Apabila AI Membawa Harapan: Apa Yang Diceritakan Kisah Kanser Tentang Masa Depan Perubatan

Kalau kita mengikuti berita tentang AI, sekarang biasanya kita hanya nampak dua jenis tajuk utama: ketakutan tentang kehilangan kerja dan ketakutan tentang penyalahgunaan. Deepfake, kelemahan keselamatan, pemberhentian besar-besaran, pengawasan, manipulasi. Banyak daripadanya memang nyata dan wajar diberi perhatian. Tetapi kerana itu, sesuatu yang lain hampir tenggelam: teknologi yang sama juga boleh memampatkan pengetahuan, mengurangkan geseran, dan dalam sesetengah kes mengembalikan masa kepada orang ketika mereka amat memerlukannya.

Saya sudah menulis di blog ini, dalam satu artikel lain , tentang betapa cepatnya semua perkara sedang berubah. Tulisan ini pada asasnya ialah sisi perubatannya: kurang pasaran, kurang hype, lebih manusia.

Satu kisah daripada OpenAI Forum benar-benar menggambarkan hal itu. Ia bukan kisah manis, bukan kisah yang selesa, dan sudah tentu bukan janji keajaiban. Tetapi ia menunjukkan sesuatu yang kemungkinan besar akan semakin kerap kita dengar pada masa depan, termasuk daripada orang yang bukan jutawan.

Ringkasnya:

• Dalam kes ini, AI tidak menggantikan doktor. AI mempercepat analisis, penyelidikan dan penyelarasan secara besar-besaran.
• Hari ini, jalan seperti ini masih sangat tidak seimbang, kerana ia memerlukan wang, masa, akses dan kesanggupan untuk berhadapan dengan kerumitan perubatan yang tinggi.
• Begitulah juga banyak teknologi besar bermula sebelum akhirnya menjadi biasa untuk jauh lebih ramai orang.

Kalau anda mahu menonton pembentangan asal, videonya boleh dilihat terus di sini:

Satu Kisah Yang Mudah Terlepas

Di tengah cerita ini ialah Sid Sijbrandij, pengasas bersama GitLab. Beliau didiagnosis dengan osteosarkoma, sejenis kanser tulang yang jarang dan agresif. Dalam forum itu, beliau menceritakan dengan sangat terbuka betapa kerasnya rawatan standard: pembedahan, gabungan tulang belakang, radiasi, kemoterapi, pemindahan darah, dan kejatuhan fizikal yang menyeluruh. Bagi ramai orang, itu sahaja sudah lebih daripada cukup.

Satu titik perubahan awal yang penting baginya ialah apa yang dipanggil click chemistry, iaitu kaedah pemenang Nobel yang membolehkan sebatian tertentu digabungkan secara sangat tepat. Bagi Sid, ini bukan sekadar menarik dari sudut sains, tetapi juga penting dari sudut mental, kerana ia menunjukkan bahawa perubatan tidak semestinya hanya bergerak melalui ujian standard berskala besar. Melalui laluan seperti single-patient IND, dalam situasi ekstrem juga boleh wujud jalan yang sah dan rasmi untuk rawatan yang sangat diperibadikan.

Kemudian datang bahagian yang jauh lebih berat: kankernya kembali. Hampir tiada lagi pilihan standard yang benar-benar mapan. Tiada pipeline yang kemas. Tiada langkah seterusnya yang jelas. Tiada ayat mudah seperti “sekarang kita buat rawatan B.” Dan tepat di titik itulah berlaku sesuatu yang bagi saya sangat melambangkan zaman ini: beliau meninggalkan pekerjaannya dan masuk ke founder mode, bukan untuk sebuah startup, tetapi demi kelangsungan hidupnya sendiri.

Pada pandangan pertama, itu kedengaran pelik. Seorang pengasas teknologi melayan kanser seperti masalah kejuruteraan. Dan sejujurnya, reaksi pertama saya juga tentu skeptikal. Perubatan bukan produk SaaS. Chatbot bukan pakar onkologi. Panggilan API bukan terapi.

Tetapi terlalu mudah jika kita terus menolak kisah ini sebagai kes khas Silicon Valley. Yang dapat dilihat di sini bukanlah “penyembuhan ajaib melalui ChatGPT”, tetapi cara kerja baru dalam perubatan: lebih banyak data, lebih banyak pengecaman corak, lebih banyak kerja selari, hipotesis yang lebih pantas, soalan yang lebih baik, dan kitaran yang lebih pendek antara penemuan dan keputusan.

Apa Yang Sebenarnya AI Lakukan Dalam Kes Ini

Perkara paling penting dahulu: AI tidak menyembuhkan kanser itu. Itu akan menjadi penyederhanaan yang salah dan berbahaya. Yang membantu di sini ialah gabungan diagnostik, pakar, pendekatan eksperimen, pengalaman klinikal, ketabahan peribadi, dan AI sebagai pemecut.

Dalam pembentangan itu, Sid Sijbrandij dan Jacob Stern menerangkan beberapa contoh yang sangat konkrit.

Mereka mengumpulkan data dalam jumlah yang sangat besar, termasuk, menurut kata mereka sendiri, sekitar 25 terabait bahan. Ini termasuk bulk RNA sequencing, analisis sel tunggal, patologi, imbasan, data darah, model organoid, dan pelbagai kaedah diagnostik eksperimen. Kedalaman data seperti ini pada hari ini masih jauh di luar jangkauan kebanyakan pesakit. Tetapi bahagian yang menarik ialah apa yang dilakukan terhadap data itu selepas ia tersedia.

Jacob Stern, seorang ahli genetik, secara jelas mengatakan dalam forum itu bahawa beliau bukan doktor. Apa yang AI berikan kepadanya, menurut beliau, bukanlah pengetahuan ajaib, tetapi sesuatu seperti sut Iron Man untuk bidang yang sangat khusus. Maksudnya, keupayaan untuk memahami sesuatu bidang dengan cepat, bercakap dengan pakar secara munasabah, bertanya soalan yang lebih baik, dan menyediakan langkah seterusnya yang betul.

Satu contoh awal: mereka memberikan fail CSV hasil bulk RNA sequencing kepada ChatGPT dan meminta bacaan awal. Itu sahaja sudah cukup berguna untuk menonjolkan penanda tertentu dan dinamika tertentu dalam persekitaran tumor dengan lebih cepat. Selepas itu mereka melangkah lebih jauh: bahasa semula jadi sebagai input, semakan literatur agentic, pembinaan hipotesis, langkah bioinformatik, kod, plot, dan laporan ringkas sebagai output.

Dalam salah satu contoh dalam pembentangan, analisis seperti ini berjalan sekitar 30 minit dan menelan kos lebih kurang 20 dolar API. Di belakang tabir, ia disambungkan kepada kira-kira 600,000 sel tunggal daripada beberapa titik masa pengambilan darah. Kontras ini sendiri sudah sangat ketara: kerumitan biologi yang sangat besar di satu sisi dan bantuan analitik yang agak murah di sisi yang lain.

Perkara menjadi lebih menarik lagi apabila mereka bercakap tentang pembangunan terapi. Mereka menyebut:

• vaksin kanser mRNA yang diperibadikan berdasarkan mutasi khusus pada tumor
• terapi TCR-T yang direka untuk menyasarkan tumor dengan lebih tepat
• pendekatan CAR-T dengan logik keselamatan tambahan bagi mengurangkan kesan berbahaya pada tisu sihat
• pencarian sasaran yang kurang dikaji, iaitu protein atau struktur yang mungkin sangat relevan dalam satu kes individu tetapi hampir tidak dibincangkan dalam penyelidikan arus perdana

Sid menyatakan pada satu ketika bahawa tangga terapinya berubah daripada sifar kepada lebih 30 pilihan. Bukan kerana tiba-tiba muncul ubat ajaib, tetapi kerana data, diagnostik, pengetahuan pakar dan AI bersama-sama membuka ruang pencarian yang jauh lebih besar.

Contoh terbaik untuk kesan “jarum dalam jerami” ini, bagi saya, ialah Penexin 3. Menurut pembentangan itu, protein ini muncul sekitar 10,000 kali lebih kuat dalam kankernya berbanding tisu sihat. Namun dalam literatur hampir tiada apa-apa tentangnya. Syak pasukannya ialah kerana sasaran ini hidrofobik, ia mudah terlepas dalam banyak ujian standard. Tepat di sinilah AI menunjukkan apa yang boleh diberikannya dalam kes seperti ini. Bukan kerana AI “lebih pintar daripada semua penyelidik”, tetapi kerana AI cukup sabar untuk menelusuri ruang data yang sangat besar berulang kali sehingga isyarat luar biasa seperti ini akhirnya kelihatan.

Di situlah kekuatan sebenarnya muncul. Bukan sebagai orakel, tetapi sebagai alat untuk menukar ribuan paper, titik data, penanda, profil kesan sampingan dan hubungan biologi menjadi sesuatu yang lebih operasional dengan jauh lebih pantas.

Bagi saya, inti kisah ini ada di sini: AI memampatkan pengetahuan pakar. AI tidak menjadikan orang awam seorang doktor. Tetapi AI boleh mendekatkan pesakit yang sangat terlibat, keluarga, dan pasukan rentas disiplin kepada literatur terkini dan ruang membuat keputusan yang sebenar.

Masa Depan Ini Masih Sangat Tidak Seimbang

Kita tidak sepatutnya meromantikkannya. Pada masa ini, kisah ini masih sangat elit.

Untuk bergerak seperti ini, anda memerlukan:

• wang
• masa
• pakar yang sangat kuat
• akses kepada kaedah diagnostik yang jarang
• tenaga mental yang sangat besar
• keupayaan menahan kerumitan perubatan

Mereka sendiri menyatakan hal ini dengan agak terbuka dalam pembentangan. Sesetengah perkara sangat mahal. Yang lain pula menjadi mengejutkan murah. Dan gabungan inilah yang menjadikan saat ini begitu menarik. Kita sedang melihat satu peralihan: pembangunan terapi itu sendiri sering masih mahal, perlahan, dan birokratik. Tetapi beberapa lapisan di bawahnya sudah mula menjadi lebih murah.

Dalam forum itu, mereka menyebut angka kasar seperti sekitar 50 dolar untuk bulk RNA sequencing, sekitar 500 dolar untuk whole-genome sequencing, dan sekitar 20 dolar untuk analisis berbantukan AI yang lebih maju. Itu bukan jumlah kos penuh rawatan kanser, tetapi ia adalah isyarat. Lapisan pengetahuan mula menjadi deflasionari.

Dan itu sangat penting, kerana hari ini perubatan sering gagal bukan pertama-tama kerana kurangnya niat baik, tetapi kerana geseran: data berselerak, pengetahuan pakar hidup dalam silo, kajian mengambil masa terlalu lama, kes-kes jarang terkeluar daripada laluan standard, dan terlalu banyak masa hilang antara penemuan dan keputusan.

Apa yang saya juga anggap sangat kuat dalam kisah ini ialah ia secara jelas tidak mahu kekal sebagai playbook elit untuk satu kes sahaja. Dalam pembentangan dan di laman projek berkaitan, jelas bahawa data, pembelajaran, dan proses sedang disusun secara sengaja supaya pesakit dan pasukan lain boleh membina di atasnya dengan lebih cepat pada masa depan.

Begitulah Banyak Teknologi Besar Bermula

Sebab itulah kisah ini mengingatkan saya kepada satu pola lama. Pada peringkat awal, teknologi baru hampir selalu hanya tersedia kepada mereka yang mempunyai lebih banyak wang, lebih banyak akses, dan lebih banyak ruang untuk bereksperimen berbanding orang lain.

Dalam banyak tempoh sejarah, tab mandi kebanyakannya hanya untuk raja, bangsawan atau keluarga yang sangat kaya. Hari ini, air panas hanyalah sebahagian biasa daripada kehidupan harian berjuta-juta orang.

Dan ini bukan pengecualian. Tiga contoh lain menunjukkan pola yang sama:

• Lampu elektrik di rumah dahulu ialah kemewahan untuk bangunan kaya, hotel dan industri. Hari ini kita hanya sedar betapa biasanya ia apabila bekalan elektrik terputus.
• Perjalanan udara dahulu ialah simbol kekayaan, status dan pengecualian. Hari ini, walaupun tidak sama murah untuk semua orang, ia jelas sudah menjadi mobiliti massa dan bukan lagi keistimewaan aristokrat.
• Penjujukan genom dahulu ialah projek berbilion dolar yang mengambil masa bertahun-tahun. Hari ini, dalam sesetengah kes, kita bercakap tentang ratusan dolar dan beberapa hari, bukan dekad.

Pada pandangan saya, begitulah kita harus melihat bentuk baru perubatan diperibadikan ini. Apa yang hari ini kelihatan seperti concierge medicine untuk pengasas yang sangat berhubung boleh menjadi lebih tersedia kemudian dalam bentuk yang lebih mudah, lebih standard, dan lebih automatik.

Teknologi berskala. Mula-mula perlahan, kemudian tiba-tiba.

Bukan secara automatik. Bukan dengan sendirinya. Bukan secara adil dalam satu malam. Tetapi secara sejarah, polanya jelas: mula-mula mewah, kemudian alat, kemudian infrastruktur.

Mengapa Ini Tetap Membuat Saya Berharap

Apa yang paling mengagumkan saya tentang kisah ini ialah ia tidak bergantung pada keajaiban. Ia bergantung pada pemampatan.

Di sini AI memampatkan:

• literatur
• diagnostik
• pengecaman corak
• komunikasi antara disiplin
• keupayaan untuk tidak terlalu cepat berputus asa terhadap kes-kes jarang

Dan itu sangat berharga dalam perubatan. Kerana penyakit jarang dan perjalanan penyakit yang luar biasa sering gagal bukan kerana langsung tiada maklumat, tetapi kerana tiada siapa mempunyai masa untuk mengumpulkannya menjadi sesuatu yang benar-benar berguna.

Kalau ribuan halaman sejarah perubatan, nilai makmal, imbasan, data RNA dan kajian boleh ditukar menjadi model yang boleh digunakan, itu bukan hanya relevan untuk beberapa kes kaya yang luar biasa. Itu ialah gambaran awal bagi dunia perubatan yang boleh menjadi lebih tepat, lebih peribadi dan, mudah-mudahan, lebih adil.

Apa yang hari ini masih kelihatan seperti rawatan pengecualian, esok boleh menjadi standard dalam bentuk yang lebih kecil dan lebih praktikal:

• sistem yang menonjolkan penanda jarang secara automatik
• pembantu yang menyusun awal kajian penting untuk doktor dan pesakit
• alat yang menjadikan laluan terapi yang mungkin dan profil kesan sampingan lebih telus
• diagnostik yang mengambil biologi individu dengan lebih serius berbanding hanya mengikut laluan standard

Dan ya, kita hampir pasti akan mendengar jauh lebih banyak tentang semua ini, bukan hanya daripada pengasas yang mempunyai sumber. Alat-alatnya akan menjadi lebih baik. Kosnya akan menurun. Antara mukanya akan menjadi lebih mudah. Di situlah penskalaan bermula.

Kesimpulan Saya

Sebab itulah saya fikir kisah ini penting. Ia membantu meluruskan pandangan kita sedikit. AI bukan hanya risiko. Bukan hanya pemberhentian kerja. Bukan hanya hype. Bukan hanya masalah keselamatan. AI juga boleh menjadi alat yang membantu orang menavigasi sistem yang sakit, perlahan dan sering terbeban dengan lebih baik.

Sudah tentu kita tidak patut jatuh ke dalam romantisme teknologi. Asas kesihatan kita yang paling penting tetap sangat tidak glamor dan sangat manusiawi:

• tidur yang mencukupi
• pergerakan
• pemakanan
• disiplin harian

Bahagian itu masih banyak berada dalam tangan kita sendiri. Itulah tetap asasnya.

Kalau anda memang berminat dengan topik-topik ini, sudah ada tulisan praktikal dan peribadi di blog tentang health tracking dan data kesihatan dan juga tentang Whoop, pemulihan, tidur dan beban .

Tetapi selepas itu, saya yakin, kita akan memerlukan AI. Bukan sebagai pengganti doktor, bukan sebagai butang ajaib, tetapi sebagai lapisan kecerdasan kedua di atas data, penyelidikan dan kerumitan.

Dan di situlah Google juga terasa relevan bagi saya. Dengan AlphaFold, Google DeepMind membuka struktur ramalan bagi lebih 200 juta protein kepada umum, dan dengan AlphaFold 3 mereka menyediakan langkah seterusnya, di mana bukan sahaja protein tetapi juga interaksinya dengan molekul lain boleh dimodelkan dengan lebih baik. Itu bukan “ubat untuk semua penyakit.” Tetapi itu ialah tuas asas yang sangat besar, kerana biologi menjadi jauh lebih mudah dibaca oleh para penyelidik.

Sebab itu saya tetap berharap. Bukan naif. Bukan buta. Tetapi tetap berharap. Jika kita boleh memikirkan gaya hidup, pencegahan, perubatan yang baik dan AI secara bersih bersama-sama, masa depan benar-benar boleh membawa lebih banyak kesihatan kepada jauh lebih ramai orang.

Jumpa lagi,
Joe