«نسل جدید پزشکی هستهای دیگر تنها به تشخیص بیماری فکر نمیکند؛ بلکه هدف آن اندازهگیری، پیشبینی و شخصیسازی درمان برای هر بیمار است.»
مقدمه؛ آغاز عصر جدید در پزشکی هستهای
سرطان تیروئید یکی از شایعترین بدخیمیهای غدد درونریز جهان است و در بسیاری از بیماران، درمان با ید رادیواکتیو (ید-۱۳۱) همچنان یکی از مؤثرترین و موفقترین روشهای درمانی به شمار میرود. با وجود موفقیت چشمگیر این درمان طی چند دهه گذشته، یک سؤال اساسی همواره مطرح بوده است:
آیا همه بیماران باید یک دوز مشابه از ید-۱۳۱ دریافت کنند؟
پاسخ علم امروز، «خیر» است.
پزشکی هستهای در سال ۲۰۲۶ وارد مرحلهای شده که در آن، درمان دیگر بر پایه یک نسخه ثابت برای همه بیماران انجام نمیشود، بلکه تلاش میشود مقدار فعالیت رادیودارو، پاسخ مورد انتظار و خطر بروز عوارض برای هر فرد بهصورت اختصاصی محاسبه شود. این تحول حاصل همگرایی سه فناوری کلیدی است: SPECT کمی (Quantitative SPECT)، هوش مصنوعی و دوزیمتری شخصیسازیشده. این رویکردها بهتدریج در حال تغییر استانداردهای مدیریت سرطان تیروئید هستند.
یددرمانی؛ نخستین نمونه موفق درمان هدفمند
زمانی که در دهه ۱۹۴۰ نخستین بیماران با ید-۱۳۱ درمان شدند، شاید کمتر کسی تصور میکرد این روش به یکی از موفقترین نمونههای درمان هدفمند در پزشکی تبدیل شود.
ویژگی منحصربهفرد سلولهای تیروئیدی، یعنی توانایی جذب فعال ید از طریق ناقل سدیم-ید (NIS)، باعث میشود ید-۱۳۱ بهطور انتخابی در این سلولها تجمع یابد. تابش ذرات بتا سپس سلولهای هدف را تخریب میکند و در عین حال، آسیب به سایر بافتها نسبتاً محدود باقی میماند. این ویژگی، یددرمانی را به یکی از نخستین نمونههای واقعی Theranostics یا «ترکیب تشخیص و درمان» تبدیل کرده است.
با این حال، تجربه بالینی نشان داده است که پاسخ بیماران یکسان نیست. برخی بیماران با یک دوره درمان به بهبودی کامل میرسند، در حالی که گروهی دیگر به دلیل کاهش توانایی سلولهای توموری در جذب ید، پاسخ مناسبی دریافت نمیکنند. امروزه پژوهشها بر شناسایی این بیماران و طراحی درمانهای شخصیسازیشده متمرکز شدهاند.
چرا SPECT دیگر فقط یک تصویر نیست؟
در گذشته، پزشکان تصاویر SPECT را عمدتاً بهصورت کیفی تفسیر میکردند؛ یعنی بر اساس شدت نسبی جذب رادیودارو تصمیم میگرفتند که آیا ضایعهای وجود دارد یا خیر.
اما نسل جدید سیستمهای SPECT/CT قادر است فعالیت واقعی رادیودارو را در هر بخش از بدن بهصورت کمی اندازهگیری کند. این فناوری که با عنوان Quantitative SPECT شناخته میشود، از مجموعهای از اصلاحات فیزیکی مانند تصحیح تضعیف، تصحیح پراکندگی، مدلسازی پاسخ آشکارساز و کالیبراسیون دقیق استفاده میکند تا برآورد قابل اعتمادی از مقدار رادیودارو در بافتها ارائه دهد.
به بیان ساده، SPECT دیگر فقط «تصویر» تولید نمیکند؛ بلکه به یک ابزار اندازهگیری تبدیل شده است.
این تغییر پیامدهای مهمی دارد:
امکان محاسبه دوز جذبشده در تومور و اندامهای سالم
ارزیابی دقیق اثربخشی درمان
برنامهریزی برای تکرار یا توقف درمان
کاهش خطاهای ناشی از تفسیر ذهنی تصاویر
حرکت به سمت پزشکی دقیق
از درمان تجربی تا دوزیمتری اختصاصی
سالها فعالیت ید-۱۳۱ عمدتاً بر اساس دستورالعملهای تجربی تعیین میشد. اگرچه این رویکرد در بسیاری از بیماران موفق بود، اما تفاوتهای فردی در جذب ید، اندازه ضایعات، عملکرد کلیه، متابولیسم و ویژگیهای ژنتیکی میتوانست نتایج درمان را تحت تأثیر قرار دهد.
امروزه مفهوم Patient-Specific Dosimetry در حال تبدیل شدن به یکی از مهمترین محورهای پژوهش و کاربرد بالینی است. در این روش، هدف آن است که برای هر بیمار، دوزی تجویز شود که بیشترین اثر درمانی را بر تومور و کمترین آسیب را به بافتهای سالم وارد کند. مرورهای جدید نشان میدهند که استفاده از تصویربرداری کمی و مدلهای مبتنی بر هوش مصنوعی میتواند دقت این محاسبات را افزایش دهد و حتی تعداد تصویربرداریهای موردنیاز را کاهش دهد.
چرا این تحول اهمیت دارد؟
امروز موفقیت یددرمانی دیگر تنها به انتخاب رادیودارو وابسته نیست؛ بلکه به توانایی ما در اندازهگیری دقیق، تحلیل هوشمند و تصمیمگیری شخصیسازیشده بستگی دارد. در بخش بعدی خواهیم دید که چگونه هوش مصنوعی، یادگیری عمیق و رادیومیکس در حال بازتعریف یددرمانی و آینده پزشکی هستهای هستند.
هوش مصنوعی چگونه آینده یددرمانی را بازنویسی میکند؟
تا همین چند سال پیش، بسیاری تصور میکردند هوش مصنوعی صرفاً ابزاری برای تشخیص بیماری در تصاویر پزشکی است. اما واقعیت امروز بسیار فراتر از این تصور است. در پزشکی هستهای، هوش مصنوعی به تدریج در تمام مراحل یددرمانی، از انتخاب بیمار تا محاسبه دوز، ارزیابی پاسخ درمان و حتی پیگیری بلندمدت، در حال ایفای نقش است. مرورهای نظاممند اخیر نشان میدهند که این فناوری میتواند به یک سامانه تصمیمیار جامع برای یددرمانی تبدیل شود.
انقلاب اول؛ بازسازی هوشمند تصاویر SPECT
یکی از بزرگترین چالشهای تصویربرداری SPECT، نویز ناشی از تعداد محدود فوتونهای ثبتشده است. هرچه زمان تصویربرداری کوتاهتر شود یا فعالیت رادیودارو کاهش یابد، کیفیت تصویر افت میکند.
اینجاست که شبکههای یادگیری عمیق وارد عمل میشوند.
الگوریتمهای مدرن میتوانند:
نویز تصویر را کاهش دهند.
جزئیات ساختارهای کوچک را حفظ کنند.
کنتراست ضایعات را بهبود دهند.
زمان تصویربرداری را بدون افت محسوس کیفیت کاهش دهند.
این پیشرفت تنها به افزایش کیفیت تصویر محدود نمیشود؛ بلکه تجربه بیمار را نیز بهبود میبخشد، زیرا مدت حضور روی تخت تصویربرداری کمتر شده و احتمال ایجاد آرتیفکتهای حرکتی کاهش مییابد.
انقلاب دوم؛ اندازهگیری دقیق به جای قضاوت چشمی
در گذشته، متخصص پزشکی هستهای عمدتاً بر اساس شدت نسبی جذب رادیودارو درباره وجود یا عدم وجود ضایعه قضاوت میکرد.
امروز هدف، اندازهگیری کمی فعالیت رادیودارو در هر ضایعه است.
هوش مصنوعی با اصلاح خطاهای ناشی از نویز، تضعیف و پراکندگی، به افزایش دقت کمیسازی تصاویر کمک میکند و امکان محاسبه دقیقتر دوز جذبشده را فراهم میسازد. این همان پایهای است که دوزیمتری شخصیسازیشده بر آن استوار است.
رادیومیکس؛ استخراج اطلاعاتی که چشم انسان نمیبیند
هر تصویر SPECT هزاران ویژگی پنهان در خود دارد.
شدت جذب، ناهمگنی، بافت، شکل، توزیع فضایی و الگوهای آماری تنها بخشی از اطلاعاتی هستند که با روشهای Radiomics استخراج میشوند.
وقتی این ویژگیها با اطلاعات بالینی، آزمایشگاهی و ژنتیکی ترکیب شوند، مدلهای هوش مصنوعی میتوانند احتمال موفقیت یددرمانی، خطر عود بیماری و حتی احتمال مقاوم شدن تومور به ید رادیواکتیو را پیشبینی کنند. این رویکرد، گامی مهم به سوی پزشکی دقیق است.
آیا هوش مصنوعی میتواند بیمار مناسب یددرمانی را انتخاب کند؟
یکی از مهمترین چالشها در سرطان تیروئید، تشخیص بیمارانی است که به ید-۱۳۱ پاسخ مطلوب نمیدهند.
مطالعات جدید نشان دادهاند که ترکیب دادههای تصویربرداری، یافتههای پاتولوژی و نشانگرهای مولکولی میتواند به مدلهای هوش مصنوعی کمک کند تا احتمال پاسخ به درمان را قبل از شروع یددرمانی برآورد کنند.
این موضوع اهمیت زیادی دارد، زیرا از درمانهای غیرضروری جلوگیری کرده و بیماران را سریعتر به گزینههای درمانی جایگزین هدایت میکند.
آینده بدون CT؛ آیا SPECT مستقل خواهد شد؟
یکی از هیجانانگیزترین دستاوردهای سال ۲۰۲۶، معرفی سامانههای CT-Free Quantitative SPECT است.
در این فناوری، الگوریتمهای هوش مصنوعی بخشی از اطلاعاتی را که پیشتر از CT برای اصلاح تصاویر استفاده میشد، تخمین میزنند. نتایج اولیه نشان داده است که این روش میتواند ضمن کاهش زمان تحلیل و کاهش پرتوگیری ناشی از CT، عملکردی نزدیک به SPECT/CT متداول ارائه دهد. اگر این فناوری در مطالعات بیشتر تأیید شود، میتواند دسترسی به تصویربرداری کمی را در مراکز بیشتری ممکن سازد.
دوقلوی دیجیتال؛ گام بعدی پزشکی هستهای
تصور کنید برای هر بیمار یک مدل دیجیتال ساخته شود که رفتار رادیودارو را در بدن او شبیهسازی کند.
این مفهوم که با عنوان Digital Twin شناخته میشود، یکی از آیندهدارترین ایدهها در پزشکی دقیق است.
در چنین سامانهای، پزشک میتواند پیش از تجویز ید-۱۳۱، سناریوهای مختلف را شبیهسازی کند:
اگر فعالیت بیشتری تجویز شود، چه تغییری در دوز تومور ایجاد خواهد شد؟
آیا مغز استخوان یا غدد بزاقی در معرض خطر قرار میگیرند؟
آیا درمان دوم ضروری خواهد بود؟
هرچند این فناوری هنوز در ابتدای مسیر قرار دارد، اما بسیاری از پژوهشگران آن را یکی از ارکان پزشکی هستهای آینده میدانند.
آیا هوش مصنوعی جای پزشک را خواهد گرفت؟
پاسخ کوتاه، خیر است.
هدف از توسعه این فناوریها حذف پزشک نیست، بلکه افزایش دقت تصمیمگیری است. در آینده، متخصص پزشکی هستهای همچنان تصمیم نهایی را خواهد گرفت، اما این تصمیم بر پایه دادههای کمی، تحلیلهای پیشرفته و پیشبینیهای مبتنی بر هوش مصنوعی خواهد بود؛ ترکیبی که احتمال موفقیت درمان را افزایش داده و خطر عوارض را کاهش میدهد.
آینده یددرمانی تا سال ۲۰۳۵؛ از پزشکی دقیق تا درمانهای هوشمند
اگر از متخصصان پزشکی هستهای در بزرگترین مراکز دنیا بپرسید که مهمترین تحول این رشته در دهه آینده چیست، پاسخ بسیاری از آنها تنها «رادیوداروی جدید» نخواهد بود؛ بلکه همگرایی تصویربرداری کمی، هوش مصنوعی، زیستشناسی مولکولی و درمانهای شخصیسازیشده خواهد بود. پزشکی هستهای در حال عبور از عصر تشخیص به عصر «تصمیمگیری مبتنی بر داده» است.
ترانوستیک؛ آیندهای که همین امروز آغاز شده است
واژه Theranostics از ترکیب دو واژه Therapy و Diagnostics ساخته شده است.
در این رویکرد، ابتدا با تصویربرداری مولکولی مشخص میشود که آیا تومور هدف مناسبی برای درمان است یا خیر. سپس همان هدف مولکولی با یک رادیوداروی درمانی مورد حمله قرار میگیرد و در ادامه، پاسخ درمان دوباره با تصویربرداری ارزیابی میشود.
سرطان تیروئید یکی از موفقترین نمونههای این مفهوم است، زیرا سالهاست از ید-۱۳۱ هم برای تصویربرداری و هم برای درمان استفاده میشود. اما اکنون این رویکرد در حال گسترش به بسیاری از سرطانهای دیگر نیز هست و به یکی از مهمترین محورهای پزشکی دقیق تبدیل شده است.
پایان درمان یکسان برای همه بیماران
در گذشته، بسیاری از بیماران با الگوهای مشابه، درمانی تقریباً یکسان دریافت میکردند.
اما آینده پزشکی هستهای بر پایه این پرسش شکل میگیرد:
“بهترین درمان برای همین بیمار، با همین ویژگیهای زیستی، دقیقاً چیست؟”
برای پاسخ به این سؤال، اطلاعات زیر در کنار هم قرار خواهند گرفت:
تصویربرداری کمی SPECT/CT
دادههای PET/CT
نتایج ژنتیک و بیولوژی مولکولی
اطلاعات آزمایشگاهی
سابقه درمانهای قبلی
مدلهای پیشبینی مبتنی بر هوش مصنوعی
نتیجه این رویکرد، طراحی درمانی است که متناسب با ویژگیهای منحصربهفرد هر بیمار باشد، نه بر اساس میانگین یک جمعیت.
سرطانهایی که دیگر ید را جذب نمیکنند
یکی از مهمترین چالشها در درمان سرطان تیروئید، سرطانهای مقاوم به ید (Radioiodine-Refractory Thyroid Cancer) است.
در این بیماران، سلولهای تومور توانایی جذب ید را از دست میدهند و درمان کلاسیک با ید-۱۳۱ اثربخشی خود را کاهش میدهد.
پژوهشهای جدید در حال بررسی راهکارهایی هستند که بتوانند دوباره مسیر جذب ید را در این سلولها فعال کنند یا از اهداف مولکولی جدید برای درمان استفاده کنند. این حوزه یکی از فعالترین زمینههای تحقیقاتی پزشکی هستهای در جهان است.
هوش مصنوعی؛ دستیار هوشمند تیم درمان
در آینده، هوش مصنوعی صرفاً یک نرمافزار پردازش تصویر نخواهد بود.
یک سامانه هوشمند میتواند:
تصاویر قبل و بعد از درمان را مقایسه کند.
حجم ضایعات را بهصورت خودکار اندازهگیری کند.
پاسخ درمان را پیشبینی کند.
احتمال عود بیماری را برآورد کند.
دوز مناسب رادیودارو را پیشنهاد دهد.
گزارش اولیه را برای بازبینی متخصص آماده کند.
در نهایت، تصمیمگیری همچنان بر عهده پزشک خواهد بود، اما با تکیه بر دادههایی دقیقتر و تحلیلهایی سریعتر.
نسل جدید رادیوداروها
اگرچه ید-۱۳۱ همچنان ستون اصلی درمان بسیاری از بیماران مبتلا به سرطان تیروئید است، اما پژوهشها بهسرعت در حال توسعه رادیوداروهای جدید، لیگاندهای هدفمند و رادیونوکلئیدهای نوین هستند.
هدف این نسل جدید، رساندن پرتو با دقت بیشتر به سلولهای سرطانی و کاهش آسیب به بافتهای سالم است. این روند، دامنه کاربرد ترانوستیک را فراتر از سرطان تیروئید گسترش خواهد داد.
پزشکی هستهای در سال ۲۰۳۵ چگونه خواهد بود؟
اگر روند کنونی ادامه پیدا کند، احتمالاً مراکز پزشکی هستهای پیشرفته تا سال ۲۰۳۵ ویژگیهای زیر را خواهند داشت:
تصویربرداری کمی بهعنوان استاندارد روزمره
دوزیمتری خودکار برای هر بیمار
بازسازی تصاویر با هوش مصنوعی
گزارشهای نیمهخودکار با کمک مدلهای هوشمند
ادغام دادههای تصویربرداری، ژنتیک و آزمایشگاه در یک پرونده واحد
تصمیمگیری درمانی مبتنی بر مدلهای پیشبینی
در چنین شرایطی، کیفیت درمان تنها به تجربه پزشک وابسته نخواهد بود، بلکه به کیفیت دادهها و قدرت تحلیل آنها نیز وابسته خواهد شد.
نقش ایران در این تحول
ایران طی سالهای گذشته در حوزه پزشکی هستهای، تولید برخی رادیوداروها و توسعه مراکز تخصصی پیشرفتهای ارزشمندی داشته است.
گام بعدی میتواند تمرکز بر فناوریهای نوین مانند:
Quantitative SPECT
دوزیمتری اختصاصی
هوش مصنوعی در تصویربرداری
رادیومیکس
همکاریهای چندمرکزی پژوهشی
باشد.
سرمایهگذاری در این حوزهها میتواند علاوه بر ارتقای کیفیت خدمات درمانی، جایگاه پژوهشی کشور را نیز در سطح بینالمللی تقویت کند.
جمعبندی، چشمانداز آینده و منابع پیشنهادی
جمعبندی؛ پزشکی هستهای در آستانه یک تحول بزرگ
پزشکی هستهای در دهه پیش رو، بیش از هر زمان دیگری به سمت پزشکی دقیق (Precision Medicine) حرکت خواهد کرد. در این مسیر، یددرمانی دیگر تنها به تجویز یک فعالیت مشخص از ید-۱۳۱ محدود نخواهد بود، بلکه هر بیمار بر اساس ویژگیهای زیستی، تصویربرداری کمی، دادههای بالینی و تحلیلهای هوش مصنوعی، درمانی متناسب با شرایط خود دریافت خواهد کرد.
SPECT کمی (Quantitative SPECT)، با فراهم کردن امکان اندازهگیری واقعی توزیع رادیودارو در بدن، نقش کلیدی در این تحول دارد. زمانی که این فناوری با هوش مصنوعی، رادیومیکس و دوزیمتری اختصاصی ترکیب شود، پزشک میتواند با اطمینان بیشتری درباره انتخاب دوز، ارزیابی پاسخ درمان و کاهش عوارض تصمیمگیری کند.
امروزه هدف تنها درمان سرطان تیروئید نیست؛ هدف، درمان هوشمند، ایمن و شخصیسازیشده است.
پنج فناوری که آینده یددرمانی را شکل خواهند داد
بر اساس روند پژوهشهای بینالمللی، این فناوریها بیشترین تأثیر را بر آینده یددرمانی خواهند داشت:
Quantitative SPECT/CT برای اندازهگیری دقیق فعالیت رادیودارو.
Artificial Intelligence برای بازسازی تصویر، پیشبینی پاسخ درمان و کمک به تصمیمگیری.
Patient-Specific Dosimetry برای تعیین دوز اختصاصی هر بیمار.
Radiomics و Radiogenomics برای استخراج اطلاعات پیشرفته از تصاویر و ارتباط آن با ویژگیهای مولکولی.
Theranostics بهعنوان الگوی استاندارد درمانهای هدفمند در پزشکی هستهای.
چالشهایی که باید بر آنها غلبه کنیم
با وجود پیشرفتهای چشمگیر، چند چالش مهم همچنان باقی است:
استانداردسازی روشهای کمیسازی بین دستگاهها و مراکز مختلف.
ایجاد پایگاههای داده چندمرکزی برای آموزش و اعتبارسنجی مدلهای هوش مصنوعی.
آموزش متخصصان در زمینه تحلیل داده و کاربرد ابزارهای نوین.
توسعه دستورالعملهای بالینی برای استفاده گسترده از دوزیمتری شخصیسازیشده.
انجام کارآزماییهای بالینی بزرگ برای ارزیابی اثربخشی این فناوریها.
حل این چالشها میتواند مسیر ورود گستردهتر فناوریهای نوین به خدمات روزمره پزشکی هستهای را هموار کند.
سخن پایانی
شاید بزرگترین تغییر آینده پزشکی هستهای، نه در ساخت رادیوداروهای جدید، بلکه در نحوه استفاده هوشمندانه از دادهها باشد.
هر تصویر SPECT، هر عدد کمی و هر الگوریتم یادگیری ماشین، میتواند به تصمیمی منجر شود که کیفیت زندگی یک بیمار را بهبود ببخشد. آینده این رشته، آیندهای است که در آن فیزیک، پزشکی، مهندسی و هوش مصنوعی در کنار یکدیگر برای ارائه درمانهای دقیقتر و ایمنتر همکاری میکنند.
دکتر امیرحسین حاجیگل
پژوهشگر و مدرس حوزه مهندسی پرتوهای پزشکی و پزشکی هستهای
حوزههای تخصصی و پژوهشی:
پزشکی هستهای و تصویربرداری مولکولی
Quantitative SPECT و SPECT/CT
PET/CT
هوش مصنوعی در تصویربرداری پزشکی
پردازش تصویر پزشکی و یادگیری عمیق
حفاظت در برابر پرتوها
دوزیمتری و ترانوستیک
راههای ارتباطی
LinkedIn: https://www.linkedin.com/in/amirhossein-hajigol
ORCID: 0009-0009-6200-422X
CIVILICA Researcher ID: 415461
اگر در زمینه پزشکی هستهای، هوش مصنوعی در تصویربرداری پزشکی، دوزیمتری یا پروژههای پژوهشی علاقهمند به همکاری هستید، خوشحال میشوم از طریق لینکدین با من در ارتباط باشید