۱۶٫۰ ماه دست یافتند، در مقایسه با تنها ۹٫۹ ماه برای کسانی که تحت درمان جایگزین بودند. نکته قابل توجه این بود که این مطالعه اشاره کرد تقریباً نیمی از بیماران در گروه تاریخی، درمان خط اول متفاوتی نسبت به آنچه مدل هوش مصنوعی توصیه می‌کرد، دریافت کرده بودند.[3]

برای درک اینکه چرا این جهش تکنولوژیک ضروری است، باید به شکست تاریخی کارآزمایی‌های بالینی انکولوژی نگاه کرد. برای دهه‌ها، کارآزمایی‌ها از نرخ‌های ریزش گسترده‌ای رنج برده‌اند، عمدتاً به این دلیل که جمعیت‌های گسترده‌ای از بیماران را ثبت‌نام می‌کنند که از نظر بیولوژیکی بعید است به مکانیسم خاص داروی مورد آزمایش پاسخ دهند. ممکن است یک دارو برای ۱۰٪ از گروه کارآزمایی بسیار مؤثر باشد، اما اگر ۹۰٪ دیگر پاسخ ندهند، اثربخشی کلی دارو ضعیف به نظر می‌رسد و موفق به کسب تأییدیه نظارتی نمی‌شود.[4][5]

اعداد پایه تکان‌دهنده هستند. بر اساس تحلیلی از Drug Discovery News، برنامه‌های انکولوژی که بیماران خود را بر اساس یک نشانگر بیولوژیکی طبقه‌بندی نمی‌کنند، احتمال موفقیت ناامیدکننده ۱٫۶٪ دارند. هنگامی که محققان از یک نشانگر زیستی سنتی و منفرد استفاده می‌کنند—مانند آزمایش برای یک جهش ژنتیکی خاص مانند BRCA—این نرخ موفقیت تا ۱۰٫۷٪ افزایش می‌یابد. اما حتی این بهبود شش برابری نیز باعث می‌شود که اکثریت قریب به اتفاق داروهای تجربی سرطان در کلینیک شکست بخورند.[4]

محدودیت نشانگرهای زیستی سنتی این است که ابزارهای کُندی هستند. تومور یک اکوسیستم پیچیده و در حال تکامل است، نه صرفاً یک ژن جهش‌یافته منفرد. اینجاست که هوش مصنوعی چندوجهی وارد عمل می‌شود. مدل‌های هوش مصنوعی به جای جستجوی یک پروتئین یا نقص ژنتیکی خاص، جریان‌های عظیم و متفاوتی از داده‌ها را به طور همزمان دریافت می‌کنند: توالی‌یابی DNA، سطوح بیان RNA، و تصاویر دیجیتالی با وضوح بالا از خود بافت تومور.[2][5]

این سیستم‌های پیشرفته، که به عنوان مدل‌های بنیادی (Foundation Models) شناخته می‌شوند، بر روی میلیون‌ها نقطه داده آموزش داده می‌شوند تا زبان اساسی آسیب‌شناسی را درک کنند. به عنوان مثال، مدل PRISM2، که جزئیات آن در آگوست ۲۰۲۶ در Nature Medicine منتشر شد، بر روی ۲٫۳ میلیون تصویر کامل اسلاید آسیب‌شناسی و ۱۴ میلیون جفت پرسش و پاسخ تشخیصی برگرفته از صدها هزار گزارش آسیب‌شناسی آموزش داده شد. این مقیاس عظیم به مدل اجازه می‌دهد تا هیستومورفولوژی بصری را با استدلال تشخیصی پیچیده هماهنگ کند.[2]

این شبکه‌های عصبی با استفاده از تکنیک‌هایی مانند یادگیری کنتراستیو (Contrastive Learning)، یاد می‌گیرند که الگوهای ظریف و چندبعدی را در ساختار بافت و آرایش ژنتیکی که آسیب‌شناسان انسانی به سادگی قادر به دیدن آنها نیستند، تشخیص دهند. آنها این الگوها را ترکیب می‌کنند تا یک «نشانگر زیستی فراملی» یا امضای پیش‌بینی‌کننده ایجاد کنند. این امضا با نحوه پاسخ بیماران قبلی که دارای پروفایل‌های توموری چندبعدی مشابه بودند، به مداخلات درمانی خاص، همبستگی دارد.[1][5]

این نشان‌دهنده یک تغییر بنیادی در فلسفه پزشکی دقیق است. سؤال بالینی از یک سؤال دوتایی «آیا این بیمار جهش X را دارد؟» به یک سؤال جامع «آیا اکوسیستم کلی تومور این بیمار با پروفایل چندبعدی فردی که با این ایمنی‌درمانی خاص زنده مانده است، مطابقت دارد؟» در حال حرکت است. این یک تغییر از تشخیص الگو به مدل‌سازی بیولوژیکی فعال و پیش‌بینی‌کننده است.[1][2]

در عمل بالینی، این گردش کار زمانی آغاز می‌شود که اسلاید بیوپسی بیمار دیجیتالی شده و داده‌های ژنومی او توالی‌یابی می‌شود. این داده‌های چندوجهی به مدل بنیادی هوش مصنوعی وارد می‌شوند و مدل یک امتیاز احتمال را خروجی می‌دهد. این امتیاز نشان می‌دهد که آیا بیمار احتمالاً از یک درمان هدفمند خاص بهره‌مند خواهد شد یا خیر، و به انکولوژیست‌ها اجازه می‌دهد تا با اطمینان یک درمان تهاجمی را تجویز کنند، یا برعکس، بیمار را از سمّیت دارویی که هوش مصنوعی پیش‌بینی می‌کند در نهایت برای او شکست می‌خورد، نجات دهند.[3][5]

با این حال، این حوزه بدون محدودیت نیست، و شفافیت در مورد پایگاه شواهد فعلی بسیار حیاتی است. بیشتر مزایای بقای چشمگیر گزارش شده تاکنون—از جمله بهبود ۱۵٪ در مطالعه Cancer Cell و مزیت ۶ ماهه در مطالعه سرطان پانکراس—مبتنی بر تحلیل‌های گذشته‌نگر هستند. هوش مصنوعی به داده‌های کارآزمایی تاریخی نگاه می‌کند و نشان می‌دهد که اگر طبقه‌بندی آن برای هدایت مراقبت استفاده می‌شد، چه اتفاقی می‌افتاد.[1][3][5]

آزمون قطعی برای کشف نشانگرهای زیستی با هدایت هوش مصنوعی از طریق کارآزمایی‌های بالینی آینده‌نگر (prospective) خواهد بود، جایی که طبقه‌بندی هوش مصنوعی از روز اول به عنوان معیار اصلی ثبت‌نام استفاده می‌شود. اگر این کارآزمایی‌های آینده‌نگر در حال انجام، یافته‌های گذشته‌نگر را تأیید کنند، امضاهای هوش مصنوعی چندوجهی ممکن است به زودی به استاندارد مراقبت تبدیل شوند و تضمین کنند که دوران آزمون و خطای انکولوژی با سیستمی جایگزین شود که داروی مناسب را در زمان دقیقاً مناسب به بیمار مناسب می‌رساند.[4][5]