Μια νέα προσέγγιση για την ανίχνευση του καρκίνου του δέρματος χωρίς άμεση αφαίρεση ιστού εξετάζουν ερευνητές από το Florida Atlantic University, συνδυάζοντας μια φορητή συσκευή φασματοσκοπίας Raman με αλγόριθμους μηχανικής μάθησης. Η τεχνολογία αναλύει τον τρόπο με τον οποίο το φως αλληλεπιδρά με τα μόρια του ιστού και δημιουργεί ένα είδος μοριακού αποτυπώματος, το οποίο στη συνέχεια αξιολογείται από υπολογιστικά μοντέλα.
Σε προκαταρκτική μελέτη οι ερευνητές ανέλυσαν σχεδόν 1.000 φάσματα από περισσότερα από 50 δείγματα φυσιολογικού δέρματος, βασικοκυτταρικού καρκινώματος και πλακώδους καρκινώματος. Τα ισχυρότερα μοντέλα μηχανικής μάθησης κατάφεραν να ταξινομήσουν τους τρεις τύπους ιστού με ακρίβεια περίπου 81% έως 84%, ενώ ένα μοντέλο υποστήριξης διανυσμάτων πέτυχε ευαισθησία 78,7% και ειδικότητα 88,6%.
Το «μοριακό αποτύπωμα» που δίνει το Raman
Η φασματοσκοπία Raman βασίζεται σε ένα φαινόμενο κατά το οποίο ένα μικρό μέρος του φωτός που προσπίπτει σε έναν ιστό σκεδάζεται με τρόπο που εξαρτάται από τις χημικές ουσίες και τα μόρια που βρίσκονται σε αυτόν. Το αποτέλεσμα είναι ένα φάσμα που περιέχει πληροφορίες για τη μοριακή σύσταση του ιστού. Αυτό έχει ιδιαίτερο ενδιαφέρον στην περίπτωση του καρκίνου, επειδή οι καρκινικές αλλαγές δεν αφορούν μόνο την εμφάνιση των κυττάρων κάτω από το μικροσκόπιο. Αλλάζουν επίσης η σύσταση, ο μεταβολισμός και η οργάνωση των μορίων μέσα στον ιστό. Η Raman φασματοσκοπία μπορεί επομένως να καταγράψει χημικές διαφορές που δεν είναι απαραίτητα ορατές με μια απλή οπτική εξέταση. Στη συγκεκριμένη μελέτη χρησιμοποιήθηκε φορητό σύστημα Raman με ανιχνευτή χειρός και λέιζερ μήκους κύματος 785 νανομέτρων. Οι ερευνητές εξέτασαν δείγματα βασικοκυτταρικού καρκινώματος, πλακώδους καρκινώματος και φυσιολογικού δέρματος και στη συνέχεια έδωσαν τα φασματικά δεδομένα σε διαφορετικούς αλγορίθμους μηχανικής μάθησης. Στόχος ήταν να εντοπιστούν μοτίβα που θα επέτρεπαν στον υπολογιστή να διακρίνει τις τρεις κατηγορίες. Η ανάλυση έδειξε ότι το φυσιολογικό δέρμα μπορούσε να διαχωριστεί σχετικά καλά από τον καρκινικό ιστό, ενώ η διάκριση ανάμεσα στους δύο τύπους καρκίνου ήταν δυσκολότερη. Τα φάσματα των καρκινικών δειγμάτων εμφάνιζαν γενικά ισχυρότερα σήματα που σχετίζονται με πρωτεΐνες, ενώ στο φυσιολογικό δέρμα ήταν εντονότερα ορισμένα σήματα που συνδέονται με λιπίδια. Οι διαφορές αυτές μπορεί να αποτελέσουν μέρος του μοριακού «αποτυπώματος» που μαθαίνει να αναγνωρίζει η τεχνητή νοημοσύνη.
Η ακρίβεια φτάνει το 84%
Τα αποτελέσματα παρουσιάζουν ενδιαφέρον, όμως χρειάζεται προσοχή στην ερμηνεία τους. Τα δύο μοντέλα που εμφάνισαν την υψηλότερη συνολική ακρίβεια, ο αλγόριθμος των πλησιέστερων γειτόνων και το μοντέλο μηχανών διανυσμάτων υποστήριξης, έφτασαν περίπου στο 84%. Το μοντέλο μηχανών διανυσμάτων υποστήριξης είχε ευαισθησία 78,7%, δηλαδή εντόπισε περίπου οκτώ στις δέκα περιπτώσεις καρκινικού ιστού, ενώ η ειδικότητά του ήταν 88,6%. Ένα άλλο μοντέλο, ένα απλό νευρωνικό δίκτυο, πέτυχε ακρίβεια 80,8%, αλλά εμφάνισε την υψηλότερη τιμή στην καμπύλη ROC, με AUC 0,910. Η συγκεκριμένη μέτρηση χρησιμοποιείται για να αξιολογηθεί πόσο καλά ένα διαγνωστικό μοντέλο μπορεί να διαχωρίζει διαφορετικές κατηγορίες. Ωστόσο, ούτε η ακρίβεια ούτε η AUC από μια μικρή εργαστηριακή μελέτη αρκούν για να αποδείξουν ότι ένα τέτοιο σύστημα μπορεί να χρησιμοποιηθεί με ασφάλεια στην καθημερινή κλινική πράξη. Κρίσιμο στοιχείο είναι ότι τα δείγματα εξετάστηκαν ex vivo, δηλαδή εκτός του σώματος. Αυτό σημαίνει ότι η μελέτη δεν απέδειξε ακόμη πως ένας γιατρός μπορεί να ακουμπήσει τη φορητή συσκευή πάνω σε μια ύποπτη βλάβη ενός ασθενούς και να λάβει με την ίδια ακρίβεια μια διάγνωση σε πραγματικό χρόνο. Η μετάβαση από τα δείγματα στο εργαστήριο στην εξέταση πραγματικών ασθενών είναι ένα σημαντικό επόμενο βήμα.
Τι μπορεί να αλλάξει στη διαδικασία της βιοψίας
Σήμερα, όταν μια δερματική βλάβη θεωρείται ύποπτη, η οριστική διάγνωση βασίζεται στη βιοψία και την ιστοπαθολογική εξέταση. Η διαδικασία απαιτεί αφαίρεση ιστού, ο οποίος στη συνέχεια εξετάζεται στο εργαστήριο. Παρότι αποτελεί το καθιερωμένο πρότυπο διάγνωσης, δεν είναι κάθε ύποπτη βλάβη τελικά καρκινική. Η δυνατότητα μιας γρήγορης και μη επεμβατικής εξέτασης θα μπορούσε, εφόσον αποδειχθεί αρκετά ακριβής, να λειτουργήσει συμπληρωματικά στην κλινική αξιολόγηση. Ένα τέτοιο σύστημα δεν θα είχε απαραίτητα ως στόχο να καταργήσει τη βιοψία, αλλά να βοηθήσει τον γιατρό να αποφασίσει ποιες βλάβες χρειάζονται περαιτέρω διερεύνηση και ποιες μπορεί να είναι λιγότερο ύποπτες. Το πλεονέκτημα της συγκεκριμένης τεχνολογίας είναι ότι ο εξοπλισμός μπορεί να είναι φορητός και η μέτρηση να γίνεται χωρίς ειδική προετοιμασία του ιστού. Αυτό δημιουργεί την προοπτική για ένα εργαλείο που θα μπορούσε κάποτε να χρησιμοποιείται σε πραγματικές συνθήκες εξέτασης, εφόσον προηγουμένως επιβεβαιωθεί η αξιοπιστία του σε πολύ μεγαλύτερους πληθυσμούς. Η ανάγκη για τέτοιες τεχνολογίες είναι ιδιαίτερα σημαντική επειδή ο καρκίνος του δέρματος είναι πολύ συχνός και ορισμένες καρκινικές βλάβες μπορεί να μοιάζουν οπτικά με καλοήθεις ή προκαρκινικές αλλοιώσεις. Η έγκαιρη αναγνώριση είναι σημαντική για την αντιμετώπισή τους, αλλά ταυτόχρονα η χρήση μιας νέας μεθόδου δεν πρέπει να οδηγεί σε εσφαλμένη καθησυχαστική διάγνωση ή σε καθυστέρηση της βιοψίας όταν αυτή κρίνεται απαραίτητη.
Το επόμενο βήμα είναι πολύ μεγαλύτερες μελέτες
Οι ίδιοι οι ερευνητές χαρακτηρίζουν τα αποτελέσματα προκαταρκτικά και ήδη σχεδιάζουν μεγαλύτερες μελέτες, βελτιώσεις στους αλγορίθμους και χρήση πιο προηγμένων μοντέλων, μεταξύ άλλων βαθύτερων νευρωνικών δικτύων. Όσο περισσότερα και πιο διαφορετικά δείγματα χρησιμοποιούνται για την εκπαίδευση των μοντέλων, τόσο καλύτερα μπορούν να αξιολογηθούν οι δυνατότητες αλλά και οι περιορισμοί τους. Ένα ιδιαίτερο ζητούμενο θα είναι να δοκιμαστεί η τεχνολογία σε πραγματικές κλινικές συνθήκες, με μεγαλύτερο αριθμό ασθενών και μεγαλύτερη ποικιλία δερματικών βλαβών, τύπων δέρματος και σταδίων καρκίνου. Θα πρέπει επίσης να αποδειχθεί ότι η απόδοση που καταγράφεται σε ένα ερευνητικό περιβάλλον παραμένει σταθερή όταν η συσκευή χρησιμοποιείται από διαφορετικούς επαγγελματίες και σε διαφορετικές συνθήκες.
Η μελέτη δεν υποστηρίζει επομένως ότι η τεχνητή νοημοσύνη μπορεί ήδη να διαγνώσει τον καρκίνο του δέρματος χωρίς βιοψία. Δείχνει όμως ότι οι μοριακές πληροφορίες που καταγράφει η φασματοσκοπία Raman μπορούν να συνδυαστούν με υπολογιστικά μοντέλα ώστε να διαχωριστεί ο φυσιολογικός από τον καρκινικό ιστό, ανοίγοντας έναν διαφορετικό δρόμο για τη μη επεμβατική αξιολόγηση ύποπτων βλαβών.
Η έρευνα δημοσιεύθηκε στο περιοδικό Proceedings of SPIE, Advanced Chemical Microscopy for Life Science and Translational Medicine 2026
