เครื่องมือ AI ใหม่สำหรับการรักษามะเร็ง

• นักวิทยาศาสตร์จาก Harvard Medical School ได้ออกแบบโมเดล AI อเนกประสงค์ลักษณะคล้าย ChatGPT ที่สามารถทำงานวินิจฉัยได้หลากหลายครอบคลุมมะเร็งหลายประเภท
• ระบบ AI ใหม่นี้ก้าวล้ำไปอีกขั้นเมื่อเทียบกับแนวทาง AI สำหรับการวินิจฉัยมะเร็งจำนวนมากที่มีอยู่ในปัจจุบัน
• ระบบ AI ในปัจจุบันมักถูกฝึกให้ทำงานเฉพาะด้าน เช่น ตรวจหาการมีอยู่ของมะเร็ง หรือทำนายโปรไฟล์ทางพันธุกรรมของเนื้องอก และมักทำงานได้กับมะเร็งเพียงไม่กี่ประเภท
• ในทางตรงกันข้าม โมเดลใหม่นี้สามารถทำงานได้อย่างกว้างขวาง ได้รับการทดสอบกับมะเร็ง 19 ประเภท และมีความยืดหยุ่นคล้ายกับ large language model อย่าง ChatGPT
• แม้เมื่อไม่นานมานี้จะมี foundational AI model อื่นสำหรับการวินิจฉัยทางการแพทย์จากภาพพยาธิวิทยาเกิดขึ้น แต่โมเดลนี้ถือเป็นโมเดลแรกที่สามารถทำนายผลลัพธ์ของผู้ป่วยและผ่านการตรวจสอบยืนยันในกลุ่มผู้ป่วยนานาชาติหลายกลุ่ม
• โมเดล AI นี้ทำงานโดยอ่านสไลด์เนื้อเยื่อของเนื้องอก
  • ตรวจจับเซลล์มะเร็งและทำนายโปรไฟล์ระดับโมเลกุลของเนื้องอกจากลักษณะของเซลล์ที่เห็นในภาพได้แม่นยำกว่าระบบ AI ปัจจุบันส่วนใหญ่
  • ทำนายการรอดชีวิตของผู้ป่วยในมะเร็งหลายประเภท และระบุลักษณะของเนื้อเยื่อรอบเนื้องอก (tumor microenvironment) ที่เกี่ยวข้องกับการตอบสนองของผู้ป่วยต่อการรักษามาตรฐาน เช่น การผ่าตัด เคมีบำบัด รังสีรักษา และภูมิคุ้มกันบำบัด ได้อย่างแม่นยำ
  • ดูเหมือนว่าจะสามารถสร้างข้อมูลเชิงลึกใหม่ ๆ ได้ เช่น การระบุลักษณะเฉพาะบางอย่างของเนื้องอกที่ก่อนหน้านี้ไม่เป็นที่ทราบว่ามีความเกี่ยวข้องกับการรอดชีวิตของผู้ป่วย
• ทีมวิจัยระบุว่าผลลัพธ์เหล่านี้เป็นหลักฐานที่เพิ่มขึ้นว่า AI สามารถช่วยเพิ่มความสามารถของแพทย์ในการประเมินมะเร็งได้อย่างมีประสิทธิภาพและแม่นยำ รวมถึงการระบุผู้ป่วยที่อาจตอบสนองต่อการรักษามะเร็งมาตรฐานได้ไม่ดี
• Kun-Hsing Yu กล่าวว่า "หากมีการตรวจสอบเพิ่มเติมและนำไปใช้อย่างแพร่หลาย แนวทางของเราและแนวทางที่คล้ายกันอาจช่วยระบุผู้ป่วยมะเร็งได้ตั้งแต่เนิ่น ๆ ว่าใครจะได้รับประโยชน์จากการรักษาทดลองที่มุ่งเป้าไปยังการกลายพันธุ์ระดับโมเลกุลเฉพาะ"

การฝึกและประสิทธิภาพ

• งานวิจัยล่าสุดของทีมนี้ต่อยอดจากงานก่อนหน้าของ Yu เกี่ยวกับระบบ AI สำหรับการประเมินมะเร็งลำไส้ใหญ่และเนื้องอกในสมอง โดยงานเดิมได้พิสูจน์ความเป็นไปได้ของแนวทางนี้ภายในมะเร็งบางชนิดและงานเฉพาะบางด้าน
• โมเดลใหม่ที่ชื่อว่า CHIEF (Clinical Histopathology Imaging Evaluation Foundation) ถูกฝึกด้วยภาพที่ไม่มีป้ายกำกับ 15 ล้านภาพ โดยแบ่งภาพออกเป็นส่วนที่สนใจ
• เครื่องมือนี้ยังได้รับการฝึกเพิ่มเติมด้วยภาพสไลด์ทั้งแผ่น 60,000 ภาพของเนื้อเยื่อจากปอด เต้านม ต่อมลูกหมาก ลำไส้ใหญ่ กระเพาะอาหาร หลอดอาหาร ไต สมอง ตับ ไทรอยด์ ตับอ่อน ปากมดลูก มดลูก รังไข่ อัณฑะ ผิวหนัง เนื้อเยื่ออ่อน ต่อมหมวกไต และกระเพาะปัสสาวะ
• การฝึกให้โมเดลมองเห็นทั้งส่วนเฉพาะของภาพและภาพทั้งภาพ ทำให้สามารถเชื่อมโยงการเปลี่ยนแปลงเฉพาะจุดกับบริบทโดยรวมได้ นักวิจัยกล่าวว่าแนวทางนี้ทำให้ CHIEF ตีความภาพได้แบบองค์รวมมากขึ้น โดยพิจารณาบริบทที่กว้างกว่าแทนที่จะโฟกัสเฉพาะบางพื้นที่
• หลังการฝึก ทีมวิจัยได้ทดสอบประสิทธิภาพของ CHIEF กับภาพสไลด์ทั้งแผ่นมากกว่า 19,400 ภาพในชุดข้อมูลอิสระ 32 ชุดที่เก็บรวบรวมจากโรงพยาบาล 24 แห่งและกลุ่มผู้ป่วยทั่วโลก
• โดยรวมแล้ว CHIEF ทำได้ดีกว่าวิธี AI ล้ำสมัยอื่น ๆ สูงสุดถึง 36% ในงานอย่างการตรวจจับเซลล์มะเร็ง การระบุต้นกำเนิดของเนื้องอก การทำนายผลลัพธ์ของผู้ป่วย และการระบุรูปแบบยีนและ DNA ที่เกี่ยวข้องกับการตอบสนองต่อการรักษา
• ด้วยการฝึกที่หลากหลาย CHIEF ทำงานได้ดีพอ ๆ กันไม่ว่าเซลล์เนื้องอกจะได้มาจากการตัดชิ้นเนื้อหรือการผ่าตัดเอาเนื้อเยื่อออก
• นอกจากนี้ยังมีความแม่นยำเท่ากันไม่ว่าจะใช้เทคโนโลยีแบบใดในการแปลงตัวอย่างเซลล์มะเร็งเป็นดิจิทัล
• นักวิจัยกล่าวว่าความสามารถในการปรับตัวนี้ทำให้ CHIEF สามารถนำไปใช้ในสภาพแวดล้อมทางคลินิกที่หลากหลาย และถือเป็นก้าวสำคัญที่เหนือกว่าโมเดลปัจจุบันซึ่งมักทำงานได้ดีเฉพาะเมื่ออ่านเนื้อเยื่อที่ได้จากเทคโนโลยีบางแบบเท่านั้น

การตรวจจับมะเร็ง

• CHIEF มีความแม่นยำเกือบ 94% ในการตรวจจับมะเร็ง และทำได้ดีกว่าแนวทาง AI ปัจจุบันอย่างมากในชุดข้อมูล 15 ชุดที่ครอบคลุมมะเร็ง 11 ชนิด
• ในชุดข้อมูลการตัดชิ้นเนื้อ 5 ชุดที่เก็บจากกลุ่มตัวอย่างอิสระ CHIEF ทำความแม่นยำได้ 96% ครอบคลุมมะเร็งหลายชนิด เช่น หลอดอาหาร กระเพาะอาหาร ลำไส้ใหญ่ และต่อมลูกหมาก
• เมื่อนักวิจัยทดสอบ CHIEF กับสไลด์เนื้องอกที่ผ่าตัดออกจากลำไส้ใหญ่ ปอด เต้านม เยื่อบุโพรงมดลูก และปากมดลูก ซึ่งโมเดลไม่เคยเห็นมาก่อน โมเดลทำได้แม่นยำมากกว่า 90%

การทำนายโปรไฟล์ระดับโมเลกุลของเนื้องอก

• องค์ประกอบทางพันธุกรรมของเนื้องอกให้เบาะแสสำคัญต่อการกำหนดพฤติกรรมในอนาคตและแนวทางการรักษาที่เหมาะสมที่สุด
• เพื่อให้ได้ข้อมูลนี้ แพทย์มะเร็งวิทยามักสั่งตรวจลำดับ DNA ของตัวอย่างเนื้องอก แต่การทำ genomic profiling อย่างละเอียดของเนื้อเยื่อมะเร็งเช่นนี้ยังไม่ได้ทำอย่างสม่ำเสมอหรือเป็นกิจวัตรทั่วโลก เนื่องจากต้นทุนและเวลา
• CHIEF ทำได้ดีกว่าวิธี AI ปัจจุบันในการทำนายการกลายพันธุ์ระดับจีโนมของเนื้องอกจากการดูสไลด์ใต้กล้องจุลทรรศน์
• แนวทาง AI ใหม่นี้ระบุลักษณะที่เกี่ยวข้องกับยีนสำคัญหลายตัวซึ่งเกี่ยวข้องกับการเติบโตและการยับยั้งมะเร็งได้สำเร็จ และทำนายการกลายพันธุ์ทางพันธุกรรมหลักที่เกี่ยวข้องกับการที่เนื้องอกอาจตอบสนองต่อการรักษามาตรฐานหลากหลายรูปแบบได้ดีเพียงใด
• CHIEF ยังตรวจพบรูปแบบ DNA เฉพาะที่เกี่ยวข้องกับการตอบสนองของเนื้องอกลำไส้ใหญ่ต่อภูมิคุ้มกันบำบัดรูปแบบหนึ่งที่เรียกว่า immune checkpoint blockade
• เมื่อดูภาพเนื้อเยื่อทั้งแผ่น CHIEF สามารถระบุการกลายพันธุ์ในยีนมะเร็งที่มักเกิดการกลายพันธุ์ 54 ยีนด้วยความแม่นยำโดยรวมมากกว่า 70% ซึ่งดีกว่าวิธี AI ล้ำสมัยปัจจุบันสำหรับการทำนายมะเร็งเชิงจีโนม โดยความแม่นยำสำหรับยีนเฉพาะในมะเร็งบางประเภทนั้นสูงยิ่งกว่า
• ทีมวิจัยยังทดสอบความสามารถของ CHIEF ในการทำนายการกลายพันธุ์ที่เกี่ยวข้องกับการตอบสนองต่อ targeted therapy ที่ FDA อนุมัติแล้ว สำหรับยีน 18 ตัวใน 15 ตำแหน่งทางกายวิภาค CHIEF มีความแม่นยำสูงในหลายชนิดมะเร็ง เช่น 96% ในการตรวจจับการกลายพันธุ์ของยีน EZH2 ซึ่งพบได้บ่อยในมะเร็งเลือดชนิด diffuse large B-cell lymphoma, 89% สำหรับการกลายพันธุ์ของยีน BRAF ในมะเร็งไทรอยด์ และ 91% สำหรับการกลายพันธุ์ของยีน NTRK1 ในมะเร็งศีรษะและคอ

การทำนายการรอดชีวิตของผู้ป่วย

• CHIEF สามารถทำนายการรอดชีวิตของผู้ป่วยได้สำเร็จโดยอิงจากภาพพยาธิวิทยาของเนื้องอกที่ได้ตั้งแต่การวินิจฉัยครั้งแรก
• ในทุกประเภทมะเร็งและทุกกลุ่มผู้ป่วยที่ศึกษา CHIEF สามารถแยกแยะผู้ป่วยที่รอดชีวิตระยะยาวออกจากผู้ป่วยที่รอดชีวิตระยะสั้นได้
• CHIEF มีประสิทธิภาพดีกว่าโมเดลอื่น 8% และในผู้ป่วยมะเร็งระยะลุกลามทำได้ดีกว่าโมเดล AI อื่น 10%
• ความสามารถของ CHIEF ในการทำนายความเสี่ยงการเสียชีวิตสูงเทียบกับต่ำ ได้รับการทดสอบและยืนยันจากตัวอย่างผู้ป่วยใน 17 สถาบันที่แตกต่างกัน

การสกัดข้อมูลเชิงลึกใหม่เกี่ยวกับพฤติกรรมของเนื้องอก

• โมเดลนี้ระบุรูปแบบลักษณะเด่นในภาพที่เกี่ยวข้องกับความก้าวร้าวของเนื้องอกและการรอดชีวิตของผู้ป่วย
• เพื่อทำให้พื้นที่ที่สนใจเหล่านี้มองเห็นได้ CHIEF ได้สร้าง heatmap บนภาพ เมื่อพยาธิแพทย์วิเคราะห์ฮอตสปอตที่ AI สร้างขึ้นเหล่านี้ พวกเขาพบสัญญาณที่น่าสนใจซึ่งสะท้อนปฏิสัมพันธ์ระหว่างเซลล์มะเร็งกับเนื้อเยื่อรอบข้าง
• หนึ่งในลักษณะดังกล่าวคือ บริเวณเนื้องอกของผู้ที่รอดชีวิตระยะยาวมีจำนวนเซลล์ภูมิคุ้มกันมากกว่าผู้ที่รอดชีวิตระยะสั้น Yu ชี้ว่าการพบเซลล์ภูมิคุ้มกันมากกว่านี้สมเหตุสมผล เพราะอาจบ่งชี้ว่าระบบภูมิคุ้มกันถูกกระตุ้นให้โจมตีเนื้องอก
• เมื่อดูเนื้องอกของผู้ที่รอดชีวิตระยะสั้น CHIEF ระบุบริเวณที่สนใจซึ่งมีลักษณะเด่น เช่น สัดส่วนขนาดที่ผิดปกติระหว่างองค์ประกอบของเซลล์ต่าง ๆ ลักษณะที่ผิดปกติมากขึ้นในนิวเคลียสของเซลล์ การเชื่อมต่อระหว่างเซลล์ที่อ่อนแอ การมีอยู่ของเนื้อเยื่อเกี่ยวพันรอบเนื้องอกลดลง และยังพบเซลล์ที่กำลังตายอยู่รอบ ๆ มากกว่า ตัวอย่างเช่น ในเนื้องอกเต้านม CHIEF ชี้ว่าการมีอยู่ของเนื้อตายภายในเนื้อเยื่อ (การตายของเซลล์ก่อนเวลา) เป็นบริเวณที่น่าสนใจ ในทางกลับกัน มะเร็งเต้านมที่มีอัตราการรอดชีวิตสูงมักคงโครงสร้างเซลล์ที่คล้ายเนื้อเยื่อปกติได้มากกว่า ทีมวิจัยอธิบายว่าลักษณะทางภาพและบริเวณที่สนใจซึ่งเกี่ยวข้องกับการรอดชีวิตแตกต่างกันไปตามชนิดของมะเร็ง

ขั้นตอนถัดไป

นักวิจัยระบุว่าพวกเขาวางแผนจะปรับปรุงประสิทธิภาพและขยายความสามารถของ CHIEF ด้วยวิธีต่อไปนี้:

• ฝึกเพิ่มเติมด้วยภาพเนื้อเยื่อของโรคหายากและภาวะที่ไม่ใช่มะเร็ง
• รวมตัวอย่างเนื้อเยื่อก่อนมะเร็งที่เซลล์ยังไม่กลายเป็นมะเร็งเต็มรูปแบบ
• ให้โมเดลได้สัมผัสกับข้อมูลระดับโมเลกุลมากขึ้นเพื่อเพิ่มความสามารถในการระบุมะเร็งที่มีระดับความก้าวร้าวต่างกัน
• ฝึกโมเดลให้ทำนายทั้งประโยชน์และผลข้างเคียงของการรักษามะเร็งแบบใหม่ นอกเหนือจากการรักษามาตรฐาน

ความเห็นของ GN⁺

• งานวิจัยนี้แสดงให้เห็นความก้าวหน้าของเทคโนโลยี AI สำหรับการวินิจฉัยมะเร็งและการวางแผนการรักษา โดยมีความหมายอย่างยิ่งในแง่ของการพัฒนาโมเดลอเนกประสงค์ที่ใช้ได้กับมะเร็งหลายชนิด
• อย่างไรก็ตาม หากจะนำไปใช้จริงในทางคลินิก จำเป็นต้องตรวจสอบยืนยันด้วยข้อมูลที่มากขึ้น และต้องหาวิธีให้แพทย์กับ AI ทำงานร่วมกันได้อย่างมีประสิทธิภาพ ยังมีประเด็นที่ต้องแก้ไข เช่น ความแม่นยำของการวินิจฉัยและปัญหาเรื่องความรับผิดชอบ
• เทคโนโลยีที่คล้ายกันมีบริษัทอย่าง Paige.AI และ Proscia ซึ่งวินิจฉัยมะเร็งผ่านการวิเคราะห์ภาพพยาธิวิทยา โดยบริษัทเหล่านี้ให้โซลูชันที่เฉพาะทางกับมะเร็งบางชนิด จึงแตกต่างจากงานวิจัยนี้ในด้านความเป็นอเนกประสงค์
• เมื่อนำเทคโนโลยีวินิจฉัยมะเร็งด้วย AI มาใช้ จำเป็นต้องมีทั้งฉันทามติทางสังคมและการปรับปรุงด้านกฎระเบียบในหลายด้าน เช่น การเปลี่ยนบทบาทของบุคลากรทางการแพทย์ การปรับปรุงกระบวนการวินิจฉัย และการปรับอัตราค่าบริการทางการแพทย์ ขณะเดียวกันก็ต้องพิจารณาความเสี่ยงทางเทคนิคและจริยธรรมอย่างรอบคอบ เช่น ปัญหาอคติของ AI และประเด็นการคุ้มครองข้อมูลส่วนบุคคล
• ในอนาคต หากมีการพัฒนาเทคโนโลยี AI ที่สามารถวิเคราะห์คุณลักษณะทางชีววิทยาระดับโมเลกุลของเนื้อเยื่อมะเร็งอย่างครอบคลุม และทำนายการตอบสนองต่อยาได้ด้วย ก็อาจมีส่วนสำคัญอย่างยิ่งต่อการทำให้การแพทย์แม่นยำเกิดขึ้นจริง