Για δεκαετίες, η διάγνωση του καρκίνου βασιζόταν σε μεγάλο βαθμό στην αξιολόγηση της μορφολογίας του ιστού από τον παθολογοανατόμο, ο οποίος εξέταζε μια βιοψία κάτω από το μικροσκόπιο αναζητώντας χαρακτηριστικά που υποδηλώνουν κακοήθεια και τον τύπο του όγκου. Το 2026, ένα νέο κεφάλαιο έχει ανοίξει: μοντέλα τεχνητής νοημοσύνης είναι πλέον σε θέση να «διαβάζουν» μια απλή, ρουτίνας εικόνα ιστού και να εξάγουν από αυτήν πληροφορίες που συνδέονται με μοριακά και προγνωστικά χαρακτηριστικά του όγκου —μια εξέλιξη που μπορεί να αλλάξει τον τρόπο με τον οποίο κατανοούμε, διαγιγνώσκουμε και μελλοντικά αντιμετωπίζουμε τη νόσο.
Από την εικόνα στο γονίδιο
Η πιο εντυπωσιακή εξέλιξη των τελευταίων ετών είναι η ικανότητα βαθιών νευρωνικών δικτύων να συνάγουν συγκεκριμένα μοριακά χαρακτηριστικά ενός όγκου —όπως ορισμένες γενετικές μεταλλάξεις ή τον συνολικό μεταλλακτικό φόρτο— απευθείας από τυπικές, χρωματισμένες με αιματοξυλίνη-ηωσίνη ιστολογικές πλάκες, τις ίδιες εικόνες δηλαδή που εξετάζει καθημερινά ένας παθολογοανατόμος. Η προσέγγιση αυτή έχει αποκτήσει και ένα εύστοχο όνομα: «ψηφιακή βιοψία». Πρακτικά, σημαίνει ότι μια ψηφιοποιημένη εικόνα ιστού, η οποία ήδη παρέχει στον γιατρό πλήθος μορφολογικών πληροφοριών, μπορεί να αποκαλύψει και πρόσθετα μορφολογικά μοτίβα που συνδέονται με συγκεκριμένες μοριακές αλλαγές, χωρίς αυτό να σημαίνει ότι αντικαθιστά τις καθιερωμένες μοριακές εξετάσεις.
Πρόσφατη μελέτη που δημοσιεύτηκε στο American Journal of Pathology παρουσίασε ένα μοντέλο ικανό να αναλύει μια συνήθη εικόνα ιστολογικής πλάκας ολόκληρου δείγματος και να προβλέπει ταυτόχρονα τον τύπο του καρκίνου, συγκεκριμένα μοριακά χαρακτηριστικά και προγνωστικούς δείκτες σε 32 διαφορετικούς τύπους συμπαγών όγκων. Σε ανεξάρτητη επικύρωση, το μοντέλο πέτυχε AUROC 0,766 για την πρόβλεψη μετάλλαξης του TP53. Πρόκειται για εντυπωσιακό ερευνητικό αποτέλεσμα, όχι όμως για αντικατάσταση των μοριακών εξετάσεων στην κλινική πράξη.
Τα «θεμελιώδη μοντέλα» της ογκολογίας
Η νέα γενιά συστημάτων που κινεί αυτή την αλλαγή ονομάζεται «θεμελιώδη μοντέλα» (foundation models): συστήματα τεχνητής νοημοσύνης εκπαιδευμένα σε τεράστιους όγκους δεδομένων, τα οποία στη συνέχεια μπορούν να προσαρμοστούν σε πολλαπλές, διαφορετικές εφαρμογές. Μοντέλα όπως το CHIEF έχουν δείξει ικανότητα γενίκευσης σε πολλούς τύπους καρκίνου και σε διαφορετικά νοσοκομεία, ενώ άλλα, όπως το UNI και το Phikon, μαθαίνουν να αναγνωρίζουν μοτίβα σε ιστολογικές εικόνες μέσω αυτοεποπτευόμενης μάθησης, μειώνοντας έτσι σημαντικά την ανάγκη για χειροκίνητα επισημειωμένα δεδομένα εκπαίδευσης. Το μοντέλο Virchow, από την πλευρά του, έχει επιδείξει αξιοσημείωτη ικανότητα ανίχνευσης σπάνιων μορφών καρκίνου σε πολλαπλούς ιστούς, σε ερευνητικές αξιολογήσεις.
Ακόμη πιο φιλόδοξα είναι τα πολυτροπικά μοντέλα, τα οποία δεν «διαβάζουν» μόνο εικόνες αλλά συνδυάζουν οπτική πληροφορία με κείμενο και κλινικά δεδομένα. Το MUSK, για παράδειγμα, έχει εκπαιδευτεί σε δεκάδες εκατομμύρια ιστολογικές εικόνες και μεγάλο όγκο ογκολογικού κειμένου, ενώ το Apollo, ένα πολυτροπικό και χρονικά ενήμερο μοντέλο που παρουσιάστηκε το 2026, στοχεύει στη δημιουργία μιας «ψηφιακής αναπαράστασης» του ασθενούς, ενσωματώνοντας δεδομένα από πολλαπλές πηγές και χρονικές στιγμές για πρόβλεψη κινδύνου, εξέλιξης της νόσου και ανταπόκρισης στη θεραπεία.
Πέρα από τη διάγνωση: πρόγνωση και θεραπεία
Η ικανότητα της τεχνητής νοημοσύνης να «διαβάζει» τον καρκίνο σε μοριακό επίπεδο δεν σταματά στη διάγνωση. Νέα θεμελιώδη μοντέλα προσπαθούν να μεταφράσουν τη γονιδιωματική πληροφορία ενός όγκου σε συμπαγείς, χαρτογραφικές αναπαραστάσεις —παρόμοιες με τις γνωστές οπτικοποιήσεις UMAP στη βιολογία— τοποθετώντας όγκους με παρόμοια μοριακά χαρακτηριστικά κοντά μεταξύ τους. Αυτό μπορεί να επιτρέψει στους ερευνητές να διερευνήσουν πώς θα μπορούσε να ανταποκριθεί ένας συγκεκριμένος όγκος σε μια θεραπεία, με βάση τη μοριακή του «γειτονιά».
Παράλληλα, μοντέλα όπως το X-Cell εκπαιδεύονται σε δεκάδες εκατομμύρια μεταγραφώματα μεμονωμένων κυττάρων υπό διαφορετικές πειραματικές συνθήκες, με στόχο να προβλέψουν πώς αλλάζει η γονιδιακή έκφραση όταν ένα κύτταρο διαταράσσεται —γνώση κρίσιμη για την ανάπτυξη νέων φαρμάκων. Η σχετική προδημοσίευση περιγράφει ένα σύνολο δεδομένων 25,6 εκατομμυρίων διαταραγμένων single-cell transcriptomes και ένα μοντέλο diffusion language model για την πρόβλεψη των συνεπειών γενετικών παρεμβάσεων.
Σε ανάλογη κατεύθυνση κινούνται και εργαλεία τεχνητής νοημοσύνης που αναλύουν δεδομένα από κλινικές δοκιμές αντισωματικών φαρμακευτικών συζευγμάτων (ADC), με στόχο την πρόβλεψη αποτελεσματικότητας, τοξικότητας και βιοδεικτών και την επιτάχυνση του σχεδιασμού εξατομικευμένων θεραπειών.
Γιατί έχει σημασία τώρα
Η ώθηση προς αυτές τις τεχνολογίες δεν είναι μόνο επιστημονική περιέργεια· απαντά σε μια πολύ πρακτική κρίση. Παγκοσμίως, ο αριθμός των νέων περιστατικών καρκίνου αναμένεται να αυξηθεί κατά περίπου 77% έως το 2050, ενώ ταυτόχρονα πολλά συστήματα υγείας αντιμετωπίζουν σοβαρή έλλειψη ειδικευμένου προσωπικού παθολογοανατομίας. Σε μια τέτοια συγκυρία, ένα εργαλείο που μπορεί να εξάγει πρόσθετη μοριακά σχετιζόμενη πληροφορία απευθείας από μια ρουτίνας εικόνα ιστού έχει τη δυνατότητα, εφόσον επικυρωθεί κλινικά, να μειώσει τον χρόνο αναμονής και να διευκολύνει την πρόσβαση σε πιο σύνθετη διαγνωστική πληροφορία, ακόμη και σε περιοχές με περιορισμένους πόρους.
Οι προκλήσεις που παραμένουν
Παρά τον ενθουσιασμό, οι ειδικοί επισημαίνουν σημαντικούς περιορισμούς. Τα περισσότερα μοντέλα εξακολουθούν να βασίζονται σε εικόνες χρωματισμένες με τη συμβατική μέθοδο αιματοξυλίνης-ηωσίνης, ενώ η ενσωμάτωση πιο σύνθετων, πολυπλεγμένων ιστολογικών τεχνικών παραμένει ενεργό πεδίο έρευνας. Λείπουν επίσης συχνά δεδομένα που καταγράφουν την εξέλιξη ενός ασθενούς με την πάροδο του χρόνου, ενώ η προέλευση των δεδομένων εκπαίδευσης από συγκεκριμένα νοσοκομεία ή πληθυσμούς μπορεί να περιορίσει τη γενικευσιμότητα των αποτελεσμάτων σε διαφορετικά περιβάλλοντα. Η ενσωμάτωση γονιδιωματικών και μεταγραφωματικών επιπέδων πληροφορίας, καθώς και η βελτίωση της διαφάνειας στον τρόπο με τον οποίο τα μοντέλα καταλήγουν στα συμπεράσματά τους, θεωρούνται προτεραιότητες για την επόμενη φάση ανάπτυξης.
Οι ερευνητές τονίζουν επίσης ότι ο στόχος δεν είναι η αντικατάσταση του παθολογοανατόμου, αλλά η δημιουργία ενός «συνεργάτη» τεχνητής νοημοσύνης —κάποιοι το αποκαλούν ήδη «συγκυβερνήτη»— που θα επιταχύνει τη ροή εργασίας, θα επισημαίνει ύποπτες περιπτώσεις για προτεραιοποίηση και θα αφήνει την τελική κρίση στον άνθρωπο ειδικό.
Σημαντικό: οι περισσότερες από τις τεχνολογίες που περιγράφονται βρίσκονται ακόμη σε ερευνητικό στάδιο και δεν αντικαθιστούν σήμερα τις καθιερωμένες μοριακές εξετάσεις ή την κλινική κρίση του παθολογοανατόμου.
Το μέλλον: από παθητικά εργαλεία σε ενεργούς συνεργάτες
Η επόμενη φάση αυτής της εξέλιξης φαίνεται να είναι η μετάβαση από απλά εργαλεία πρόβλεψης σε πιο αυτόνομα συστήματα τεχνητής νοημοσύνης, ικανά να σχεδιάζουν, να εκτελούν και να επαναλαμβάνουν σύνθετες ερευνητικές εργασίες —μια μετατόπιση που ορισμένοι ειδικοί περιγράφουν ως πέρασμα «από θεμελιώδη μοντέλα σε τεχνητούς επιστήμονες». Αν αυτή η κατεύθυνση επαληθευτεί, η τεχνητή νοημοσύνη δεν θα «διαβάζει» απλώς τον καρκίνο σε μοριακό επίπεδο· θα μπορούσε να συμμετέχει ενεργά στην ανακάλυψη νέων βιοδεικτών, στον σχεδιασμό στοχευμένων θεραπειών και, τελικά, στη διαμόρφωση του τρόπου με τον οποίο η ιατρική του μέλλοντος θα κατανοεί τη νόσο.
Δείτε και το παρακάτω ρεπορταζ του NBC news
