Startup RADiCAIT z Oksfordu stworzył AI, która zmienia zwykłe skany TK w obrazy PET, kluczowe w diagnostyce raka. To szansa na koniec drogich i uciążliwych badań.
W skrócie:
- Startup RADiCAIT, spin-off z Uniwersytetu Oksfordzkiego, tworzy syntetyczne obrazy PET na podstawie standardowych skanów TK, eliminując potrzebę użycia radioaktywnych znaczników.
- Firma pozyskała 1,7 miliona dolarów w rundzie pre-seed i rozpoczyna zbiórkę 5 milionów na badania kliniczne, które już ruszyły w czołowych amerykańskich placówkach medycznych.
- Technologia opiera się na fundacyjnym modelu głębokiego uczenia, który mapuje anatomię z obrazów TK na funkcje fizjologiczne widoczne w badaniach PET.
Kto kiedykolwiek przechodził badanie PET, ten wie, że to droga przez mękę. Skanowanie pozytonową tomografią emisyjną pomaga lekarzom wykrywać nowotwory i śledzić ich rozprzestrzenianie, ale sam proces dla pacjenta jest logistycznym koszmarem. Zaczyna się od kilkugodzinnej głodówki, potem zastrzyk z materiałem radioaktywnym i godzinne oczekiwanie, aż substancja rozejdzie się po ciele. Na koniec – pół godziny w bezruchu wewnątrz maszyny. A po wszystkim trzeba przez kilkanaście godzin unikać kontaktu z dziećmi, osobami starszymi i kobietami w ciąży, bo jest się, cóż, dosłownie lekko radioaktywnym.
Dlaczego badanie PET to taki problem?
Problemy się na tym nie kończą. Skanery PET są drogie i skoncentrowane w dużych miastach. Dzieje się tak, ponieważ radioaktywne znaczniki używane w badaniu muszą być produkowane w pobliżu, w specjalnych maszynach zwanych cyklotronami, i zużyte w ciągu kilku godzin. To sprawia, że dostęp do tej kluczowej diagnostyki w mniejszych miejscowościach i na obszarach wiejskich jest, mówiąc delikatnie, mocno ograniczony. To wąskie gardło w systemie opieki zdrowotnej, które opóźnia diagnozy i utrudnia monitorowanie leczenia. A w onkologii czas to nie pieniądz – to życie.
I tu na scenę wkracza RADiCAIT, spin-off z Uniwersytetu Oksfordzkiego, który w tym miesiącu wyszedł z cienia, ogłaszając pozyskanie 1,7 miliona dolarów w rundzie pre-seed. Pitch startupu jest prosty, a jednocześnie rewolucyjny: a co, gdybyśmy mogli użyć AI do przekształcenia znacznie bardziej dostępnych i tańszych skanów tomografii komputerowej (TK) w wirtualne skany PET? Sean Walsh, CEO firmy, ujął to bez ogródek: “Wzięliśmy najbardziej ograniczone, złożone i kosztowne rozwiązanie w radiologii i zastąpiliśmy je tym, co jest najbardziej dostępne, proste i tanie, czyli tomografią komputerową”.
Jak AI z Oksfordu ma zamiar to zmienić?
Sekretem RADiCAIT jest autorski model fundacyjny – generatywna głęboka sieć neuronowa opracowana w 2021 roku na Uniwersytecie Oksfordzkim przez zespół pod kierownictwem współzałożyciela startupu, Regenta Lee. Model uczy się, porównując ze sobą tysiące par skanów TK i PET, mapując je i wychwytując wzorce w ich wzajemnych relacjach. To proces, który można porównać do nauki nowego języka – AI uczy się “tłumaczyć” informacje o strukturze anatomicznej (z TK) na informacje o funkcji fizjologicznej (z PET). Sina Shahandeh, dyrektor technologiczny RADiCAIT, opisuje to jako łączenie “odrębnych zjawisk fizycznych”.
Następnie model jest kierowany tak, aby zwracał szczególną uwagę na określone cechy, takie jak konkretne typy tkanek czy nieprawidłowości. To ukierunkowane uczenie jest powtarzane wielokrotnie na różnych przykładach, dzięki czemu sieć neuronowa staje się ekspertem w identyfikowaniu klinicznie istotnych wzorców. Ostateczny obraz, który trafia do lekarza, jest wynikiem pracy kilku współpracujących ze sobą modeli – co przypomina nieco podejście Google DeepMind w projekcie AlphaFold, który zrewolucjonizował przewidywanie struktury białek.
Czy syntetyczny obraz może zastąpić prawdziwy?
Walsh twierdzi, że zespół RADiCAIT jest w stanie matematycznie udowodnić, że generowane przez nich syntetyczne obrazy PET są statystycznie niemal identyczne z prawdziwymi skanami chemicznymi. “Nasze badania pokazują, że lekarz, radiolog czy onkolog, otrzymując chemiczny PET lub nasz PET wygenerowany przez AI, podejmuje decyzje tej samej jakości” – mówi CEO. Startup nie obiecuje całkowitego wyeliminowania skanerów PET, zwłaszcza w specyficznych zastosowaniach terapeutycznych, jak terapie radioligandowe, które bezpośrednio niszczą komórki rakowe. Celem jest jednak coś innego.
Chodzi o przejęcie gigantycznego zapotrzebowania na diagnostykę, ocenę stadium choroby i monitorowanie postępów leczenia. “System jest tak ograniczony, że podaż nie nadąża za popytem na diagnostykę i teranostykę” – wyjaśnia Walsh. “Chcemy wchłonąć ten popyt po stronie diagnostycznej. Dzięki temu skanery PET będą mogły skupić się na zadaniach teranostycznych”. To logiczne rozdzielenie zasobów, które może odblokować system.
Co dalej z RADiCAIT? Pieniądze, badania i przyszłość bez cyklotronów
Firma już rozpoczęła pilotażowe badania kliniczne, koncentrując się na raku płuc, we współpracy z czołowymi amerykańskimi systemami opieki zdrowotnej, takimi jak Mass General Brigham i UCSF Health. Teraz startup stara się o zatwierdzenie pełnoprawnego badania klinicznego przez FDA – a to kosztowny i skomplikowany proces, na który zamierza przeznaczyć 5 milionów dolarów z nowej rundy finansowania. Po uzyskaniu zgody, następnym krokiem będą pilotaże komercyjne, które mają udowodnić rynkową opłacalność produktu. W kolejce czekają już kolejne zastosowania – rak jelita grubego i chłoniaki.
Sina Shahandeh jest przekonany, że podejście RADiCAIT do wykorzystania AI w celu uzyskania cennych informacji bez uciążliwych i drogich badań ma “szerokie zastosowanie”. “Badamy rozszerzenia na całą radiologię” – dodaje. Wygląda na to, że jesteśmy świadkami początku czegoś naprawdę dużego. Innowacji, która łączy naukę o materiałach, biologię, chemię i fizykę, aby odkryć ukryte w naturze zależności. I – co być może najważniejsze – aby dać pacjentom onkologicznym szybszą, tańszą i mniej bolesną ścieżkę do diagnozy.