Luka Jovanović, istraživač na Univerzitetu Kolumbija: Naš naučnik otkriva kako rak može da se pobedi uz AI

Pacijent sedi ispred onkologa. Pitanje je jednostavno, ali od životne važnosti: koju terapiju da izaberemo? 

U medijima, imunoterapija zvuči kao moderno čudo medicine. U stvarnosti, ona je često rizična opklada. Neki pacijenti dožive dramatično poboljšanje. Drugi prolaze kroz mesece terapije, neželjene efekte i izgubljeno vreme, da bi na kraju saznali da lečenje nije dalo rezultat. 

Upravo tim problemom se bavi mladi srpski naučnik Luka Jovanović, istraživač mašinskog učenja i softverski inženjer na Univerzitetu Kolumbija u Njujorku: kako da veštačka inteligencija proizvede rezultate kojima lekari mogu da veruju, koje mogu da ponove i primene u stvarnim bolnicama, sa svim njihovim razlikama i ograničenjima. Njegov autorski tekst će nam pomoći da razumemo da li i kako AI može da pomogne u lečenju malignih tumora.

Skriveno usko grlo: možemo da merimo više nego što umemo da razumemo i koristimo 

Ako želite da razumete zašto AI modeli još nisu transformisali lečenje raka onako kako mnogi očekuju, počnite od nečeg jednostavnog. 

Podaci o raku su haotični. 

Ne haotični u estetskom smislu. Već haotični na način koji menja ishode lečenja. 

Podaci zavise od toga kako je uzorak tkiva uzet, obrađen, sačuvan i izmeren. Razlikuju se od bolnice do bolnice, od populacije do populacije. Menjanju se kada se promene protokoli. Čak i kada dva tima pokušavaju da mere „istu stvar“, često dobiju rezultate koji se ponašaju drugačije. 

Iz tog haosa nastaje poznat obrazac. 

Jedna grupa objavi upečatljiv rezultat. Druga pokuša da ga ponovi i ne uspe. Model izgleda sjajno na pažljivo izabranom skupu podataka, a onda potpuno podbaci kada se testira drugde. Obećavajući signal funkcioniše kod jedne grupe pacijenata, ali ne i kod sledeće. 

To nisu sitni tehnički problemi. To su simptomi dubljeg problema: veliki deo AI modela u onkologiji i dalje se gradi kao jednokratni eksperiment, a ne kao sistem koji treba pouzdano da funkcioniše u stvarnom svetu. 

U drugim industrijama ovo je očigledno. Demonstracija nije proizvod. Prototip nije infrastruktura. Nešto što radi jednom nije isto što i nešto što može stalno da se pokreće, proverava, upoređuje između centara i da mu se veruje. 

Istraživanju raka potreban je ovaj drugi pristup. 

Šta gradim: AI modele za stvarnost 

Pre nego što možete da izgradite model kome verujete, morate imati pouzdan način da haotična merenja tumora pretvorite u stabilne, uporedive signale. 

Jednostavna analogija pomaže. Možete dizajnirati najbolji autopilot na svetu, ali ako senzori šalju nepouzdane podatke, avion neće bezbedno leteti. U istraživanju raka, „senzori“ su merenja koja uzimamo iz tumora. Ona su moćna, ali bučna i nedosledna u različitim uslovima. Ako ne sredimo tu osnovu, ni najsloženiji model neće biti stabilan. 

Zato razvijam AI metode i reproduktivne softverske sisteme koji imaju tri cilja: 

Prvo, da kompleksna merenja tumora pretvore u signale koji su dovoljno stabilni da se mogu porediti između pacijenata i bolnica. 

Drugo, da proizvode rezultate koji su dovoljno razumljivi da se o njima može razgovarati i testirati ih, a ne samo prihvatiti kao misteriozan broj. 

Treće, da validiraju rezultate na različitim skupovima podataka, a ne samo na onom koji je učinio da model izgleda dobro. 

Ovaj rad je posebno važan kada pogledamo dva pitanja u kojima je lečenje raka najneizvesnije. 

Zašto imunoterapija pomaže nekima, a drugima ne? 

Imunoterapija pomaže imunom sistemu da prepozna i napadne rak. Kada deluje, deluje kao da je imuni sistem konačno jasno video neprijatelja. 

Ali tumori imaju mnogo načina da se odbrane. 

Neki se skrivaju. Neki šalju signale koji iscrpljuju imune ćelije. Neki stvaraju lokalno okruženje u kojem imuni napad postaje neefikasan. Dva pacijenta mogu dobiti istu terapiju, a imati potpuno različite ishode jer biologija u pozadini igra različite „strategije“. 

Jedan od glavnih razloga zašto je predviđanje teško jeste to što se mnogi testovi oslanjaju na mali broj pokazatelja. Nada je da jedno merenje ili jedan prag može da kaže da li će imunoterapija uspeti. 

Ponekad to važi. Često ne. 

Tumori ne funkcionišu na jedan prekidač. Oni se ponašaju kao koordinisani programi. Više signala zajedno određuje da li imune ćelije mogu da uđu u tumor, ostanu aktivne i dugoročno vrše pritisak. 

Ovde AI modeli mogu da pomognu u razotkrivanju tih misterija. 

Moj pristup podrazumeva razvoj modela koji, na osnovu pažljivo validiranih podataka pacijenata, otkrivaju koordinisane programe otpornosti i prevode ih u prediktore koji su istovremeno pouzdani i razumljivi. Cilj nije „crna kutija“ koja kaže „da“ ili „ne“. Cilj je predikcija sa biološkim objašnjenjem, nešto što se može proveriti na različitim grupama pacijenata i diskutovati u smislu toga šta blokira imuni napad. 

Ako uspemo da učinimo odgovor na imunoterapiju predvidljivijim, uticaj je jasan. 

Manje pacijenata bi gubilo dragoceno vreme na terapije koje verovatno neće pomoći. Neželjeni efekti bi se smanjili. Klinička ispitivanja bi se pametnije dizajnirala. Resursi bi se koristili efikasnije. 

Ali imunoterapija otkriva i nešto dublje. 

Mnogi najvažniji mehanizmi otpornosti ne žive unutar jedne ćelije. 

Oni žive u tkivu. 

Zašto terapija zakazuje u stvarnom tkivu i kako to možemo da vidimo? 

Tumor nije samo skup ćelija raka. On je ekosistem. 

Imune ćelije, potporne ćelije, krvni sudovi i strukture međusobno deluju. I u tom ekosistemu, prostor je ključan. Šta je pored čega je važno. Koje ćelije prave barijere je važno. Da li imune ćelije mogu da dopru do tumora je presudno. 

Dva tumora mogu izgledati slično na papiru, a ponašati se potpuno drugačije jer im je unutrašnja organizacija različita. 

Nekad su imune ćelije prisutne, ali zarobljene na ivici tumora. Nekad tumor okružuju ćelije koje potiskuju imuni odgovor baš tamo gde je najpotrebniji. Nekad je lokalno okruženje „programirano“ da sabotira napad, čak i kada imuni sistem pokušava. 

Zato je neuspeh terapije često prostorni problem. 

Mnogi standardni pristupi izravnavaju ovu sliku. Sabiju tumor u jednu prosečnu vrednost i time izbrišu mapu onoga što se zapravo dešava u tkivu. 

Moj rad ima za cilj da izgradi AI modele koji umeju da čitaju tu mapu. 

To znači modele koji kombinuju šta merimo o tumoru sa time gde se to dešava u tkivu, kako bismo otkrili lokalne obrasce interakcije povezane sa neuspehom terapije. Obećanje ovde nije samo objašnjenje. Već i akcija. 

Ako možete da identifikujete lokalne interakcije koje gase imuni odgovor, možete da formulišete testabilne hipoteze o tome šta sledeće ciljati. Možete da pređete sa pokušaja i grešaka na strategije zasnovane na tome šta tkivo zaista radi. 

Drugim rečima, možete početi da posmatrate otpornost ne kao misteriju, već kao čitljiv obrazac. 

Ključna inovacija: infrastruktura koja putuje 

Lečenje raka ne odvija se u izolovanoj laboratoriji, nad jednim skupom podataka i u idealnim uslovima. Ono se sprovodi u realnom kliničkom okruženju, u bolnicama sa različitim radnim procesima, populacijama pacijenata i sistemskim ograničenjima.

Ako AI modeli ne mogu da „putuju“ između ovih okruženja, ne mogu ni da ostvare stvarni klinički doprinos. 

Zato naglašavam infrastrukturu. Ponovljive procese. Jasnu validaciju. Alate koji mogu iznova da se pokreću i proveravaju. Rezultate koji se mogu porediti između centara. 

Zašto me ovo uzbuđuje baš sada? 

Sedimo na ogromnoj količini podataka o raku sa neverovatnim, neiskorišćenim potencijalom za dobro. Ljudski mozak ne može da obradi obrasce skrivene u tim podacima u obimu i složenosti kakvu danas merimo. Mašine mogu. 

Ovaj trenutak je jedinstven. Imamo računarsku snagu, algoritme i podatke da napravimo velike iskorake u razumevanju raka i izboru terapije. 

Ali taj napredak neće doći iz marketinške buke ili iz modela koji izgledaju impresivno u izolaciji. Doći će iz izgradnje tehnologije i infrastrukture koja se može koristiti u mnogim bolnicama i centrima, i koja zaista utiče na lečenje pacijenata.