هوش مصنوعی چگونه پژوهش و درمان سرطان را متحول می‌کند؟
توسعه داروهای سرطان فرایندی طولانی، پرهزینه و همراه با احتمال بالای شکست است. بر اساس مروری پژوهشی که در سپتامبر ۲۰۲۶ در مجله علمی بین‌المللی Cancers منتشر شد، تنها حدود ۴ درصد از داروهای بالقوه سرطان که وارد کارآزمایی‌های انسانی می‌شوند، در نهایت تأییدیه دریافت می‌کنند. این فرایند ممکن است حدود ۱۴ سال طول بکشد و هزینه توسعه هر دارو از ۱٫۲ میلیارد دلار فراتر برود.
هوش مصنوعی در حال تغییر مراحل پژوهش و توسعه دارو است؛ از شناسایی اهداف درمانی گرفته تا تشخیص بیماری و انتخاب بیماران مناسب. اگرچه این فناوری هنوز قادر نیست برای همه انواع سرطان درمانی قطعی ارائه کند، پیشرفت‌های ملموسی در این حوزه به همراه داشته است.
۱. شناسایی اهداف درمانی که پیش‌تر دست‌نیافتنی به نظر می‌رسیدند
بسیاری از پروتئین‌های مرتبط با سرطان ساختارهای پیچیده‌ای دارند و همین مسئله یافتن ترکیباتی را که بتوانند به آن‌ها متصل شوند و فعالیتشان را مهار کنند، برای دانشمندان دشوار می‌کند. هوش مصنوعی به پیش‌بینی ساختار سه‌بعدی پروتئین‌ها کمک می‌کند و می‌تواند نحوه تعامل مولکول‌های دارویی بالقوه با اهداف درمانی را نیز شبیه‌سازی کند.
پیشرفت در پیش‌بینی ساختار پروتئین‌ها، به‌ویژه با توسعه سامانه آلفافولد (AlphaFold) شرکت گوگل دیپ‌مایند، دامنه امکانات پژوهش در زیست‌شناسی مولکولی را گسترش داده است. این دستاورد همچنین به دریافت جایزه نوبل شیمی سال ۲۰۲۴ از سوی دمیس هاسابیس و جان جامپر کمک کرد.
شرکت‌های زیست‌فناوری سرمایه‌گذاری گسترده‌ای در این زمینه انجام می‌دهند. شرکت ایزومورفیک لبز (Isomorphic Labs)، مستقر در بریتانیا و فعال در توسعه فناوری‌های کشف دارو با کمک هوش مصنوعی، قصد دارد ترکیبات دارویی بالقوه را به مرحله آزمایش روی انسان برساند. با این حال، شناسایی یک ترکیب جدید و امیدوارکننده تنها گام نخست است و دارو همچنان باید مراحل سخت‌گیرانه آزمایش را پشت سر بگذارد.
۲. کمک به توسعه داروهایی با چشم‌انداز ایمنی بهتر
هوش مصنوعی می‌تواند میلیون‌ها ترکیب شیمیایی را غربالگری کند، ویژگی‌های مولکولی آن‌ها را پیش‌بینی کند و گزینه‌های نامناسب را در مراحل اولیه کنار بگذارد. به این ترتیب، پژوهشگران می‌توانند منابع خود را بر ترکیبات امیدوارکننده‌تر متمرکز کنند.
تحلیلی که گروه مشاوره بوستون (BCG) در ایالات متحده در سال ۲۰۲۴ منتشر کرد، نشان داد که در میان مجموعه‌ای شامل حدود ۲۰ مولکول طراحی‌شده با کمک هوش مصنوعی که مرحله نخست کارآزمایی بالینی را پشت سر گذاشته بودند، نرخ موفقیت در این مرحله حدود ۸۰ تا ۹۰ درصد بود؛ رقمی بالاتر از میانگین تاریخی حدود ۴۰ تا ۶۵ درصد.
با این حال، در مرحله دوم کارآزمایی بالینی، که در آن دارو باید اثربخشی درمانی خود را نشان دهد، نرخ موفقیت این گروه حدود ۴۰ درصد بود؛ رقمی که با داروهای دیگر تفاوت چشمگیری ندارد. این نتایج نشان می‌دهد هوش مصنوعی می‌تواند فرایند جست‌وجو و غربالگری ترکیبات دارویی را بهبود دهد، اما هنوز بزرگ‌ترین چالش را برطرف نکرده است: اثبات اینکه دارو واقعاً برای بیماران مؤثر است.
۳. پیشبرد توسعه واکسن‌های شخصی‌سازی‌شده سرطان
هوش مصنوعی و الگوریتم‌های تحلیل داده‌های زیستی به توسعه درمان‌های متناسب با ویژگی‌های هر بیمار کمک می‌کنند. واکسن‌های سرطان مبتنی بر فناوری ام‌آر‌ان‌ای (mRNA) یکی از نمونه‌های این رویکرد هستند.
این فرایند با توالی‌یابی ژنتیکی تومور و بافت سالم بیمار آغاز می‌شود تا جهش‌های شاخص شناسایی شوند. سپس نرم‌افزار پیش‌بینی می‌کند که کدام بخش‌های غیرطبیعی پروتئین‌ها احتمال بیشتری دارد پاسخ ایمنی بدن را تحریک کنند. از این اطلاعات برای طراحی واکسن‌هایی استفاده می‌شود که با ویژگی‌های تومور هر فرد سازگار باشند.
این رویکرد پیشرفتی قابل‌توجه در پزشکی شخصی‌سازی‌شده به شمار می‌رود، اما اثربخشی آن همچنان باید در مطالعات بیشتر و میان گروه‌های مختلف بیماران ارزیابی شود.
۴. بهبود تشخیص سرطان پستان با ماموگرافی
تشخیص زودهنگام سرطان یکی از عوامل کلیدی در افزایش اثربخشی درمان است. هوش مصنوعی در این زمینه برای کمک به پزشکان در بررسی تصاویر ماموگرافی به کار می‌رود و می‌تواند ناهنجاری‌هایی را شناسایی کند که ممکن است از دید انسان پنهان بمانند.
در کارآزمایی MASAI در سوئد، که ۱۰۵٬۹۳۴ زن در آن شرکت داشتند، بررسی تصاویر با کمک هوش مصنوعی با روش استاندارد مبتنی بر ارزیابی دو رادیولوژیست مقایسه شد. نتایج این پژوهش که در ژانویه ۲۰۲۶ در مجله The Lancet منتشر شد، نشان داد در گروه استفاده‌کننده از هوش مصنوعی، ۸۰٫۵ درصد موارد سرطان شناسایی شد؛ در حالی که این رقم در گروه کنترل ۷۳٫۸ درصد بود. این بهبود بدون افزایش نرخ نتایج مثبت کاذب به دست آمد.
با این حال، مزایای هوش مصنوعی باید با احتیاط ارزیابی شود. شناسایی موارد بیشتر لزوماً به کاهش مرگ‌ومیر منجر نمی‌شود و برای تعیین تأثیر واقعی این فناوری بر سلامت عمومی، انجام مطالعات بلندمدت ضروری است.
۵. شناسایی نشانه‌های سرطان از طریق آزمایش خون
یکی دیگر از حوزه‌های پژوهش، آزمایش خون برای شناسایی چند نوع سرطان است. در این روش، تحلیل داده‌ها و یادگیری ماشین برای یافتن نشانگرهای دی‌ان‌ای مرتبط با تومور در خون و پیش‌بینی اندام‌هایی که احتمال دارد به سرطان مبتلا شوند، به کار می‌رود.
با این حال، کارآزمایی NHS-Galleri در بریتانیا نشان داد که این فناوری همچنان به ارزیابی و تأیید بیشتر نیاز دارد. این مطالعه که حدود ۱۴۲ هزار نفر را در سه نوبت بررسی سالانه دنبال کرد، نتوانست به هدف اصلی خود، یعنی کاهش میزان سرطان‌های تشخیص‌داده‌شده در مراحل پیشرفته، دست یابد. کاهش موارد سرطان در مرحله چهارم برای جبران افزایش موارد تشخیص‌داده‌شده در مرحله سوم کافی نبود.
در کنفرانس سالانه انجمن انکولوژی بالینی آمریکا (ASCO) در ماه مه ۲۰۲۶، سازمان حامی این پژوهش نتایج چند تحلیل تکمیلی امیدوارکننده را اعلام کرد. از جمله این نتایج، کاهش میزان شناسایی سرطان در مرحله چهارم برای برخی انواع سرطان و افزایش نرخ تشخیص در مراحل اولیه بود. با این حال، این یافته‌ها همچنان به تأیید مستقل نیاز دارند و هنوز نمی‌توان با اطمینان گفت که آزمایش خون برای شناسایی چند نوع سرطان به کاهش مرگ‌ومیر کمک خواهد کرد.
۶. پیش‌بینی ویژگی‌های ژنتیکی تومورها از روی نمونه‌های بافت‌شناسی
شناسایی جهش‌های ژنی اغلب به آزمایش‌های تخصصی و عمیق نیاز دارد که ممکن است زمان‌بر باشند و از نمونه‌های محدود بافتی استفاده کنند. هوش مصنوعی این امکان را فراهم می‌کند که برخی ویژگی‌های ژنتیکی تومور از روی تصاویر معمول نمونه‌های بافت‌شناسی پیش‌بینی شوند.
یکی از نمونه‌ها، مدل EAGLE است که برای شناسایی جهش‌های ژن EGFR در بیماران مبتلا به سرطان ریه از روی تصاویر بافت‌شناسی توسعه یافته است. پژوهشی که در ژوئیه ۲۰۲۵ در مجله بین‌المللی پزشکی Nature Medicine منتشر شد، نشان داد این ابزار در برخی موارد می‌تواند نیاز به آزمایش‌های سریع ژنتیکی را کاهش دهد و در عین حال، نمونه‌های بافتی را برای تحلیل‌های دقیق‌تر حفظ کند.
با این حال، پیش‌بینی‌های تولیدشده با هوش مصنوعی نمی‌توانند به‌طور کامل جای آزمایش‌های تأییدی را بگیرند. دقت مدل نیز ممکن است میان گروه‌های جمعیتی و انواع نمونه‌ها متفاوت باشد. بنابراین، پیش از استفاده گسترده از این فناوری، باید آن را روی گروه‌های مختلف بیماران آزمایش کرد.
۷. کاهش زمان لازم برای جذب بیماران در کارآزمایی‌های بالینی
جذب تعداد کافی شرکت‌کننده برای کارآزمایی‌های بالینی معمولاً زمان زیادی می‌برد. پزشکان باید معیارهای پیچیده هر مطالعه را با پرونده پزشکی، سوابق بیماری و نتایج آزمایش‌های هر بیمار تطبیق دهند.
هوش مصنوعی می‌تواند بخشی از این فرایند را خودکار کند. ابزار TrialGPT که پژوهشگران مؤسسه ملی سلامت آمریکا توسعه داده‌اند، قادر است میزان انطباق هر بیمار با معیارهای ورود به یک کارآزمایی را ارزیابی کند.
در مطالعات اولیه، این ابزار به دقت ۸۷ درصد دست یافت؛ رقمی نزدیک به دقت ۸۹ تا ۹۰ درصدی ارزیاب‌های انسانی. همچنین، زمان غربالگری بیماران را ۴۲٫۶ درصد کاهش داد. با این حال، از آنجا که این ابزار روی پرونده‌های تجمیع‌شده آزمایش شده است، اثربخشی آن در شرایط واقعی هنوز باید بررسی شود.
هوش مصنوعی همچنین می‌تواند در بازبینی معیارهای بیش از حد سخت‌گیرانه انتخاب بیماران مؤثر باشد. ابزار Trial Pathfinder که پژوهشگران دانشگاه استنفورد و شرکت ژنتک توسعه داده‌اند، کارآزمایی‌های سرطان ریه را بر اساس سوابق بیش از ۶۱ هزار بیمار شبیه‌سازی کرد. نتایج نشان داد که اصلاح برخی معیارهای خروج از مطالعه می‌تواند شمار افراد واجد شرایط را به‌طور قابل‌توجهی افزایش دهد، بی‌آنکه نتایج شبیه‌سازی تغییر کند.
با این همه، تطبیق سریع‌تر بیماران لزوماً به تکمیل سریع‌تر فرایند جذب منجر نمی‌شود؛ زیرا هزینه‌ها، رفت‌وآمد بیماران، تعداد مراکز اجرای کارآزمایی و تصمیم‌های پزشکان همچنان موانع مهمی هستند.
هوش مصنوعی هنوز نمی‌تواند جای آزمایش‌های زیستی را بگیرد
با وجود چشم‌انداز امیدوارکننده هوش مصنوعی، این فناوری نمی‌تواند پژوهش‌های آزمایشگاهی، مطالعات پیش‌بالینی و کارآزمایی‌های انسانی را حذف کند. تنها مطالعاتی که با طراحی دقیق و روش‌های علمی معتبر انجام می‌شوند، می‌توانند مشخص کنند که یک دارو ایمن و مؤثر است و واقعاً به افزایش طول عمر بیماران کمک می‌کند یا خیر.
نهادهای ناظر نیز در حال تدوین اصولی برای ارزیابی استفاده از هوش مصنوعی در توسعه دارو هستند. سازمان غذا و داروی آمریکا (FDA) در ژانویه ۲۰۲۵ پیش‌نویس راهنمایی در این زمینه منتشر کرد. تا ژانویه ۲۰۲۶ نیز این سازمان و آژانس دارویی اروپا (EMA) اصول کلی استفاده از هوش مصنوعی در توسعه دارو را منتشر کردند.
برای ویتنام، هوش مصنوعی می‌تواند به تقویت توان پژوهش در زمینه سرطان، توسعه پزشکی شخصی‌سازی‌شده، تحلیل تصاویر تشخیصی و بهینه‌سازی انتخاب بیماران برای کارآزمایی‌های بالینی کمک کند. بهره‌گیری مؤثر از این فناوری مستلزم سرمایه‌گذاری در داده‌های پزشکی باکیفیت، حفاظت از حریم خصوصی، اعتبارسنجی الگوریتم‌ها روی جمعیت ویتنام و حفظ نقش تعیین‌کننده متخصصان پزشکی است.
چشم‌انداز واقع‌بینانه این نیست که هوش مصنوعی برای همه انواع سرطان درمانی قطعی پیدا کند؛ بلکه این فناوری می‌تواند به کاهش شکست در توسعه دارو، تشخیص زودتر بیماری و سازمان‌دهی کارآمدتر پژوهش‌ها کمک کند. هوش مصنوعی می‌تواند روند جست‌وجو برای یافتن درمان‌ها را سرعت ببخشد، اما شواهد علمی و ایمنی بیماران باید همچنان معیارهای تعیین‌کننده باشند.