علوم داده و یادگیری ماشین چه نقشی در مبارزه با سرطان دارند؟

پیچیدگی درمان سرطان، چندین دهه است که محققین را کلافه کرده و اگرچه پیشرفت های خوبی را شاهد بودیم، اما هنوز مبارزه با این بیماری به سختی پیش می رود، و سرطان به عنوان یکی از علل اصلی مرگ و میر در سرتاسر جهان شناخته می شود.

در عصر حاضر، دانشمندان به نیروی کمکی ارزشمندی در این نبرد دست یافته اند که به شیوه های مختلف در رفع پیچیدگی نبرد مورد بحث ایفای نقش می کند: ماشین های هوشمند. تکنیک های مورد استفاده در حوزه یادگیری ماشینی و هوش مصنوعی می توانند حل معمای بزرگ سرطان را تسهیل نمایند.

اما در این میان نکته مهمی نیز وجود دارد. حتی با این روش های جدید نیز به تنهایی نمی توان سرطان را درمان یا ریشه کن ساخت، مگر اینکه به داده های بیشتری دسترسی داشته باشیم؛ اما بسیاری از مجموعه داده ها از جمله سوابق پزشکی، آزمایش های ژنتیکی و ماموگرافی، از دسترس بهترین مغزهای علمی و پیشرفته ترین الگوریتم های یادگیری خارج هستند.

خبر خوب اینکه در حال حاضر، کلان داده در تحقیقات سرطان به جایگاه تعیین کننده ای رسیده، و تحقیقات متعددی در بخش های دولتی و خصوصی در مقیاس وسیع برای توالی یابی ژنتیکی آغاز شده است. در این میان می توان به برنامه Million Veteran Program در ایالات متحده؛ پروژه یکصد هزار ژنوم در انگلستان، و طرح اطلس ژنوم سرطان در مؤسسه ملی سلامت آمریکا برای نگهداری داده های مربوط به بیش از 11 هزار بیمار اشاره کرد.

اطلاعات موجود در تمامی این مراکز به صورت رایگان در دسترس محققین سرتاسر جهان قرار دارد، و تجزیه و تحلیل آنها بر بستر کلاود صورت می گیرد. طبق تحقیقی جدید، پیش بینی می شود تا سال 2025 بیش از 2 میلیارد ژنوم انسان به طور کامل توالی یابی گردند.

روندهای دیگری نیز وجود دارند که داده های تازه ای را می طلبند، به خصوص در آزمایشات ژنتیکی. در سال 2007 توالی یابی ژنوم یک انسان بیش از 10 میلیون دلار هزینه داشت. امروز می توان این کار را با هزینه کمتر از 1000 دلار انجام داد. به عبارت دیگر، به ازای توالی یابی ژنتیکی هر انسان در 10 سال قبل، اکنون می توان این عملیات را روی 10 هزار نفر صورت داد.

نتایج این وضعیت بسیار قابل توجه است: کشف یک جهش ژنتیکی که می تواند ریسک ابتلا به نوع خاصی از سرطان را افزایش دهد، اطلاعات ارزشمندیست که جان انسان های دیگر را نجات خواهد داد. حال با کاهش هزینه این فرایند، چنین تحقیقاتی می تواند در مقیاسی بزرگ تر صورت گیرد.

یکی از چالش های بزرگ پیش روی محققین و البته جامعه، این است که مجموعه داده های کنونی از نظر حجم و تنوع نژادی چندان گسترده نیستند. علاوه بر این، دانشمندان معمولاً با محدودیت هایی از نظر قانونی مواجهند و بنابراین تمایلی به اشتراک گذاری اطلاعات ندارند.

حتی زمانی که سازمان ها داده های ژنومیک را به اشتراک بگذارند، توافق اصلی باید بین خود مؤسسات مالک آن اطلاعات ایجاد شود. در حال حاضر پیشرفت های خوبی در این زمینه داشته ایم، اما باز هم به قوانین و پلتفرم های استاندارد بیشتری برای تسریع و تسهیل دسترسی نیاز داریم.

مزایای این فناوری های جدید فراتر از شناسایی خطرات و غربالگری است. پیشرفت در یادگیری ماشینی می تواند به توسعه سریع تر داروهای ضد سرطان و انتخاب نوع درمان کمک شایانی نماید، و پزشکان با استفاده از آنها می توانند به راحتی بیماران را با آزمایشات بالینی مطابقت دهند. بدین ترتیب، توانایی درمانگر در ارائه راهکارهای درمانی برای بیماران مبتلا به سرطان تا حد زیادی افزایش خواهد یافت.

برای تحقق این امر به چند شرط اساسی نیاز داریم. اولاً بیماران باید بتوانند به راحتی اطلاعات خود را با دیگران به اشتراک بگذارند. این اطلاعات شامل سوابق پزشکی، تصاویر رادیولوژی، و آزمایشات ژنتیک است. شرکت های آزمایشگاهی و مراکز درمانی نیز باید فرم رضایتنامه عمومی را به کار گیرند تا در مراحل قانونی به مشکل بر نخورند.

در مرحله بعد، به سرمایه بیشتری برای محققین فعال در مراکز هوش مصنوعی، علوم داده و تحقیقات سرطان نیاز داریم؛ و نهایتاً نیازمند تولید مجموعه داده های جدیدی هستیم که مردمانی از تمام نژادها را در بر بگیرند. بدین ترتیب، پیشرفت در تحقیقات سرطان حد و مرزی نخواهد شناخت.