Μετάβαση στο περιεχόμενο
Λάρνακα, Κύπρος
BINA CYINNOVATION HUBΛάρνακα · ιδρ. 2026
Ερευνητής φαινόμενος από πίσω που μελετά έναν τοίχο ιατρικών εικόνων σάρωσης και κυματομορφών δεδομένων σε μεγάλη καμπύλη οθόνη
+Health5 Αυγούστου 20265 min read

Από Εμβόλια έως Εικονικές Δοκιμές: Η Μεγαλύτερη Εβδομάδα Υγείας της Τεχνητής Νοημοσύνης

Έξι ευρήματα από μία εβδομάδα: εμβόλια σχεδιασμένα από ΤΝ, εγκρίσεις σάρωσης καρκίνου, κρυμμένοι καρδιακοί κίνδυνοι σε δεδομένα ύπνου, και 170 εκατομμύρια δολάρια σε επενδύσεις φαρμάκων ΤΝ.

By Dr. Asher Knippel

Μία εβδομάδα, έξι ιστορίες, ένα αδιαμφισβήτητο σήμα: η τεχνητή νοημοσύνη δεν είναι πλέον δευτερεύων παίκτης στην ιατρική — σχεδιάζει τα φάρμακα, διαβάζει τις σαρώσεις και προσομοιώνει τις δοκιμές.

Η Πρώτη Παγκοσμίως Κλινική Δοκιμή Εμβολίου Σχεδιασμένου από ΤΝ Ξεκινά σε Ανθρώπους

Ερευνητές στο Κέιμπριτζ ανακοίνωσαν την πρώτη δοκιμή σε ανθρώπους εμβολίου του οποίου το αντιγόνο σχεδιάστηκε εξ ολοκλήρου από τεχνητή νοημοσύνη. Το εμβόλιο στοχεύει ένα ευρύ φάσμα κοροναϊών — όχι μόνο τα στελέχη που ήδη γνωρίζουμε, αλλά και συγγενικά μέλη που θα μπορούσαν να σπείρουν την επόμενη πανδημία. Εκπαιδεύοντας στα δομικά πρότυπα πρωτεϊνών spike κοροναϊών, η ΤΝ δημιούργησε ένα συνθετικό αντιγόνο που καμία ανθρώπινη ομάδα δεν είχε συλλάβει. Αν λειτουργήσει, οι επιπτώσεις εκτείνονται πολύ πέρα από τον COVID: θα δημιουργούσε ένα επαναλαμβανόμενο εγχειρίδιο για ταχεία παραγωγή εμβολίων ανθεκτικών σε πανδημίες πριν καν ξεκινήσει μια επιδημία.

Αυτό σηματοδοτεί μια φιλοσοφική αλλαγή εξίσου τεχνική. Μέχρι τώρα, η ΤΝ χρησιμοποιήθηκε για να επιταχύνει την ανάπτυξη εμβολίων — βοηθώντας τους ερευνητές να φιλτράρουν υποψηφίους ταχύτερα. Εδώ, η ΤΝ είναι η εφευρέτης.

Ο FDA Εγκρίνει ΤΝ που Διαβάζει Υπερηχογραφήματα Μαστού και Γράφει την Έκθεση

Η θυγατρική της RadNet, DeepHealth, έλαβε έγκριση FDA 510(k) για σύστημα ΤΝ που διαβάζει υπερηχογραφήματα μαστού από άκρο σε άκρο και δημιουργεί αυτόματα την έκθεση του ακτινολόγου. Σε κλινική επικύρωση, το εργαλείο αύξησε την ευαισθησία ανίχνευσης καρκίνου μαστού κατά 8 ποσοστιαίες μονάδες και μείωσε τους χρόνους ανάγνωσης των ακτινολόγων κατά 37%. Η DeepHealth σχεδιάζει να το αναπτύξει σε περισσότερα από 400 κέντρα απεικόνισης.

Το κέρδος ανίχνευσης είναι το πιο κρίσιμο. Η υπερηχογραφία μαστού παραγγέλνεται συχνά για γυναίκες με πυκνό ιστό, όπου η μαστογραφία είναι λιγότερο αξιόπιστη — ακριβώς ο πληθυσμός όπου τα λάθη φέρουν το υψηλότερο κόστος. Μια βελτίωση ευαισθησίας 8% σε αυτή την ομάδα δεν είναι οριακό κέρδος· είναι επιπλέον καρκίνοι που ανιχνεύονται σε προγενέστερο, πιο θεραπεύσιμο στάδιο. Η μείωση χρόνου ανάγνωσης είναι ένα δευτερεύον όφελος που κάνει τα οικονομικά να λειτουργούν για υπερφορτωμένα τμήματα ακτινολογίας.

Τυπικές Μελέτες Ύπνου Κρύβουν Κινδύνους για Καρδιά και Άνοια — η ΤΝ Μπορεί να τους Εντοπίσει

Μελέτη που δημοσιεύτηκε στο Nature Communications από τη Cleveland Clinic και το UW Medicine βρήκε ότι ένα μοντέλο ΤΝ εκπαιδευμένο σε τυπικά δεδομένα πολυσωμνογραφίας — οι ολονύχτιες μελέτες ύπνου που παραγγέλνονται συνήθως για ασθενείς με υποψία άπνοιας — μπορεί να εντοπίσει υποτύπους ασθενών των οποίων ο κίνδυνος πενταετούς θνησιμότητας είναι διπλάσιος από εκείνον των χαμηλού κινδύνου ομοτίμων τους.

Το κρίσιμο εύρημα: το σήμα κινδύνου είναι αόρατο στον δείκτη άπνοιας-υποπνοιών, τον συμβατικό μετρητή που χρησιμοποιούν οι κλινικοί ιατροί για να αξιολογήσουν τις διαταραχές αναπνοής κατά τον ύπνο. Η ΤΝ ανιχνεύει μοτίβα στη μεταβλητότητα καρδιακού ρυθμού, τη δυναμική αποκορεσμού οξυγόνου και άλλα σήματα ενσωματωμένα σε δεδομένα που σήμερα διαβάζονται για τη σοβαρότητα άπνοιας και τίποτα άλλο. Τα εργαστήρια ύπνου δεν παραγγέλνουν νέες εξετάσεις· ήδη παράγουν αυτά τα δεδομένα. Το ανοιχτό ερώτημα είναι αν τα συστήματα υγείας θα αρχίσουν να τρέχουν αυτό το μοντέλο παράλληλα με τις τυπικές αναγνώσεις για να επισημαίνουν ασθενείς που χρήζουν πρωιμότερης καρδιολογικής και νευρολογικής παρακολούθησης.

Η Pathos AI Στοιχηματίζει 125 Εκατομμύρια Δολάρια σε Δύο Υποψήφια Φάρμακα για τον Καρκίνο

Η Pathos AI, μια startup ογκολογίας που βασίζεται σε πλατφόρμα ανάπτυξης φαρμάκων με πράκτορες ΤΝ, έχει δεσμευτεί για 125 εκατομμύρια δολάρια εκ των προτέρων σε δύο συμφωνίες αδειοδότησης. Η πρώτη αποκτά το JSKN016 — ένα διδύναμο αντίσωμα-φάρμακο TROP2/HER3 — από την Alphamab, στοχεύοντας έναν συνδυασμό υποδοχέων που έδειξε υπόσχεση σε δύσκολα στη θεραπεία στερεά όγκους. Η δεύτερη είναι μια συνεργασία με την AstraZeneca για έναν αποικοδομητή PROTAC που στοχεύει καρκίνο μαστού θετικό σε οιστρογονικό υποδοχέα που ανέπτυξε αντίσταση στην τυπική ορμονική θεραπεία.

Η θέση της Pathos είναι ότι οι πράκτορες ΤΝ της μπορούν να συμπιέσουν τον χρόνο από τον αδειοδοτημένο υποψήφιο έως την ετοιμότητα για κλινική δοκιμή — διαχειριζόμενοι το προκλινικό πακέτο δεδομένων, τη ρυθμιστική στρατηγική και τον σχεδιασμό δοκιμής ταχύτερα από μια συμβατική ομάδα βιοτεχνολογίας. Μια εκ των προτέρων δέσμευση 125 εκατομμυρίων δολαρίων σηματοδοτεί ότι οι επενδυτές πιστεύουν ότι η θέση είναι αρκετά αξιόπιστη για να υποστηριχτεί σε κλίμακα.

Η QuantHealth Συγκεντρώνει 45 Εκατομμύρια Δολάρια για Δοκιμές Πριν Εγγραφούν Ασθενείς

Η ισραηλινή startup QuantHealth έκλεισε ένα Series B ύψους 45 εκατομμυρίων δολαρίων, φέρνοντας το συνολικό ποσό στα 70 εκατομμύρια δολάρια, για να επεκτείνει την πλατφόρμα εικονικών κλινικών δοκιμών της. Η τεχνολογία δημιουργεί πληθυσμούς ασθενών που παράγονται από ΤΝ από δεδομένα πραγματικού κόσμου — ηλεκτρονικά αρχεία υγείας, απαιτήσεις και γονιδιωματική — και προσομοιώνει πώς αυτοί οι συνθετικοί ασθενείς θα ανταποκρίνονταν σε πειραματικό φάρμακο. Η εταιρεία αναφέρει ποσοστά ακρίβειας έως 90% έναντι πραγματικών αποτελεσμάτων δοκιμών.

Το πρόβλημα-στόχος είναι το διαβόητο ποσοστό αποτυχίας φαρμάκων 90% της φαρμακευτικής βιομηχανίας, πολύ από το οποίο ανακαλύπτεται δαπανηρά αργά στη Φάση ΙΙ και ΙΙΙ. Αν μια εικονική δοκιμή μπορεί να επισημάνει μια πιθανή αποτυχία — ή να εντοπίσει την ανταποκρινόμενη υποομάδα ασθενών — πριν ένας χορηγός δαπανήσει εκατοντάδες εκατομμύρια σε ανθρώπινη μελέτη, η αξία είναι σημαντική. Η QuantHealth βρίσκεται σε συνομιλίες με πολλές μεγάλες φαρμακευτικές εταιρείες για να ενσωματώσει την πλατφόρμα της στις αποφάσεις πρώιμης ανάπτυξης.

Το DiffuDose Εξατομικεύει την Ακτινοβολία Καρκίνου Προστάτη σε 23 Δευτερόλεπτα

Ερευνητές στο UMass Amherst ανέπτυξαν το DiffuDose, μια ΤΝ μοντέλου διάχυσης που δημιουργεί εξατομικευμένους χάρτες δόσης ακτινοβολίας για ασθενείς με καρκίνο προστάτη που υποβάλλονται σε ραδιοφαρμακευτική θεραπεία — σε λιγότερο από 23 δευτερόλεπτα. Η τρέχουσα θεραπεία εγκεκριμένη από τον FDA χρησιμοποιεί τυποποιημένη δοσολογία, ένα πρακτικό συμβιβασμό που έγινε επειδή οι υπολογισμοί δοσιμετρίας ειδικοί για τον ασθενή απαιτούν ώρες και εξειδικευμένους ιατρικούς φυσικούς που οι περισσότερες μονάδες δεν μπορούν να στελεχώσουν σε επαρκή αριθμό.

Το DiffuDose παράγει δοσιμετρία χρυσού κανόνα σχεδόν άμεσα. Η ομάδα το επικύρωσε έναντι χειροκίνητων υπολογισμών που εκτελέστηκαν από εμπειρογνώμονες φυσικούς και βρήκε συμφωνία αρκετά ακριβή για κλινική χρήση. Αν υιοθετηθεί ευρέως, θα επέτρεπε σε κάθε ασθενή που λαμβάνει ραδιοφαρμακευτική θεραπεία να λάβει δόση προσαρμοσμένη στην ανατομία του και στην κατανομή νόσου του, αντί για μέσο πληθυσμού — βελτιώνοντας δυνητικά τον έλεγχο του όγκου ενώ μειώνει την έκθεση ακτινοβολίας στον υγιή ιστό.


Το μοτίβο σε όλες τις έξι ιστορίες είναι το ίδιο: η ΤΝ βρίσκει σήμα σε δεδομένα που ήδη υπάρχουν, η ΤΝ συμπιέζει χρονοδιαγράμματα που μετριόνταν προηγουμένως σε χρόνια, και το κεφάλαιο ακολουθεί και τα δύο στοιχήματα. Ο αγωγός έρευνας-προς-κλινική ανακατασκευάζεται γύρω από την ταχύτητα μηχανής. Το αν αυτό βελτιώνει συνεπώς τα αποτελέσματα ασθενών — η μόνη ερώτηση που τελικά έχει σημασία — θα χρειαστεί χρόνια δεδομένων παρακολούθησης για να απαντηθεί. Αλλά οι εγκρίσεις ρυθμιστικών αρχών και οι επενδυτικές γύρες δεν περιμένουν αυτή την ετυμηγορία.