ონკოლოგიურ დაავადებებთან ბრძოლის ახალი მეთოდი: როგორ შეცვლის ProtoBlast მკურნალობის ტრადიციულ მიდგომებს
Opinions expressed by 鶹 contributors are their own.
You're reading 鶹 Georgia, an international franchise of 鶹 Media.
"ალტე უნივერსიტეტში" ყოველწლიური, მასშტაბური პროექტი START-UP მარათონი გაიმართა, რომელშიც სკოლის მოსწავლეები მონაწილეობდნენ. მარათონის მიმდინარეობისას უფროსკლასელებმა წარმატებული ბიზნესმოდელი შეიმუშავეს, მისი ამოქმედების გზები დასახეს და ჟიურის წინაშე წარადგინეს. 鶹 მარათონის ერთ-ერთი წარმატებული გუნდისა და მათი იდეის, ProtoBlast-ის შესახებ გიამბობთ.
"ყველაფერი ერთი მეილიდან დაიწყო, როდესაც ბაქსვუდის ინოვაციების პროგრამების ხელმძღვანელმა, თაზო არუნაშვილმა, გაგვიზიარა ინფორმაცია Alte University-ს სტარტაპ მარათონის შესახებ. ერთ დღეს მე, დაჩიმ და ლევანმა გადავწყვიტეთ, მიგვეღო მონაწილეობა ამ კონკურსში, თუმცა თავიდანვე წავაწყდით მნიშვნელოვან კითხვას, თუ რაზე უნდა ყოფილიყო ჩვენი სტარტაპი", – გიორგი ქოიავა, ProtoBlast-ის თანადამფუძნებელი, მთავარი ოპერაციული ოფიცერი და კომერციული ხელმძღვანელი.
როგორც გიორგი გვიამბობს, გუნდის სამივე წევრმა სხვადასხვა სფეროში მიღებული გამოცდილებით ცოდნა და უნარები გააერთიანა და საერთო იდეა შექმნა.
თავად გიორგიმ სტაჟირება საქართველოს ერთ-ერთ დიდ ლოგისტიკურ კომპანიაში, Gianti Logistics-სა და კერძო კაპიტალის ფირმაში, Gazelle Finance Georgia-ში გაიარა. შესაბამისად, ProtoBlast-ის მთავარი ოპერაციული ოფიცერი გახდა.
ლევან გოგუა სტაჟირებას Big 4 კომპანიის, Ernst & Young-ის ქართულ ოფისში გადიოდა. იგი ასევე არის Bocconi-ს უნივერსიტეტის მომავალი სტუდენტი, საერთაშორისო ეკონომიკისა და ფინანსების პროგრამაზე, რაც მის ფინანსურ კვალიფიკაციას კიდევ უფრო ამყარებს, ამიტომ ლევანი გუნდის მთავარი ფინანსური ოფიცერი გახდა.
და ბოლოს, დაჩი გაჩეჩილაძე, გუნდის მთავარი ტექნოლოგიური მენეჯერი, რომელიც ფიზიკის ორი კვლევის ავტორი გახლავთ. მას ჩატარებული აქვს კვლევა Oxford-ის უნივერსიტეტის პროფესორთან ნულოვან კვანტზე. იგი არის სამგზის რობოტიკის ოლიმპიადის ჩემპიონი, ასევე STEM ოლიმპიადის თეორიული ტურისა და USAID-ის ჰაკათონის გამარჯვებული. გარდა ამისა, ჩაბარებული აქვს სამაგისტრო GRE გამოცდა მაქსიმალური ქულით. შესაბამისად, იგი ProtoBlast-ის მთავარი ტექნოლოგიური ოფიცერია.
"ჩვენი მიზანი იყო ამბიციური სტარტაპის შექმნა, რომელიც ბაზარს სამედიცინო სფეროში ინოვაციურ გადაწყვეტას შესთავაზებდა. რამდენიმე დღის განმავლობაში აქტიურად განვიხილავდით სხვადასხვა იდეას, თუმცა, საბოლოოდ, პროტონული თერაპიის პროცესის დაჩქარებასა და გამარტივებაზე შევთანხმდით.
ProtoBlast, ჩვენი სტარტაპ იდეა, წარმოადგენს ხელოვნურ ინტელექტზე დაფუძნებულ პროგრამას, რომელიც კიბოს მკურნალობის ერთ-ერთი ალტერნატიული მეთოდის, პროტონული თერაპიის პროცესის ავტომატიზაციას უზრუნველყოფს. სისტემა სამედიცინო გამოსახულებებს აანალიზებს და ოპტიმალურად ანაწილებს პროტონის დოზას, რის შედეგადაც მკურნალობის გეგმა რამდენიმე წუთში იქმნება, ნაცვლად რამდენიმე კვირისა".
რას გულისხმობს პროტონული თერაპია და რატომ არის აუცილებელი ამ პროცესში ინოვაციური ტექნოლოგიის დანერგვა?
პროტონული თერაპია სხივური თერაპიის ერთ-ერთი ფორმაა, რომელიც ფოტონების ნაცვლად დამუხტულ ნაწილაკებს იყენებს. მისი მთავარი უპირატესობა ფიზიკურ თვისებებში გამოიხატება: პროტონებს შეუძლიათ გაჩერდნენ განსაზღვრულ სიღრმეზე, რაც კლინიცისტებს საშუალებას აძლევს, უკეთ დაიცვან მიმდებარე ჯანსაღი ქსოვილები, განსაკუთრებით მგრძნობიარე ორგანოების გარშემო.
თუმცა, სწორედ ეს სიზუსტე ხდის პროტონულ თერაპიას მაღალმგრძნობიარეს ანატომიის, მოწყობისა და ქსოვილების სიმკვრივის გაურკვევლობების მიმართ. შედეგად, დაგეგმვის პროცესი ბევრად უფრო რთული და შრომატევადია, ვიდრე ბევრი ადამიანი ვარაუდობს.
ინოვაციური ტექნოლოგიის დანერგვა აუცილებელია, რადგან მიუხედავად მნიშვნელოვანი კლინიკური სარგებლისა, პროტონულ თერაპიაზე წვდომა კვლავ შეზღუდულია მაღალი ხარჯების, სპეციალიზებული პერსონალის საჭიროებისა და დაგეგმვის სირთულის გამო.
რა არის თქვენი AI გადაწყვეტის მთავარი უპირატესობა, უკვე არსებული მკურნალობის დაგეგმვის სისტემებთან შედარებით?
მათი უპირატესობა არ მდგომარეობს იმაში, რომ არსებული სისტემები სუსტია, პირიქით, ისინი ძლიერი და კარგად დამკვიდრებული პროდუქტებია.
მთავარი განსხვავება ის არის, რომ ProtoBlast თავიდანვე იქმნება, როგორც სრულად ხელოვნურ ინტელექტზე დაფუძნებული სამუშაო პროცესი, რომელიც სპეციალურად ოპტიმიზებულია პროტონული თერაპიის დაგეგმვისთვის. ეს მოიცავს სიჩქარის, თანმიმდევრულობისა და ხელმისაწვდომობის გაუმჯობესებას.
არსებული სისტემები ხშირად წარმოადგენს ძვირადღირებულ საწარმო პლატფორმებს ან დამატებით მოდულებს, რომელთა დანერგვა რთულია და მნიშვნელოვან რესურსებს მოითხოვს.
ProtoBlast კი ქმნის უფრო მარტივ და სწრაფად დასანერგ "დაგეგმვის ფენას", რომელიც ექიმებს ეხმარება, გაცილებით სწრაფად მიიღონ ძლიერი და ოპტიმალური მკურნალობის გეგმის საწყისი ვერსია, რომლის შემდგომი დახვეწაც უკვე მათი კონტროლის არეალში რჩება.
როგორ ეხმარება თქვენი პროგრამა ექიმებსა და სამედიცინო ფიზიკოსებს მკურნალობის გეგმის უფრო სწრაფად და ზუსტად შექმნაში?
პროგრამა ექიმებსა და სამედიცინო ფიზიკოსებს ეხმარება იმით, რომ ავტომატიზაციას უკეთებს დაგეგმვის ყველაზე რთულ და დროის მომთხოვნ ეტაპებს.
სისტემა აანალიზებს პაციენტის CT ან MRI მონაცემებს და ავტომატურად:
- გამოყოფს სიმსივნესა და კრიტიკულ ორგანოებს
- განსაზღვრავს დოზის მიზნებს
- სთავაზობს სხივის ოპტიმალურ პარამეტრებს
ამის შემდეგ ალგორითმი ასრულებს დოზის ოპტიმიზაციას და ქმნის მკურნალობის გეგმის ძლიერ საწყის ვერსიას. ეს ნიშნავს, რომ სპეციალისტებს აღარ სჭირდებათ მრავალსაათიანი ხელით გამოთვლები. ისინი იღებენ უკვე მომზადებულ, მაღალი ხარისხის გეგმას და ახორციელებენ საბოლოო კორექტირებას. შედეგად:
- დაგეგმვის დრო მცირდება დღეებიდან საათებამდე
- მცირდება შეცდომის რისკი
- იზრდება გეგმის ხარისხის სტაბილურობა
სისტემა ექიმს არ ცვლის, იგი პროცესს აჩქარებს და მის გადაწყვეტილებებს განამტკიცებს.
როგორ უზრუნველყოფს თქვენი სისტემა, რომ პროტონული თერაპიის დოზა მაქსიმალურად ზუსტად გადანაწილდეს და ჯანმრთელი ქსოვილების დაზიანების რისკი შემცირდეს?
სისტემა სიზუსტეს უზრუნველყოფს ხელოვნური ინტელექტისა და ფიზიკური მოდელების ერთდროული გამოყენებით.
პირველ ეტაპზე სისტემა აანალიზებს პაციენტის CT მონაცემებს და ზუსტად განსაზღვრავს სიმსივნესა და კრიტიკულ ორგანოებს.
შემდეგ გამოიყენება robust optimization-ის მიდგომა, რაც ნიშნავს, რომ დაგეგმვის პროცესში გათვალისწინებულია რეალურ გარემოში შესაძლო ცვლილებები, როგორიცაა პაციენტის მცირე მოძრაობა ან ქსოვილის განსხვავებული სიმკვრივე.
ამ პროცესში ალგორითმი:
- ირჩევს სხივის ოპტიმალურ მიმართულებებს
- ითვლის პროტონის საჭირო ენერგიას
- ანაწილებს დოზას ისე, რომ მაქსიმალურად მიზანში მოხვდეს სიმსივნე
პარალელურად სისტემა აკონტროლებს, რომ ჯანმრთელ ორგანოებზე დოზა დარჩეს უსაფრთხო ზღვარში. შედეგად:
- იზრდება მკურნალობის სიზუსტე
- მცირდება გვერდითი ეფექტების რისკი
- მიიღება უფრო სტაბილური და კლინიკურად საიმედო შედეგი
მნიშვნელოვანია, რომ სისტემა ექიმს არ ანაცვლებს, იგი ზუსტად გათვლილი გეგმის შედგენას უზრუნველყოფს, რომელსაც საბოლოოდ სპეციალისტი აკონტროლებს.
რა ტიპის სამედიცინო მონაცემებს იყენებს თქვენი ხელოვნური ინტელექტი და რამდენად რთულია ამ მონაცემებზე მუშაობა?
ძირითადი მონაცემი არის კომპიუტერული ტომოგრაფია (CT), რადგან პროტონის ზუსტი დოზის გამოთვლა დამოკიდებულია ქსოვილის სიმკვრივესა და იმაზე, თუ როგორ ჩერდება პროტონი ქსოვილში.
ამას ემატება MRI, რომელიც უკეთ აჩვენებს რბილ ქსოვილებს და მნიშვნელოვანია სიმსივნისა და რისკის ქვეშ მყოფი ორგანოების უფრო ზუსტად გამოსაკვეთად.
დაგეგმვის პროცესში ასევე გამოიყენება:
- ანატომიური სტრუქტურები (სიმსივნე და რისკის ქვეშ მყოფი ორგანოები)
- დოზის მოთხოვნები და ფრაქციონირების სქემა
- სხივის გეომეტრია
- აპარატის ტექნიკური შეზღუდვები
ამ მონაცემებზე მუშაობა რთულია რამდენიმე მიზეზის გამო. ისინი მოდის სხვადასხვა სისტემიდან, ხშირად განსხვავებულ ფორმატებში, და საჭიროებს ზუსტ რეგისტრაციას, ანუ ერთმანეთთან სწორ დამთხვევას. გარდა ამისა, აუცილებელია სტანდარტიზაცია, რათა ალგორითმმა ყველა პაციენტთან ერთნაირად ეფექტიანად იმუშაოს.
მნიშვნელოვანი გამოწვევაა უსაფრთხოებაც, ეს არის მაღალი სენსიტიურობის სამედიცინო მონაცემები და მათი დამუშავება უნდა ხდებოდეს მკაცრი რეგულაციების დაცვით.
სწორედ ამ მიზეზების გამო, ასეთი AI სისტემა არ შეიძლება იყოს უბრალოდ ზოგადი პროგრამა, ის უნდა იყოს სრულად ინტეგრირებული კლინიკურ სამუშაო პროცესში, რათა იყოს სანდო და პრაქტიკულად გამოყენებადი რეალურ გარემოში.
რამდენად შეუძლია თქვენს ტექნოლოგიას შეამციროს მკურნალობის დაგეგმვის დრო და კიდევ რა დადებითი გავლენა ექნება ამას პაციენტებისთვის?
ტექნოლოგია მნიშვნელოვნად ამცირებს მკურნალობის დაგეგმვის დროს. დღესდღეობით, პროტონული თერაპიის გეგმის შექმნას ხშირად სჭირდება 1-2 კვირა, ზოგ შემთხვევაში, უფრო მეტიც. წარმოდგენილი მიდგომით, ეს პროცესი მცირდება საათებამდე, ხოლო საწყისი გეგმის გენერაცია შესაძლებელია რამდენიმე წუთში.
ეს ცვლილება პირდაპირ აისახება პაციენტებზე:
- მკურნალობა იწყება უფრო ადრე
- მცირდება ლოდინის დრო
- იკლებს სტრესი და გაურკვევლობა
ასევე იზრდება სისტემის გამტარუნარიანობა, რაც ნიშნავს, რომ კლინიკებს შეუძლიათ იმავე რესურსით უფრო მეტი პაციენტის მიღება.
ჸმატ᳥ბით:
- გეგმის ხარისხი ხდება უფრო სტაბილური
- ნაკლებად არის დამოკიდებული კონკრეტული სპეციალისტის გამოცდილებაზე
- მცირდება ადამიანური შეცდომის რისკი
საბოლოოდ, დროის შემცირება არ წარმოადგენს მხოლოდ ოპერაციულ გაუმჯობესებას, ის პირდაპირ ზრდის მკურნალობის ეფექტიანობას და წარმატების შანსებს.
რა არის ამ ტექნოლოგიის დანერგვის მთავარი გამოწვევები კლინიკებში და როგორ გეგმავთ მათ გადაჭრას?
მთავარი გამოწვევები რამდენიმე მიმართულებით იყოფა და თითოეული მათგანი კრიტიკულია რეალურ კლინიკურ გარემოში დანერგვისთვის.
პირველი არის მარეგულირებელი მოთხოვნები. ასეთი სისტემა მიეკუთვნება სამედიცინო პროგრამულ უზრუნველყოფას და საჭიროებს სერტიფიცირებას, რაც გულისხმობს:
- კლინიკური ეფექტიანობის დამტკიცებას
- რისკების ანალიზს
- ხარისხის კონტროლის დოკუმენტაციის წარმოებას
ეს პროცესი დროში გაწელილია და საჭიროებს პარტნიორ კლინიკებთან მჭიდრო თანამშრომლობას.
მეორე გამოწვევა არის მონაცემებზე წვდომა და მათი ხარისხი. AI მოდელს სჭირდება დიდი მოცულობის ზუსტად დამუშავებული მონაცემები:
- CT და MRI სკანები
- კონტურები
- რეალური მკურნალობის გეგმები
ეს მონაცემები მოდის სხვადასხვა სისტემიდან, ხშირად არ არის სტანდარტიზებული და დაცულია კონფიდენციალურობის მკაცრი წესებით, რაც მათ გამოყენებას ართულებს.
მესამე გამოწვევა არის ექიმების ნდობა. ექიმები არ დაეყრდნობიან სისტემას, თუ:
- ვერ ხედავენ, როგორ იღებს სისტემა გადაწყვეტილებებს
- არ აქვთ მისი კონტროლის შესაძლებლობა
ამიტომ მნიშვნელოვანია, რომ სისტემა იყოს გამჭვირვალე და ექიმი დარჩეს პროცესის მთავარი გადაწყვეტილების მიმღები.
მეოთხე გამოწვევა არის ტექნიკური ინტეგრაცია. კლინიკებში უკვე არსებობს რთული ინფრასტრუქტურა, მათ შორის:
- Treatment Planning System (TPS)
- ონკოლოგიური საინფორმაციო სისტემები
პროდუქტი უნდა ინტეგრირდეს ამ ეკოსისტემაში ისე, რომ არ დაარღვიოს არსებული სამუშაო პროცესი.
მეხუთე გამოწვევა არის კლინიკური პრაქტიკის განსხვავებები. სხვადასხვა ქვეყანაში და ცენტრში გამოიყენება განსხვავებული პროტოკოლები და მიდგომები, რაც ნიშნავს, რომ ერთიანი გადაწყვეტა უნდა იყოს მოქნილი და ადაპტირებადი.
ამ გამოწვევების გადასაჭრელად გამოიყენება ეტაპობრივი სტრატეგია:
კვლევითი ეტაპი: იწყება რეტროსპექტული მონაცემების ანალიზით, სადაც შედარება ხდება AI-ის მიერ შექმნილ გეგმებსა და უკვე არსებულ კლინიკურ გეგმებს შორის.
ჩრდილოვანი რეჟიმი (shadow mode): სისტემა ექიმთან პარალელურად მუშაობს, თუმცა დამოუკიდებელ გადაწყვეტილებას არ იღებს.
კლინიკური ინტეგრაცია: მას შემდეგ, რაც დადასტურდება სიზუსტე და სანდოობა, ხდება სისტემის ეტაპობრივი ინტეგრაცია კლინიკურ პროცესში.
რეგულირებული დანერგვა: საბოლოოდ სრულდება სერტიფიცირების პროცესი და პროდუქტი ხდება ოფიციალურად გამოყენებადი სამედიცინო სისტემებში.
ეს გზა უფრო ნელია, ვიდრე ჩვეულებრივი ტექნოლოგიური პროდუქტის გაშვება, თუმცა აუცილებელია, რადგან საქმე ეხება ადამიანის ჯანმრთელობას. საბოლოოდ, ასეთი მიდგომა უზრუნველყოფს სისტემის სანდოობას, უსაფრთხოებას და პრაქტიკულ გამოყენებადობას კლინიკურ გარემოში.
როგორ აპირებთ სამედიცინო სფეროს წარმომადგენლების ნდობის მოპოვებას AI-ის მიერ დაგეგმილი მკურნალობის მიმართ?
ნდობა ამ სფეროში ყალიბდება მხოლოდ პრაქტიკისა და მტკიცებულებების საფუძველზე.
პირველი ეტაპი არის შედეგების დამტკიცება. აუცილებელია იმის ჩვენება, რომ სისტემა ქმნის მკურნალობის გეგმებს, რომლებიც ექიმებისთვის მისაღები ხარისხისაა ან აღემატება არსებულ სტანდარტებს. ამისათვის ტარდება რეტროსპექტული ანალიზი, სადაც AI-ის მიერ შექმნილი გეგმები შედარებულია უკვე გამოყენებულ კლინიკურ გეგმებთან.
მეორე არის ხარისხის კონტროლი. სისტემა უნდა მუშაობდეს ისე, რომ მინიმუმამდე დაიყვანოს შეცდომის რისკი. უნდა არსებობდეს ავტომატური შემოწმების მექანიზმები, რომლებიც ამოწმებს დოზის ლიმიტებს, კრიტიკულ ორგანოებზე დატვირთვას და სხვა მნიშვნელოვან პარამეტრებს.
მესამე არის გამჭვირვალობა. ექიმებს უნდა ჰქონდეთ სრული ხედვა, თუ რა მონაცემებზე დაყრდნობით შეიქმნა გეგმა. მათ უნდა შეეძლოთ:
- ყველა პარამეტრის გადამოწმება
- ალგორითმის მიერ მიღებული გადაწყვეტილებების ნახვა
- გეგმის შეცვლა და კორექტირება
მეოთხე არის სამუშაო პროცესთან შესაბამისობა. სისტემა უნდა ინტეგრირდეს იმავე გარემოში, სადაც ექიმები უკვე მუშაობენ. თუ სისტემა არღვევს ყოველდღიურ სამუშაო პროცესს, ნდობა ვერ ჩამოყალიბდება.
მეხუთე არის ეტაპობრივი დანერგვა.
პირველ ეტაპზე სისტემა გამოიყენება კვლევით რეჟიმში და არ მონაწილეობს რეალურ გადაწყვეტილებებში. შემდეგ მუშაობს ჩრდილოვან რეჟიმში, სადაც პარალელურად ქმნის გეგმებს, თუმცა საბოლოო არჩევანი კვლავ ექიმის ხელში რჩება.
ამის შემდეგ ხდება სისტემის ეტაპობრივი ინტეგრაცია რეალურ კლინიკურ პროცესში.
მნიშვნელოვანია კლინიკებთან პარტნიორობა, რეალურ გარემოში მიღებული შედეგები და მათი საჯარო წარმოდგენა წარმოადგენს ნდობის ჩამოყალიბების ყველაზე ძლიერ საფუძველს.
საბოლოოდ, ნდობა ყალიბდება მაშინ, როდესაც ექიმი ხედავს, რომ სისტემა ამარტივებს სამუშაო პროცესს, ამცირებს რისკებს და ეხმარება უკეთესი გადაწყვეტილებების მიღებაში.
როგორია თქვენი ხედვა, თქვენი აზრით, როგორ შეცვლის მსგავსი ხელოვნური ინტელექტის სისტემები ონკოპაციენტების მკურნალობის მეთოდებს მომავალში?
მათი ხედვით, ხელოვნური ინტელექტი მომავალში გახდება ონკოლოგიური მკურნალობის დაგეგმვის სისტემების ძირითადი ნაწილი და არა მხოლოდ დამატებითი ინსტრუმენტი. ის ინტეგრირდება ყოველდღიურ სამუშაო პროცესში ისე, რომ ექიმისთვის თითქმის შეუმჩნევლად გააუმჯობესებს პროცესის სიჩქარესა და ხარისხს.
დღეს მკურნალობის დაგეგმვა დიდწილად დამოკიდებულია კონკრეტული სპეციალისტის გამოცდილებაზე, რაც იწვევს შედეგების ვარიაციას. ხელოვნური ინტელექტი ამცირებს ამ განსხვავებებს და ქმნის უფრო სტანდარტიზებულ და პროგნოზირებად პროცესს, სადაც პაციენტები სხვადასხვა კლინიკაში იღებენ თანაბრად მაღალი ხარისხის მკურნალობას.
ერთ-ერთი ყველაზე მნიშვნელოვანი ცვლილება იქნება დროის შემცირება. AI ავტომატიზაციას გაუკეთებს განმეორებად და ტექნიკურ ამოცანებს, როგორიცაა კონტურების განსაზღვრა, დოზის ოპტიმიზაცია და გეგმის კორექტირება. შედეგად, დაგეგმვის პროცესი, რომელიც დღეს შეიძლება დღეებს ან კვირებს მოითხოვდეს, მნიშვნელოვნად დაჩქარდება.
ასევე გაიზრდება მკურნალობის ადაპტაციის შესაძლებლობა. მომავალში შესაძლებელი გახდება მკურნალობის გეგმის უფრო ხშირი განახლება პაციენტის მდგომარეობის ცვლილების შესაბამისად, რაც განსაკუთრებით მნიშვნელოვანია პროტონულ თერაპიაში, სადაც სიზუსტე კრიტიკულია.
ხელოვნური ინტელექტი ასევე გააუმჯობესებს რესურსების გამოყენებას. კლინიკებს შეეძლებათ იმავე ინფრასტრუქტურით უფრო მეტი პაციენტის მიღება, რადგან შემცირდება დაგეგმვის დრო და სპეციალისტების დატვირთვა. ეს განსაკუთრებით მნიშვნელოვანია იმ პირობებში, როდესაც პროტონული თერაპიის ცენტრების რაოდენობა შეზღუდულია.
მნიშვნელოვანია, რომ ხელოვნური ინტელექტი არ შეცვლის ექიმს, გადაწყვეტილების მიმღები კვლავ სპეციალისტი დარჩება. AI-ის როლი იქნება რთული გამოთვლებისა და ანალიზის შესრულება, ხოლო საბოლოო არჩევანი და პასუხისმგებლობა ექიმზე დარჩება.
საბოლოოდ, ასეთი სისტემები შექმნის უფრო სწრაფ, უფრო ზუსტ და უფრო ხელმისაწვდომ ონკოლოგიურ მკურნალობას, სადაც ტექნოლოგია მუშაობს ექიმთან ერთად და არა მის ნაცვლად.
