Sztuczna inteligencja w diagnostyce szpiczaka mnogiego – rola narzędzia CORAL
Dr n. med. C. Ola Landgren, M.D., Ph.D., został laureatem prestiżowej Nagrody Innowacyjnej HealthTree Foundation 2025 za opracowanie CORAL – nowego narzędzia badawczego wykorzystującego sztuczną inteligencję do przewidywania indywidualnych wyników leczenia oraz wspierania decyzji terapeutycznych u pacjentów ze szpiczakiem mnogim.
CORAL wykorzystuje techniki głębokiego uczenia do analizy standardowych preparatów biopsji szpiku kostnego, traktując je jak „strony książki”. System identyfikuje wzorce w strukturze nowotworu, umożliwiając precyzyjne przewidywanie podtypów genetycznych oraz rokowania pacjentów, z pominięciem kosztownych i czasochłonnych badań genomowych.
Dr Landgren, dyrektor Sylvester Myeloma Institute działającego w ramach Sylvester Comprehensive Cancer Center, należącego do University of Miami Miller School of Medicine, odebrał nagrodę podczas dorocznej konferencji American Society of Hematology 2025, która odbyła się w Orlando.
„Pod kierownictwem dr. Landgrena Sylvester Myeloma Institute rozwija nowe strategie lepszego definiowania podtypów szpiczaka mnogiego, co ułatwi wdrażanie bardziej zindywidualizowanych podejść terapeutycznych i przybliży medycynę precyzyjną w tej dziedzinie. Przełoży się to na optymalizację wyników klinicznych u poszczególnych pacjentów ze szpiczakiem mnogim” – podkreśliła Jenny Ahlstrom, założycielka i dyrektor generalna HealthTree Foundation, organizacji wspierającej edukację, społeczność pacjentów oraz badania naukowe w obszarze nowotworów krwi.
Skalowalność technologii CORAL sprawia, że może ona znaleźć zastosowanie także w innych nowotworach, otwierając drogę do bardziej spersonalizowanej, szybszej i szerzej dostępnej opieki onkologicznej w przyszłości.
„Naszym celem było usunięcie barier w dostępie do opieki precyzyjnej” – zaznaczył Landgren. „Zespół badań obliczeniowych pracujący nad CORAL, kierowany przez głównego naukowca Arjuna Raj Rajannę, przez ostatnie dwa–trzy lata pracował niemal bez przerwy, w ścisłej współpracy ze mną. Dzięki wykorzystaniu sztucznej inteligencji do interpretacji standardowych obrazów biopsyjnych możemy dostarczać kluczowe informacje w czasie rzeczywistym, bez konieczności oczekiwania na złożone badania genomowe”.
Model CORAL przeanalizował preparaty histopatologiczne pochodzące od ponad 1400 uczestników z trzech kontynentów. System nauczył się rozpoznawać siedem głównych grup genetycznych z dokładnością porównywalną do tradycyjnych testów laboratoryjnych. Następnie algorytm poszedł krok dalej, identyfikując 12 odrębnych klastrów choroby, z których każdy charakteryzował się unikalną architekturą i zachowaniem biologicznym.
„Te klastry mówią nam znacznie więcej niż tylko to, jakie mutacje są obecne” – wyjaśnił Landgren. „Ujawniają sposób, w jaki choroba się rozwija i odpowiada na leczenie, co ma kluczowe znaczenie dla personalizacji terapii”.
Klasyczne testy genomowe wymagają znacznych nakładów czasu i zasobów, których często brakuje w wielu szpitalach oraz poradniach ambulatoryjnych.
„Potencjał naukowy tego badania jest ogromny, ponieważ umożliwia szczegółową przestrzenną charakterystykę komórek nowotworowych oraz komórek układu odpornościowego gospodarza w pojedynczych próbkach” – dodała Ahlstrom. „Co więcej, obrazowanie preparatów histologicznych jest relatywnie tanie i powszechnie dostępne, dzięki czemu podejście to może być szeroko stosowane także w mniejszych ośrodkach oraz w krajach rozwijających się”.
Źródło: Sylvester Comprehensive Cancer Center
