تصور کنید بتوان بدون نیاز به جراحی‌های تکراری یا نمونه‌برداری‌های دردناک، دقیقاً بدانید احتمال بازگشت سرطان سینه در ۱۰ سال آینده چقدر است. این رویای پزشکی اکنون با تایید یک ابزار جدید به واقعیت نزدیک‌تر شده است.
در ۱۵ اکتبر ۲۰۲۶، شرکت SimBioSys اعلام کرد که سازمان غذا و داروی آمریکا (FDA) مجوز ۵۱۰(k) را برای نرم‌افزار TumorSight Risk صادر کرده است. این ابزار یک دستگاه نرم‌افزاری است که برای تخمین ریسک بازگشت بیماری در بازه‌های زمانی ۵ و ۱۰ ساله طراحی شده است.
پیش‌بینی بازگشت سرطان معمولاً نیازمند بیوپسی‌های تهاجمی بافت یا آزمایش‌های ژنومیک گران‌قیمت است. رویکرد جدید SimBioSys بار این بررسی را به تصویربرداری منتقل می‌کند؛ یعنی استفاده از داده‌هایی که در جریان مراقبت‌های روتین بیمار ثبت شده‌اند. این سامانه به‌طور خاص زنان بزرگسالی را هدف قرار می‌دهد که سرطان سینه مرحله I تا IIIA (مثبت برای گیرنده هورمون و منفی برای HER2) دارند. شرکت SimBioSys اشاره می‌کند که این زیرگروه خاص، تقریباً ۷۵ درصد از کل موارد سرطان سینه در ایالات متحده را شامل می‌شود.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی کاربردهای پزشکی هوش مصنوعی زاینده (Generative AI) اشاره کردیم، انتقال از تشخیص بصری به تحلیل‌های پیش‌بینانه، نقطه عطف جدیدی در درمان‌های شخصی‌سازی‌شده است. این روند تکامل در تشخیص‌های تصویر-محور، مشابه رویکرد مدل Damo Radar علی‌بابا در شناسایی بیماری‌های شکمی از روی سی‌تی‌اسکن است که دقت تشخیص‌های رادیولوژیک را به شدت افزایش داده است.
زمینه و چارچوب رگولاتوری
بر اساس مستندات رسمی، نامه تاییدیه FDA در تاریخ ۲۵ سپتامبر ۲۰۲۶ صادر شده است. این تاییدیه پس از دریافت اعلان پیش از عرضه (premarket notification) در تاریخ ۵ ژانویه ۲۰۲۶ صادر شد. این دستگاه در دسته «دستگاه‌های تجویز پزشک کلاس II» تحت کد محصول SHW قرار می‌گیرد. این کد مربوط به دستگاه‌های الگوریتم نرم‌افزاری است که تصاویر دیجیتال را برای پیش‌آگهی سرطان تحلیل می‌کنند.
برای دستیابی به این مجوز، FDA تعیین کرد که این دستگاه با یک محصول مشابه که پیش‌تر به طور قانونی در بازار عرضه شده بود، یعنی ArteraAI Breast متعلق به شرکت Artera Inc، معادل است. در حالی که محصول مشابه (predicate) تصاویر اسکن شده‌ی کل‌لایه بافت‌شناسی (histopathology whole-slide images) را برای تخمین ریسک متاستاز دوردست تحلیل می‌کند، TumorSight Risk از داده‌های MRI استفاده می‌کند. FDA بر اساس ویژگی‌های تکنولوژیک مشترک و کاربرد مورد نظر مشابه، این معادل‌سازی را پذیرفت.
این سامانه در قالب یک خط لوله (pipeline) دو مرحله‌ای عمل می‌کند. در مرحله اول، تصاویر MRI دینامیک با کنتراست تقویت‌شده (DCE-MRI) بیمار که پیش از درمان و طبق دستورالعمل‌های کالج رادیولوژی آمریکا (ACR) تهیه شده است، توسط TumorSight Viz پردازش می‌شود تا یک نقشه قطعه‌بندی چند-بافتی (multi-tissue segmentation map) ایجاد شود. سپس این نقشه به مدل TumorSight Risk تزریق می‌شود. این مدل، مقادیر تصویربرداری را با سن، نژاد، مرحله تومور، مرحله درگیری گره‌های لنفاوی و درجه بافت‌شناسی (histologic grade) بیمار ترکیب کرده و از یک مدل یادگیری ماشین مبتنی بر رگرسیون برای محاسبه ریسک استفاده می‌کند.
جزئیات فنی و سیستم امتیازدهی
این پلتفرم ابری با استفاده از مدل‌سازی فضایی اختصاصی هوش مصنوعی (Spatial AI)، ویژگی‌های تومور، بافت‌های اطراف و عوامل بالینی را تحلیل می‌کند. خروجی این سیستم یک امتیاز اختصاصی بین ۰ تا ۱۰۰ است که به سه دسته ریسک ترجمه می‌شود:
- ریسک بالا: امتیاز بالای ۳۵
- ریسک متوسط: امتیاز بین ۲۰ تا ۳۵
- ریسک پایین: امتیاز ۲۰ یا کمتر
یک نکته فنی مهم این است که وضعیت گیرنده‌های هورمونی و HER2 تنها برای تایید این موضوع که آیا بیمار واجد شرایط استفاده از این ابزار هست یا خیر به کار می‌روند؛ این موارد ورودی‌های مستقیم الگوریتم نیستند. گزارش نهایی شامل امتیاز، دسته ریسک و ریسک‌های بازگشت مشاهده شده است که از مجموعه داده‌های اعتبارسنجی بالینی استخراج شده‌اند.
سخت‌افزار و توسعه
در مورد سازگاری سخت‌افزاری، این دستگاه برای استفاده با اسکنرهای MRI شرکت GE (مدل‌های ۱.۵ و ۳ تسلا) و شرکت Siemens (مدل‌های ۱.۵ و ۳ تسلا) تایید شده است. الگوریتم مذکور بر روی ۱,۱۳۳ نمونه از ۶ مرکز توزیع شده در مناطق مختلف آمریکا آموزش دیده و تنظیم شده است. از نظر گردش کار (Workflow)، این نرم‌افزار به هیچ رویه اضافی، ارسال نمونه بافت یا سخت‌افزار تخصصی نیاز ندارد و نتایج را در چارچوب روتین بالینی در دسترس قرار می‌دهد.
اعتبارسنجی و عملکرد
برای اثبات کارایی، شرکت یک مطالعه چند-مرکزی روی ۲,۱۲۹ بیمار در مراکز معتبری چون Mayo Clinic، دانشگاه اموری، پزشکی استنفورد و Mercy Medical Cedar Rapids انجام داد. جمعیت مورد مطالعه بین ۱ ژانویه ۲۰۱۰ تا ۳۱ دسامبر ۲۰۲۴ تشخیص داده شده بودند. نتایج این پژوهش که در نشست سالانه ASCO ۲۰۲۶ ارائه شد، نشان داد بیمارانی که در گروه «ریسک بالا» بودند، ۳.۳ برابر بیشتر از گروه «ریسک پایین» با بازگشت سرطان مواجه شدند.
به نقل از گزارش‌های شرکت، هر ۱۰ امتیاز افزایش در نمره مدل، با ۲۲ درصد افزایش در ریسک نسبی بازگشت بیماری همراه است. ریسک بازگشت ۵ ساله برای پایین‌ترین نمرات (۰ تا ۱۰) حدود ۲.۲ درصد و برای بالاترین نمرات (۵۸ تا ۱۰۰) حدود ۱۳.۶ درصد تخمین زده شده است. در بازه ۱۰ ساله، این اعداد به ترتیب از ۶.۲ درصد تا ۳۴.۲ درصد متغیر است. این امتیاز حتی پس از تعدیل متغیرهایی چون سن، نژاد، نوع درمان، مرحله پاتولوژیک تومور/گره و درجه بافت، همچنان ارتباط معناداری با بقای بدون بازگشت بیماری (p=0.002) داشت.
داده‌های خلاصه FDA نشان می‌دهد که «ارزش پیش‌بینی منفی» (NPV) این ابزار برای ۵ سال ۹۷.۰ درصد و برای ۱۰ سال ۹۱.۴ درصد است. به زبان ساده، این ابزار در شناسایی بیمارانی که ریسک بازگشت ندارند، فوق‌العاده دقیق است. اما «ارزش پیش‌بینی مثبت» (PPV) پایین‌تر است؛ به طوری که برای ۵ سال ۹.۸ درصد و برای ۱۰ سال ۲۶.۴ درصد است.
دقت و عوامل انسانی
تحلیل دقیق‌تر ریسک بازگشت بر اساس دسته‌ها نشان می‌دهد:
- بیماران ریسک پایین: ۳.۰٪ (۵ ساله) و ۸.۶٪ (۱۰ ساله)
- بیماران ریسک متوسط: ۵.۷٪ (۵ ساله) و ۱۳.۴٪ (۱۰ ساله)
- بیماران ریسک بالا: ۹.۸٪ (۵ ساله) و ۲۶.۴٪ (۱۰ ساله)
در تست‌های دقت (Precision Testing)، بررسی ۱۲۰ تصویر بیمار در چهار ترکیب اسکنر تایید شده، نشان داد که نرخ تطابق نتایج در اجراهای تکراری ۹۹.۴ درصد است، حتی زمانی که ۳ درصد نویز مصنوعی به تصاویر اضافه شد. همچنین یک مطالعه عوامل انسانی (Human Factors) با مشارکت ۳۰ پزشک و کادر پشتیبانی بالینی تایید کرد که تمام وظایف حیاتی در محیط نرم‌افزار با موفقیت انجام می‌شود.
این تحول، تغییر رویکرد از «تصویرسازی جراحی» به «هوش پیش‌بینانه» است. متیو گوتز از Mayo Clinic معتقد است این ارزیابی‌های مشتق شده از MRI، اطلاعات پیش‌آگهی را ارائه می‌دهند که فراتر از فاکتورهای استاندارد کلینیکوپاتولوژیک است. استیسی استیونز، مدیرعامل SimBioSys نیز این مجوز را «لحظه‌ای تعیین‌کننده برای مراقبت‌های دقیق در سرطان سینه» توصیف کرد و افزود که این ابزار به پزشکان اجازه می‌دهد از اطلاعات غنی بیولوژیکی و فضایی که پیش‌تر در MRIها ثبت شده بود، برای بینشی شخصی‌سازی شده استفاده کنند.
برای بیمار، این به معنای یک برنامه مراقبتی شخصی‌تر بدون نیاز به رویه‌های اضافی یا ارسال نمونه بافت است. این ابزار به عنوان مکمل آزمایش‌های ژنومیک موجود عمل می‌کند و پتانسیل این را دارد که داده‌های حیاتی ریسک را در مراحل ابتدایی‌تر مسیر درمان فراهم کند. این تسریع در دسترسی به داده‌های حیاتی، یادآور بهره‌وری پلتفرم Target Atlas در کاهش زمان پژوهش اهداف دارویی است که فرآیندهای زمان‌بر را به روزهای معدود تبدیل کرد.
با این حال، باید توجه داشت که به دلیل PPV پایین، این ابزار بیشتر به عنوان یک «فیلتر غربالگری» کاربرد دارد تا یک تشخیص قطعی. این سامانه به پزشک می‌گوید چه کسی نیاز به نظارت شدیدتر دارد، اما برای هر بیمار با امتیاز بالا، بازگشت سرطان را تضمین نمی‌کند.
باید رصد کرد که این رویکرد تصویر-محور چگونه بر پذیرش سایر ابزارهای پیش‌بینانه هوش مصنوعی در انکولوژی اثر می‌گذارد و آیا می‌تواند اتکا به آزمایش‌های تهاجمی ژنومیک را در مراقبت‌های سرطان مراحل اولیه کاهش دهد یا خیر.
گام بعدی شما
- پزشکان متخصص رادیولوژی و انکولوژی باید بر روی ادغام نتایج MRI با مدل‌های پیش‌بینانه تمرکز کنند.
- دنبال کنید که آیا این رویکرد تصویر-محور، نیاز به بیوپسی‌های تهاجمی را در مراحل اولیه درمان کاهش می‌دهد یا خیر.
- بررسی کنید که چه زمانی این ابزار در بازارهای خارج از آمریکا در دسترس قرار می‌گیرد.
اما اثر این مدل بر کاهش هزینه‌های درمان در سیستم‌های بهداشت عمومی حتی حیاتی‌تر است — به تحلیل ما درباره اقتصاد سلامت و هوش مصنوعی مراجعه کنید.
گفتگو