Д-р Миодраг Цекиќ е еден од најистакнатите македонски експерти во биоинженеринг, препознатлив по своите иновативни истражувања во предиктивно моделирање во здравството и персонализирана медицина. Неговиот докторат во областа на биоинженеринг истражува примена на машинско учење во откривање и анализа на улогата на микробиомот кај дијагноза и терапија на колоректален карцином – истражување кое отвора нови хоризонти за разбирање на тераписката резистентност и развојот на ова заболување.
Неговите научни интереси вклучуваат метагеномика, секвенционирање на цел геном, машинско учење за ДНК анализа и длабинска анализа на микробиомот.
Покрај академската работа, д-р Цекиќ е основач на Adopt Intelligence. Со силна основа во софтверски инженеринг – како поранешен технички лидер и solution architect во Microsoft екосистемот – денес се фокусира на развој на „AI-first“ производи и интеграција на напредни вештачко-интелигентни решенија во компании и индустриски системи. Како Microsoft MVP за Azure AI Studio и Azure AI Services, тој активно работи со најсовремените технологии: големи јазични модели (LLMs), мултимодални модели (LMMs), генеративна AI и агентски системи.
Како технолошки ентузијаст, активно ги поддржува тех-заедниците и едукативните иницијативи во земјата и светот. Иновацијата, истражувањето и поместувањето на границите меѓу биоинженерингот и технологијата се двигатели на неговата работа.
Разговараше- Верица Јорданова
Г-н Цекиќ, на кој начин веќе вештачката интелигенција навлегува во светот на медицината, и каква е Вашата инволвираност во целиот тој процес?
Вештачката интелигенција (ВИ) не е веќе научна фантастика или резервирана само за тесен круг научници. Таа влегува во медицината на еден многу важен начин помагајќи ни да ја видиме и длабински да ја разбереме иднината на нашето здравје.
Најголемиот фокус сега е ставен на раната и прецизна дијагностика. Замислете ја ВИ како исклучително остро и критичко око, моќен аналитички систем кој може да забележи проблеми многу, многу порано отколку што би можеле ние или класичните методи. Ова е технологија која е доволно зрела комплементатно да се интегрира во секојдневните прегледи и превентивните скрининзи. Зошто е тоа клучно? Затоа што овозможува да добиеме информации кои се толку суптилни, што се практично невидливи за човечкото око. Ова го вклучува препознавањето на промени на медицински слики, но уште поважно, анализата на огромни збирки податоци за предвидување на последици од лекувања или несакани контраиндикации од веќе постоечки третмани.
Нашата инволвираност е токму во делот да ја искористиме оваа напредна наука и да ја претвориме во оперативна алатка. Таа треба да биде составен дел од она што го нарекуваме персонализирана медицина или интелигентна грижа за себе. Тоа значи дека не чекаме да се појави симптом за да реагираме, туку подразбира превентивен скрининг кој се прави многу порано, пред болеста да добие шанса да се развие или додека е во многу рана фаза. Тоа е суштината на „well-being“ – да се грижиш за себе додека си здрав.
Во која област од медицината во моментот има вештачката интелигенција најголем продор?
Може да се каже дека ВИ влегува во сите области, но најголемите и најперспективни откритија доаѓаат од две насоки кои редовно ги следам.
Првата е стандардната, но моќна, анализа на слики (vision processing). Долги години ВИ се користи за рано препознавање на рак на дојка, детектирајќи ги дури и најмалите, невидливи промени на ткивото. Со прецизно процесирање на мерење на слики и препознавање на одредени модели или потписи, алгоритмот докажано ги надминува човечките можности за детекција.
Втората насока, која е особено возбудлива и револуционерна, е истражувањето на микробиомот. Ова е науката за многуте бактерии кои живеат во нас – во цревата, на кожата, во устата. Тоа е како цел екосистем во нашето тело. За да го истражиме овој комплексен систем, ни треба еден мултидисциплинарен тим составен од техничари, молекуларни биолози, микробиолози, биоинженери, статистичари и математичари.
Конкретно, во цревата живеат околу 7.000 видови бактерии. Тие „тежат“ околу 2 килограми и носат 100-150 пати повеќе генетски информации од нашиот сопствен човечки геном. Ова е огромно богатство на информации и не случајно цревниот микробиом се нарекува втор човечки геном!
Нашата улога е тука клучна: ние земаме фекален примерок, ја изолираме и дигитализираме ДНК-та на тие бактерии преку процесот на секвенционирање, а потоа со помош на машинско учење (supervised/unsupervised machine learning) ги анализираме тие податоци. Потоа ги споредуваме со клиничките податоци – географската локација, полот, возраста, BMI индексот, како и историјата на користење антибиотици и други препарати. Оваа комбинација на податоци и клиничка историја создава една уникатна дигитална слика на нашето здравје.
Што значи тоа во пракса? Каде се испитува ова што го објаснувате?
Најголемиот проблем со сите карциноми, вклучително и колоректалниот карцином, е што најчесто се откриваат кога веќе е доцна – во трета или четврта фаза, кога е многу потешко да се делува. Нашата цел е да го смениме тој пристап.
Методологијата која ја поставивме на Универзитетот Аџибадем во Истанбул и ја објавивме во реномираното научно списание Applied Science (MDPI:2076-3417/12/9/4094), има за цел да се користи токму за ран скрининг и предвидување на ризик.
Со овој пристап, ние користиме напредни алгоритми за надгледувано машинско учење (supervised machine learning), за да го анализираме дигитализираниот бактериски свет од фекален примерок. Алгоритмот е трениран на претходни податоци и може, со исклучително висока точност (во нашата студија постигнавме над 91,7%), да даде информација и да класифицира предиктивност кон состојба на резистентност на терапија или развој на карциногенеза. Оваа информација поконкретно се однесува на потенцијалот за воспалителен процес, за развој на аденокарциномна состојба, или пак, за потенцијал за карциномна состојба.
Јас бев дел од тимот кој работеше на секвенционирање на податоци и нивна споредба со клиничките студии. Клучно е да се изгради огромна, квалитетна база на податоци од пациенти со различни карактеристики и фази на заболување. Ова е „храната“ за вештачката интелигенција – колку повеќе „знаење“ има моделот, толку поточно може да учи и да предвидува ризик кај нов пациент.
Какви заклучоци беа донесени во таа фаза додека бевте дел од тој тим?
Колоректалниот карцином е голем проблем, заземајќи околу 10% смртни случаи на рак во светот, со статистичка слика на речиси 20 милиони нови случаи на карцином глобално на годишно ниво. Нашата работа тргна многу оптимистички во делот на имунотерапијата и резистентноста на лекови. Развивме алгоритми кои не само што ја одредуваат фактичката состојба, туку и ги покажуваат клучните биомаркери – оние бактерии кои може позитивно или негативно да влијаат на ефикасноста на терапијата.
Нашето истражување покажа дека резистентноста на лековите често не се должи само на присуството на еден патоген бактериски род, туку на групи на бактерии кои живеат во симбиоза и заеднички влијаат на отпорноста на лекот. Со анализата на здружени карактеристики (joint feature contribution), утврдивме дека овие комбинации на бактерии ја зголемуваат предиктивната моќ на алгоритмот. На пример, идентификувавме родови како Bacteroides во промоција на воспалителен процес и Prevotella која ја поврзавме со потенцијалот за метастазирање (префрлање на клетки кон коскената срцевина).
Едно од најважните откритија на кое беше базирана нашата работа беше поврзано со лекот петфлурацил. Утврдивме дека бактеријата Fusobacterium nucleatum, кога е присутна во голема мера во цревата, има моќ да ја апсорбира хемотерапијата. Тоа значи дека пациентот поминува низ тежок третман, а тој има тенденција на намален ефект. Ова знаење ни дава можност да поставиме хипотези и насоки на истражување со цел да им помогнеме на специјалистите да го моделираат и одлучат за персонализираниот пат и процес на одредено лекување.
Во која фаза ова е навлезено веќе во пракса?
Ова не е веќе само лабораториска наука, туку испитувањето на микробиомот во цревата веќе се нуди како продукт, односно сервис за персонализирана медицина. Професорите со кои работев во Турција комплетно го интегрираа овој пристап во пракса.
Оваа услуга се нуди во симбиоза со други стручни лица, како што се нутриционисти, експерти за физичка подготвеност, а сега интензивно се работи и на вметнување на компонентата на менталното здравје и психичката состојба на организмот.
Ние со секвенционирање на микробиомот добиваме „дигитализација на организмот“ во еден момент. Но, бидејќи воспалителните процеси и предизвикувањата се комплексни нема една равенка за појава на болест, туку најголем предизвик е да ги опфатиме сите променливи. Затоа, се создаваат експертски тимови со цел да се опфати што е можно повеќе од тие фактори, со крајна цел заштита на здравјето и ефикасно лечење на одредена состојба. Оваа модерна технологија е моментално многу понапредна од традиционалните биостатистички методи.
На кои пазари работат овие мултидисциплинарни тимови? Колкав е интересот на клиниките кои располагаат со тие податоци да ги стават во служба на науката?
Оваа работа се сфаќа многу сериозно и интензивно во развиените економии. Моите информации укажуваат на интензивна работа и фокус на турскиот, британскиот и американскиот пазар.
Постои еден многу важен европски проект – ML4Microbiome (Machine Learning Techniques in Human Microbiome Studies), кој е мрежа финансирана од Европската Унија (COST Action). Овој проект е основан токму со цел да се стандардизираат и оптимизираат алатките за машинско учење во анализата на микробиомот. Тој ги здружува научниците од повеќе од 30 земји, создавајќи продуктивна симбиоза помеѓу истражувачите на микробиомот и експертите за вештачка интелигенција. Ова е клучно за да се подобри репродуктивноста и споредливоста на студиите на европско ниво.
По моето искуство и контактите од средбите и презентациите на Универзитетот во Корк, Ирска, сфатив дека различни научни групи одат во различни правци, што е корисно бидејќи го проширува спектарот на знаењето. Меѓутоа, генерално, во сите развиени економии ова се работи многу интензивно. Клучно е собирањето на податоци, па знам дека се работи на волонтерски придонеси каде луѓето даваат примероци, а нивните податоци, со нивно одобрување, влегуваат во големите бази за развој на оваа технологија. Сите сме свесни дека ова е иднината на персонализираната грижа за здравјето.
