25 مارس 2024-© shutterstock/Mdisk
گای موزولوفسکی، مدیر عامل شرکت بیومارکرهای سرطان آکسفورد، چگونگی استفاده مرکز تحقیقات سرطان پیشرو از هوش مصنوعی را برای ایجاد مسیرهای درمانی شخصی سرطان مورد بحث قرار می دهد.
ماموریت ما توسعه فناوری تشخیص دقیق انکولوژی، ارائه ابزارهایی به بیماران و پزشکان برای ایجاد درمان شخصی سرطان است.ما می دانیم که این باعث بهبود نتایج بیماران و صرفه جویی در هزینه در سیستم های مراقبت های بهداشتی می شود. نشانگرهای زیستی سرطان آکسفورد (OCB) فناوری را مهندسی کرده است که به پزشکان این امکان را می دهد تا سرطان بیمار را بهتر درک کنند و درمان آنها را انجام دهند.
سرطان یک بیماری پیچیده و ناهمگن است که توسط عوامل متعدد و اغلب مرتبط با هم که در سطوح پروتئینی ژنتیکی، اپی ژنتیکی، و موارد دیگری نقش دارند، ایجاد می شود. پیچیدگی ذاتی این عوامل حکم می کند که سرطان های مختلف، با عوامل محرک متفاوت، به درمان ها و درمان های دیگر پاسخ دهند.
تا همین اواخر، ابزارهای بسیار کمی در دسترس پزشکان برای باز شناسایی عوامل مختلف عامل سرطان بوده است. این امر نیازمند یک رویکرد عمدتا تجربی برای درمان است، یعنی استفاده از مشاهده یا تجربه به جای تئوری یا منطق محض.
مفهوم انکولوژی دقیق بر اصل طبقه بندی بیمار متمرکز است. از نظر عملی، این به معنای توانایی توصیف انواع سرطان بالینی مهم و ایجاد درمان شخصی سرطان برای بهترین نتایج است. به طور کلی، هدف آن پیشبرد گفتگوی بالینی از «چگونه سرطان را به بهترین شکل درمان کنیم؟» به سمت «چگونه سرطان این بیمار را به بهترین شکل درمان کنیم؟» پیش برد.
OCB نسل بعدی فناوری تشخیص انکولوژی دقیق را طراحی، می سازد و به کار می گیرد. این فناوری به پزشکان اجازه می دهد تا گروه های ثبت شده را که به طور سنتی به صورت تجربی درمان می شدند، طبقه بندی کنند. بنابراین، OCB به مشتریان خود اجازه می دهد تا مزایای انکولوژی دقیق را به بیماران خود ارائه دهند.
ما به عنوان پیشگامان سرطان شناسی دقیق، از فناوری های مختلفی برای توسعه فناوری های تشخیصی دقیق، از تکنیک های مولکولی گرفته تا آسیب شناسی سلولی استفاده می کنیم. پیشرفت‌های اخیر در یادگیری ماشینی به ما این امکان را داده است که راه‌های بازجویی از تصاویر بافت‌شناسی سنتی را برای ارائه اطلاعات کاربردی به کلینیک بررسی کنیم.
این بخش نوظهور که «آسیب‌شناسی دیجیتال یا محاسباتی» نامیده می‌شود، نوید انقلابی در مراقبت از سرطان را می‌دهد، اما مجموعه منحصربه‌فردی از الزامات و چالش‌های فناوری را به همراه دارد.
برای رسیدگی به نیازهای فناوری خود، باید به مناسب ترین سرور و معماری ذخیره سازی برای اجرای داده ها و بارهای کاری فشرده محاسباتی خود دسترسی داشته باشیم. پلتفرم‌هایی که برای بارهای کاری بالینی بسیار کارآمد مستقر می‌شوند، از آمادگی هوش مصنوعی سود می‌برند، زیرا ارائه‌دهندگان مراقبت‌های بهداشتی به دنبال کارایی هزینه و بهبود نتایج مراقبت از بیمار هستند.
آسیب شناسی دیجیتال یا محاسباتی، تبدیل خدمات آسیب شناسی سنتی با استفاده از فناوری است. ما تشخیص دادیم که این زمینه دارای پتانسیل تأثیر مثبت بر مراقبت از بیمار با فعال کردن طبقه بندی است.
هدف کار ما با شریک فناوری ما، CSI، امکان طبقه بندی بیماران سرطان روده است. در حال حاضر، اکثر بیماران مبتلا به سرطان روده در مراحل میانی تا اواخر مرحله IIb بیماری و بالاتر چیزی که به عنوان شیمی درمانی کمکی شناخته می شود، ارائه می شود. این شیمی درمانی است که پس از جراحی انجام می شود و نشان داده شده است که میزان بقای پنج ساله بیماران سرطان روده را در مقایسه با جراحی به تنهایی تا 8 درصد بهبود می بخشد.
با این حال، این رویکرد دارای معایبی است. اصولاً، پزشکان در نهایت به افراد زیادی شیمی درمانی کمکی می دهند تا به تعداد نسبتاً کمی کمک کنند. برعکس، به این معنی است که افراد زیادی تحت شیمی درمانی قرار می گیرند که از آن سودی نمی برند اما همچنان در معرض خطر عوارض جانبی قابل توجهی هستند.بنابراین، سؤال این بود که آیا می‌توانیم با CSI همکاری کنیم تا 8 درصد بیمارانی را که از شیمی‌درمانی کمکی بهره‌مند می‌شوند، شناسایی و درمان کنیم و از درمان‌های غیرضروری در امان بمانیم؟
به عنوان بخشی از درمان طبیعی سرطان روده، پس از جراحی، نمونه ای از تومور بیمار در آزمایشگاه پاتولوژی بیمارستان پردازش شده و توسط پاتولوژیست زیر میکروسکوپ بررسی می شود.
علاوه بر معاینه پاتولوژیست، اکنون می‌توانیم از فناوری درمانی شخصی‌شده خود برای گرفتن تصاویر از همین نمونه‌های تومور و قرار دادن آنها در الگوریتم‌های تحلیل تصویر مبتنی بر یادگیری ماشین استفاده کنیم. این الگوریتم‌ها ویژگی‌هایی را در ریزمحیط تومور شناسایی می‌کنند و نشان می‌دهند که آیا تومور تهاجمی است و احتمال عود آن بیشتر است. بیمارانی که تومورهای آنها دارای این ویژگی های پرخطر هستند، احتمالاً از شیمی درمانی کمکی بهره مند می شوند، یعنی احتمالاً جزو 8٪ هستند.
برای اجرای الگوریتم های تحلیل مبتنی بر تصویر، به یک سلام نیاز داشتیم و
پلتفرم gh-performance طراحی شده برای یادگیری عمیق هوش مصنوعی، که CSI در قالب یک مدل زیرساخت به عنوان سرویس (IaaS) بر اساس PowerCloud خود ارائه کرده است. به طور کلی، محیط‌های قدیمی می‌توانند از PowerCloud بهره ببرند، که به نقطه ورود به هوش مصنوعی و یادگیری ماشین تبدیل می‌شود. بیشتر محیط‌ها هدفمند ساخته شده‌اند، اما ممکن است برای نسل بعدی هوش مصنوعی مقاوم و آماده نباشند.
ابتکارات هوش مصنوعی ما همچنین توسط یک سیستم قدرت IBM AC922 پشتیبانی می شود که 40 CPU POWER را با چهار پردازنده گرافیکی NVIDIA Tesla ترکیب می کند. فناوری NVLINK2 ارتباطات مستقیم CPU-GPU را فراهم می کند و کارایی بالای مورد نیاز را ارائه می دهد. IBM V7000 14 ترابایت فضای ذخیره سازی متصل به SAN را برای مجموعه داده ها و مدل های هوش مصنوعی ارائه می دهد.
سرور IBM Power9 (AC922) همچنین پشتیبانی مدل بزرگی را ارائه می‌کند که در آن مدل‌های هوش مصنوعی می‌توانند با استفاده از حافظه سیستم بر روی تصاویر بزرگ‌تر از حافظه موجود در GPU آموزش داده شوند – این امکان استفاده از تصاویر با وضوح بالا را فراهم می‌کند. آموزش مدل یادگیری عمیق محاسباتی سنگینی است، اما اکنون می‌توانیم از ویژگی آموزشی توزیع‌شده AC922 بهره ببریم، که امکان تجزیه و پردازش موازی کارها را در مجموعه‌ای از پردازنده‌های گرافیکی فراهم می‌کند.
با وجود فناوری مناسب، ما از جدیدترین ابزارهای هوش مصنوعی و یادگیری ماشین برای ساده‌سازی مسیرهای شخصی‌سازی شده درمان سرطان و گردش کار پزشکان استفاده کرده‌ایم. این به طور مستقیم مراقبت از بیمار را با توقف درمان غیر ضروری و کاهش هزینه های مراقبت از سرطان NHS بهبود می بخشد.
ما خطاهای بالینی را کاهش داده و منابع را آزاد کرده ایم تا پزشکان بتوانند زمان بیشتری را برای مراقبت از بیمار صرف کنند. ما ثابت می‌کنیم که آسیب‌شناسی دیجیتال مقرون‌به‌صرفه، نوآوری و بهبود مراقبت از بیمار را در بازارهای جهانی مراقبت‌های بهداشتی هدایت می‌کند.
