اگر تا به حال اسکن PET انجام داده باشید، می‌دانید که چه دردسری دارد. این اسکن‌ها به پزشکان کمک می‌کنند تا سرطان را تشخیص داده و گسترش آن را ردیابی کنند، اما خودِ این فرآیند برای بیماران یک کابوس لجستیکی است.
این کابوس با ناشتا بودن به مدت چهار تا شش ساعت قبل از مراجعه به بیمارستان شروع می‌شود – و اگر در مناطق روستایی زندگی می‌کنید و بیمارستان محلی شما دستگاه PET اسکن ندارد، خدا به شما صبر بدهد. وقتی به بیمارستان می‌رسید، ماده رادیواکتیو به شما تزریق می‌شود، و پس از آن باید یک ساعت صبر کنید تا در بدن شما پخش شود. بعد، وارد دستگاه PET اسکن می‌شوید و باید سعی کنید به مدت 30 دقیقه بی‌حرکت دراز بکشید تا رادیولوژیست‌ها تصویر را ثبت کنند. پس از آن، باید تا 12 ساعت از افراد مسن، جوان و زنان باردار دور بمانید، زیرا به معنای واقعی کلمه نیمه‌رادیواکتیو هستید.
یک گلوگاه دیگر؟ دستگاه‌های PET اسکن در شهرهای بزرگ متمرکز هستند، زیرا ردیاب‌های رادیواکتیو آنها باید در سیکلوترون‌های نزدیک – ماشین‌های هسته‌ای کوچک – تولید شده و ظرف چند ساعت استفاده شوند، که دسترسی به آنها را در بیمارستان‌های روستایی و منطقه‌ای محدود می‌کند.
اما چه می‌شد اگر می‌توانستید از هوش مصنوعی برای تبدیل اسکن‌های CT، که بسیار در دسترس‌تر و مقرون به صرفه‌تر هستند، به اسکن PET استفاده کنید؟ این ایده اصلی RADiCAIT، یک شرکت نوپای برخاسته از دانشگاه آکسفورد است که در آبان ماه 1404 با 1.7 میلیون دلار بودجه اولیه از حالت پنهان خارج شد. این استارتاپ مستقر در بوستون، که در بین 20 فینالیست برتر Startup Battlefield در TechCrunch Disrupt 2025 قرار دارد، به تازگی یک دور جذب سرمایه 5 میلیون دلاری را برای پیشبرد آزمایشات بالینی خود آغاز کرده است.
شان والش، مدیرعامل RADiCAIT، به خبرنگار گفت: «کاری که ما واقعاً انجام می‌دهیم این است که محدودترین، پیچیده‌ترین و پرهزینه‌ترین راهکار تصویربرداری پزشکی در رادیولوژی را گرفتیم و آن را با در دسترس‌ترین، ساده‌ترین و مقرون به صرفه‌ترین راهکار، یعنی CT، جایگزین کردیم.»
راز موفقیت RADiCAIT در مدل بنیادی آن نهفته است – یک شبکه عصبی عمیق مولد که در سال 1400 در دانشگاه آکسفورد توسط تیمی به رهبری رجنت لی، یکی از بنیانگذاران و مدیر ارشد اطلاع‌رسانی پزشکی این استارتاپ، اختراع شد.
این مدل با مقایسه اسکن‌های CT و PET، نقشه‌برداری از آنها و انتخاب الگوهایی در نحوه ارتباط آنها با یکدیگر، یاد می‌گیرد. سینا شاهنده، مدیر ارشد فناوری RADiCAIT، آن را به عنوان اتصال “پدیده‌های فیزیکی متمایز” با ترجمه ساختار تشریحی به عملکرد فیزیولوژیکی توصیف می‌کند. سپس مدل هدایت می‌شود تا توجه بیشتری به ویژگی‌ها یا جنبه‌های خاص اسکن‌ها، مانند انواع خاصی از بافت یا ناهنجاری‌ها، داشته باشد. این یادگیری متمرکز بارها و بارها با مثال‌های مختلف تکرار می‌شود، بنابراین مدل می‌تواند تشخیص دهد که کدام الگوها از نظر بالینی مهم هستند.
تصویر نهایی که برای بررسی به پزشکان ارائه می‌شود، با ترکیب چندین مدل که با هم کار می‌کنند، ایجاد می‌شود. شاهنده این رویکرد را با AlphaFold گوگل DeepMind، هوش مصنوعی که انقلابی در پیش‌بینی ساختار پروتئین ایجاد کرد، مقایسه می‌کند: هر دو سیستم یاد می‌گیرند که یک نوع اطلاعات بیولوژیکی را به نوع دیگری تبدیل کنند.
والش ادعا می‌کند که تیم RADiCAIT می‌تواند از نظر ریاضی ثابت کند که تصاویر PET مصنوعی یا تولید شده آنها از نظر آماری مشابه اسکن‌های واقعی PET شیمیایی هستند.
او گفت: «این همان چیزی است که آزمایشات ما نشان می‌دهد، اینکه وقتی پزشک، رادیولوژیست یا متخصص سرطان‌شناسی یک PET شیمیایی یا [PET تولید شده توسط هوش مصنوعی ما] را دریافت می‌کند، همان کیفیت تصمیم‌گیری حاصل می‌شود.»
RADiCAIT قول نمی‌دهد که نیاز به اسکن PET را در تنظیمات درمانی خاص، مانند درمان رادیولیگاند، که سلول‌های سرطانی را از بین می‌برد، برطرف کند. اما برای اهداف تشخیصی، مرحله‌بندی و نظارت، فناوری RADiCAIT ممکن است اسکن PET را منسوخ کند.
والش با اشاره به رویکرد پزشکی که تصویربرداری تشخیصی (یعنی اسکن PET) را با درمان هدفمند برای درمان بیماری‌ها (یعنی سرطان) ترکیب می‌کند، گفت: «از آنجایی که این یک سیستم بسیار محدود است، عرضه کافی برای تامین تقاضا برای تشخیص و درمان وجود ندارد. بنابراین کاری که ما به دنبال انجام آن هستیم این است که آن تقاضا را در سمت تشخیص جذب کنیم. خود اسکنرهای PET باید کمبود را در سمت درمان جبران کنند.»
RADiCAIT قبلاً آزمایشات بالینی را به طور خاص برای آزمایش سرطان ریه با سیستم‌های بهداشتی بزرگ مانند Mass General Brigham و UCSF Health آغاز کرده است. این استارتاپ اکنون در حال پیگیری یک آزمایش بالینی FDA است – فرآیندی پرهزینه‌تر و پیچیده‌تر که باعث افزایش دور سرمایه 5 میلیون دلاری RADiCAIT شده است. پس از تایید آن، گام بعدی انجام آزمایشات تجاری و نشان دادن жизнеспособность تجاری محصول خواهد بود. RADiCAIT همچنین می‌خواهد همین فرآیند – آزمایشات بالینی، آزمایشات بالینی، آزمایشات تجاری – را برای موارد استفاده سرطان روده بزرگ و لنفوم انجام دهد.
شاهنده گفت که رویکرد RADiCAIT در استفاده از هوش مصنوعی برای به دست آوردن بینش‌های معتبر بدون بار آزمایش‌های دشوار و پرهزینه، “به طور گسترده قابل استفاده است.”
شاهنده افزود: «ما در حال بررسی توسعه در سراسر رادیولوژی هستیم. انتظار داشته باشید که نوآوری‌های مشابهی را ببینید که حوزه‌هایی از علم مواد تا زیست‌شناسی، شیمی و فیزیک را به هم مرتبط می‌کنند، هر جا که روابط پنهان طبیعت قابل یادگیری باشد.»
