Το ArteraAI Breast έγινε το πρώτο και μόνο εγκεκριμένο ψηφιακό εργαλείο διαστρωμάτωσης κινδύνου για ασθενείς με καρκίνο του μαστού.
Καραδήμου Αλεξάνδρα, MD, PhD
Παθολόγος – Ογκολόγος, Αναπληρώτρια Διευθύντρια της ΣΤ’ Ογκολογικής Κλινικής του Metropolitan General
Διδάκτωρ της Ιατρικής Σχολής του Πανεπιστημίου Αθηνών
Διευθύντρια του Oncology Preventing & Healing Center
Εισαγωγή
Η διαχείριση του πρώιμου καρκίνου του μαστού αποτελεί μία από τις πιο σύνθετες προκλήσεις στη σύγχρονη ογκολογία. Αν και η αναγνώριση συγκεκριμένων βιοδεικτών έχει βελτιώσει σημαντικά τη θεραπευτική προσέγγιση, η λήψη αποφάσεων σχετικά με την ένταση της επικουρικής θεραπείας παραμένει συχνά διφορούμενη. Η πρόσφατη έγκριση του ArteraAI Breast από τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ (FDA) τον Μάιο του 2026 αλλά και η σήμανση CE από τον Ευρωπαϊκό Κανονισμό για τα In Vitro Διαγνωστικά (EU IVDR) τον Απρίλιο του 2026 σηματοδοτεί μια νέα ιστορική καμπή1,2. Πρόκειται για το πρώτο και μοναδικό εγκεκριμένο εργαλείο στρωματοποίησης κινδύνου που βασίζεται αποκλειστικά στην ψηφιακή παθολογοανατομία και την τεχνητή νοημοσύνη (AI), προσφέροντας μια νέα διάσταση στην προγνωστική και προβλεπτική αξιολόγηση της νόσου.
Ο Κλινικός Γρίφος του Πρώιμου HR+/HER2- Καρκίνου του Μαστού
Η πλειονότητα των διαγνώσεων καρκίνου του μαστού αφορά όγκους θετικούς σε ορμονικούς υποδοχείς (HR+) και αρνητικούς για τον υποδοχέα του ανθρώπινου επιδερμικού αυξητικού παράγοντα 2 (HER2-). Στα πρώιμα στάδια αυτής της κατηγορίας, η πρόκληση έγκειται στον εντοπισμό των ασθενών που θα ωφεληθούν πραγματικά από την προσθήκη χημειοθεραπείας στην ενδοκρινική θεραπεία.
Μέχρι σήμερα, οι κλινικοί γιατροί βασίζονταν σε παραδοσιακούς ιστοπαθολογικούς παράγοντες (όπως το μέγεθος του όγκου, η κατάσταση των λεμφαδένων και το grade) ή σε ακριβές γονιδιωματικές υπογραφές. Ωστόσο, ο γονιδιωματικός έλεγχος απαιτεί επιπλέον χρόνο και σημαντικό οικονομικό κόστος, περιορίζοντας την καθολική πρόσβασή του. Η ανάγκη για ένα άμεσο, οικονομικό και εξίσου ακριβέστατο εργαλείο οδήγησε στην ανάπτυξη της πλατφόρμας πολυτροπικής τεχνητής νοημοσύνης (MMAI) της Artera.
Γονιδιωματικές Υπογραφές (Oncotype DX) έναντι ArteraAI: Αλλαγή στην κλινική πρακτική;
Μέχρι την έλευση του ArteraAI Breast, οι γονιδιωματικές υπογραφές, με κυρίαρχο παράδειγμα το Oncotype DX, αποτελούσαν το gold standard για την αξιολόγηση του κινδύνου υποτροπής. Το Oncotype DX είναι μια μοριακή μέθοδος που βασίζεται στην ποσοτική RT-PCR για τη μέτρηση της έκφρασης 21 συγκεκριμένων γονιδίων από ιστό που έχει μονιμοποιηθεί σε φορμαλίνη και εγκλειστεί σε παραφίνη (FFPE).
Παρά την κλινική του αξία, το Oncotype DX παρουσιάζει σημαντικούς περιορισμούς σε σύγκριση με την προσέγγιση της Artera:
- Διαχείριση Ιστού: Το Oncotype DX απαιτεί την αποστολή φυσικού ιστού σε κεντρικά εργαστήρια και ακολουθεί μια διαδικασία που οδηγεί στην ολοκληρωτική καταστροφή του δείγματος κατά την απομόνωση του RNA. Αντίθετα, το ArteraAI λειτουργεί μη επεμβατικά (non-destructive) ως προς τον ιστό, καθώς απαιτεί αποκλειστικά και μόνο τη δυαδική ψηφιακή εικόνα της κλασικής χρώσης Αιματοξυλίνης-Ηωσίνης (H&E), αφήνοντας το δείγμα διαθέσιμο για τυχόν μελλοντικές αναλύσεις.
- Χρονική Υστέρηση: Η αλυσίδα διαχείρισης του ιστού και η εργαστηριακή επεξεργασία του Oncotype DX απαιτούν συνήθως 14 έως 21 ημέρες. Το ArteraAI εκμηδενίζει αυτόν τον χρόνο (turnaround time), παρέχοντας αποτελέσματα σε λιγότερο από 2 ώρες αμέσως μετά την ψηφιοποίηση του πλακιδίου.
- Οικονομική Βιωσιμότητα: Το υψηλό κόστος των γονιδιωματικών αναλύσεων επιβαρύνει σημαντικά τα συστήματα υγείας και περιορίζει την πρόσβαση σε χαμηλού εισοδήματος πληθυσμούς. Το ArteraAI, ως αμιγώς ψηφιακό εργαλείο, μειώνει δραστικά το κόστος, δίνοντας σε κάθε ασθενή τη δυνατότητα εφαρμογής εξατομικευμένης προσέγγισης.
Πολυτροπική Τεχνητή Νοημοσύνη (Multimodal AI)
Η τεχνολογική υπεροχή του ArteraAI Breast βασίζεται στην τεχνολογία της Πολυτροπικής Τεχνητής Νοημοσύνης (Multimodal Artificial Intelligence – MMAI). Αντίθετα με τα μονοτροπικά μοντέλα (unimodal) που αναλύουν μόνο έναν τύπο δεδομένων (π.χ. μόνο γονίδια ή μόνο εικόνες), το MMAI έχει την ικανότητα να συνθέτει ετερογενείς πηγές πληροφορίας σε έναν ενιαίο μαθηματικό χώρο χαρακτηριστικών.
Στο ArteraAI Breast, η ανάλυση αυτή υλοποιείται μέσω δύο βασικών πυλώνων:
- Υπολογιστική Παθολογοανατομία (Computer Vision & Deep Learning): Το σύστημα τροφοδοτείται με ψηφιοποιημένες εικόνες υπερ-υψηλής ανάλυσης σαν ένα υπερβολικά ισχυρό ψηφιακό μικροσκόπιο και ο αλγόριθμος εκτελεί ανάλυση σε πολλαπλά επίπεδα μεγέθυνσης. Δεν περιορίζεται στην αναγνώριση των χαρακτηριστικών των καρκινικών κυττάρων, αλλά χαρτογραφεί τη μορφή έκτασης του όγκου, την αρχιτεκτονική των λεμφαδένων, την πυκνότητα του περιβάλλοντος στρώματος και, κυρίως, τη χωρική κατανομή των διηθούντων τον όγκο λεμφοκυττάρων (TILs). Αυτά τα φαινοτυπικά χαρακτηριστικά αντανακλούν άμεσα την υποκείμενη βιολογική συμπεριφορά και τις γονιδιακές μεταλλάξεις του όγκου, χωρίς να απαιτείται η αλληλούχηση του DNA/RNA.
- Κλινική Συνιστώσα (Clinical Covariates Integration): Ταυτόχρονα, ένας παράλληλος κλάδος του δικτύου επεξεργάζεται τις κλινικοπαθολογικές μεταβλητές της ασθενούς (όπως ηλικία, μέγεθος όγκου, κατάσταση λεμφαδένων, βαθμός κακοήθειας, και ορμονικό προφίλ).
Το κρίσιμο στάδιο της πολυτροπικής σύντηξης (multimodal fusion) λαμβάνει χώρα στα βαθύτερα επίπεδα του δικτύου. Μέσω μηχανισμών, το μοντέλο σταθμίζει τη δυναμική αλληλεπίδραση μεταξύ των μορφολογικών προτύπων της εικόνας και των κλινικών δεδομένων. Το τελικό προϊόν αυτής της σύνθεσης είναι μια βαθμολογία κινδύνου (AI-derived risk score), η οποία διαθέτει ανώτερη προγνωστική και προβλεπτική ισχύ από οποιονδήποτε μεμονωμένο κλινικό ή ιστολογικό δείκτη.
Κλινική Τεκμηρίωση και Αποτελεσματικότητα
Η έγκριση του FDA βασίστηκε σε ισχυρά κλινικά δεδομένα, τα οποία παρουσιάστηκαν αρχικά το 2025 στο Διεθνές Συνέδριο για τον Καρκίνο του Μαστού, San Antonio4. Το μοντέλο επικυρώθηκε αναδρομικά με χρήση δειγμάτων χιλιάδων ασθενών από πολλαπλές ιστορικές τυχαιοποιημένες μελέτεςφάσης ΙΙΙ, όπως η ABCSG 8 για μετεμμηνοπαυσιακές γυναίκες με HR+/HER2- πρώιμο καρκίνο και η SWOG 8814,η οποία παρουσιάστηκε στο ASCO 2026 για τη διερεύνηση του οφέλους της χημειοθεραπείας σε ασθενείς με θετικούς λεμφαδένες5.
Οι μελέτες επικύρωσης κατέδειξαν ότι το ArteraAI Breast όντως διαθέτει υψηλή προγνωστική αξία, όσον αφορά την επιβίωση χωρίς απομακρυσμένη μετάσταση.
Το πιο εντυπωσιακό στοιχείο της έρευνας ήταν η ικανότητα του μοντέλου να λειτουργεί ως προβλεπτικός δείκτης. Αυτό σημαίνει ότι δεν υπολογίζει απλώς την πορεία της νόσου, αλλά μπορεί να προβλέψει ποιοι συγκεκριμένοι ασθενείς θα παρουσιάσουν στατιστικά σημαντικό όφελος από τη λήψη χημειοθεραπείας. Η παροχή αυτής της πληροφορίας την ώρα της διάγνωσης επιτρέπει την άμεση ενσωμάτωσή της στα υπάρχοντα κλινικά πρωτόκολλα.
Το Μέλλον
Η έγκριση για τον καρκίνο του μαστού αποτελεί τη δεύτερη μεγάλη επιτυχία της Artera, μετά την αντίστοιχη καθιέρωση του ArteraAI Prostate για τον καρκίνο του προστάτη3. Η ταυτόχρονη απόκτηση της ευρωπαϊκής σήμανσης CE (CE Marking) και για τις δυο αυτές ενδείξεις τον Απρίλιο του 2026 υπογραμμίζει την παγκόσμια δυναμική αυτής της νέας τεχνολογίας.
Συμπερασματικά, η ενσωμάτωση ψηφιακών λύσεων AI στην στρωματοποίηση κινδύνου υποτροπής, όχι μόνο δίνει άμεσα αποτελέσματα χωρίς καταστροφή του ιστού, αλλά κυρίως αναμένεται να μειώσει το κόστος χωρίς να θυσιάζει την ποιότητα των θεραπευτικών αποφάσεων στον πρώιμο HR+, HER2- καρκίνο του μαστού και δικαιωματικά χαρακτηρίζει την απαρχή μιας νέας εποχής στην ψηφιακή ιατρική και στην ογκολογία ακριβείας.
ΒΙΒΛΙΟΓΡΑΦΙΑ
- Έγκριση FDA (Μάιος 2026): Η επίσημη ανακοίνωση έγκρισης από τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ. ArteraAI Breast FDA Clearance Announcement.
- Ευρωπαϊκή Πιστοποίηση (CEMark – Απρίλιος 2026): Συμμόρφωση με τον Ευρωπαϊκό Κανονισμό για τα In Vitro Διαγνωστικά (EU IVDR). Artera Secures CE Marking Official Announcement.
- Development and validation of an AI digital pathology biomarker to predict benefit of long-term hormonal therapy and radiotherapy in men with high-risk prostate cancer across multiple phase 3 trials. Andrew J Armstrong, Vinnie YT Liu, Ramprasaath R Selvaraju et al. J Clin Oncol2025 Nov 10;43(32):3494-3504.doi: 10.1200/JCO.24.00365. Epub 2025 Apr 16.
- SABCS. December 2025
– GS1-08. Multimodal artificial intelligence (AI) models integrating image, clinical, and molecular data for predicting early and late breast cancer recurrence in TAILORx. J. A. Sparano, V. Wang, R. J. Gray et al.Clin Cancer Res (2026) 32 (4_Supplement): GS1-08.
-RF3-07. A Multimodal-Multitask Deep Learning Model Trained in NSABP B-42 and Validated in TAILORx for Late Distant Recurrence Risk in HR+ Early Breast Cancer. E. Mamounas, V. Wang, M. Chen et al.Clin Cancer Res (2026) 32 (4_Supplement): RF3-07-RF3-07.
- ASCO. June 2026
-External validation of a MMAI model for prognosis and chemotherapy benefit prediction in postmenopausal, node-positive, hormone receptor–positive breast cancer patients: Analysis of SWOG S8814. Corey W. Speers, Alexander Piehler, Allison Meisner et al. Journal of Clinical Oncology44(16_suppl):107-107 (2026)
-Prognostic performance of a multimodal artificial intelligence histopathology-based tool versus the 21-gene recurrence score in early-stage breast cancer. Shayna L. Showalter, Alexander Piehler, HalehArmian et al. J Clin Oncol 44 (16_suppl): 559(2026)
Το άρθρο δημοσιεύθηκε αρχικά στο ηλεκτρονικό περιοδικό «Τα Νέα της ΕΧΕΜ», Τεύχος 34, της Ελληνικής Χειρουργικής Εταιρείας Μαστού.
[Δείτε το πλήρες τεύχος εδώ]