Untuk sebagian kecil pasien kanker, dokter tidak dapat menentukan dari mana kanker mereka berasal. Ini membuatnya lebih sulit untuk memilih pengobatan untuk pasien ini, karena banyak obat kanker sering dikembangkan untuk jenis kanker tertentu.
Sebuah metode baru yang dikembangkan oleh para peneliti di MIT dan Dana-Farber Cancer Institute dapat mempermudah untuk menentukan dari mana kanker misterius ini berasal. Menggunakan pembelajaran mesin, para peneliti menciptakan model komputasi yang dapat menganalisis urutan sekitar 400 gen dan menggunakan informasi ini untuk memprediksi dari mana asal tumor tertentu di dalam tubuh.
Dengan menggunakan model ini, para peneliti menunjukkan bahwa mereka dapat secara akurat mengklasifikasikan setidaknya 40 persen tumor yang tidak diketahui asalnya dengan keyakinan tinggi pada kumpulan data sekitar 900 pasien. Pendekatan ini menghasilkan peningkatan 2,2 kali lipat dalam jumlah pasien yang memenuhi syarat untuk terapi bertarget yang dipandu genom berdasarkan asal kanker mereka.
"Ini adalah temuan paling penting dalam makalah kami, dan model ini berpotensi digunakan untuk membantu keputusan pengobatan dan membimbing dokter dalam mempersonalisasi pengobatan untuk pasien kanker yang tidak diketahui asalnya," kata Intae Moon, seorang mahasiswa pascasarjana MIT di bidang teknik elektro dan ilmu komputer. . , yang merupakan penulis utama studi baru ini.
Alexander Gusev, seorang profesor kedokteran di Harvard Medical School dan Dana-Farber Cancer Institute, adalah penulis senior makalah yang diterbitkan dalam jurnal Nature Medicine.
Asal Misterius
Pada 3 sampai 5 persen pasien kanker, terutama yang tumornya telah menyebar ke seluruh tubuh, ahli onkologi tidak memiliki cara yang mudah untuk menentukan asal kanker. Tumor ini diklasifikasikan sebagai karsinoma primer yang tidak diketahui (CUP).
Kurangnya pengetahuan ini seringkali menghalangi dokter untuk memberikan obat yang "tepat" kepada pasien, yang sering disetujui untuk jenis kanker tertentu yang diketahui efektif. Terapi bertarget ini cenderung lebih efektif, dengan efek samping yang lebih sedikit, daripada perawatan yang digunakan untuk berbagai jenis kanker, dan sering digunakan pada pasien dengan CUP.
"Sejumlah besar orang mendapatkan kanker primer yang tidak diketahui ini setiap tahun, dan karena sebagian besar perawatan disetujui dengan cara spesifik lokasi, Anda harus mengetahui lokasi asal untuk menggunakannya, sehingga pilihan perawatan mereka sangat terbatas."
Moon, bagian dari Laboratorium Ilmu Komputer dan Kecerdasan Buatan, menjadi penasihat bersama Gusev. Moon memutuskan untuk menganalisis data genetik yang dikumpulkan secara rutin di Dana-Farber untuk melihat apakah data tersebut dapat digunakan untuk memprediksi jenis kanker. Data termasuk urutan genetik untuk sekitar 400 gen yang sering bermutasi pada kanker. Para peneliti melatih model pembelajaran mesin pada data dari hampir 30.000 pasien yang didiagnosis dengan salah satu dari 22 jenis kanker yang diketahui. Kumpulan data termasuk pasien dari Memorial Sloan Kettering dan Pusat Kanker Vanderbilt-Ingram, serta Dana-Farber.
Para peneliti kemudian menguji model tersebut pada sekitar 7.000 tumor yang belum pernah dilihat sebelumnya yang lokasi asalnya diketahui. Model yang oleh para peneliti diberi nama OncoNPC, mampu memprediksi asal mereka dengan akurasi sekitar 80 persen. Untuk tumor yang diprediksi dengan keyakinan tinggi (sekitar 65% dari total), akurasinya meningkat menjadi sekitar 95%.
Mengikuti hasil yang menggembirakan ini, para peneliti menggunakan model untuk menganalisis sekitar 900 tumor dari pasien CUP, semuanya dari Dana-Farber. Mereka menemukan bahwa untuk 40 persen tumor ini, model tersebut mampu membuat prediksi dengan keyakinan tinggi.
Para peneliti kemudian membandingkan prediksi model dengan analisis data yang ada dari subset tumor untuk germline atau mutasi genetik, yang dapat mengungkapkan apakah pasien memiliki kecenderungan genetik untuk mengembangkan jenis kanker tertentu. Para peneliti menemukan bahwa prediksi model lebih cocok dengan jenis kanker yang paling kuat diprediksi oleh mutasi germline daripada jenis kanker lainnya.
Memandu Keputusan Pengobatan
Untuk lebih memvalidasi prediksi model, para peneliti membandingkan data waktu bertahan hidup untuk pasien CUP dengan prognosis tipikal untuk jenis kanker yang diprediksi oleh model. Mereka menemukan bahwa pasien dengan CUP yang diperkirakan memiliki kanker dengan prognosis yang lebih buruk, seperti kanker pankreas, memiliki waktu kelangsungan hidup yang lebih pendek. Pada saat yang sama, pasien CUP dengan kanker yang biasanya memiliki prognosis lebih baik, seperti tumor neuroendokrin, diperkirakan akan hidup lebih lama.
Indikasi lain bahwa prediksi model mungkin berguna berasal dari jenis perawatan yang diterima pasien CUP yang dianalisis dalam penelitian ini. Sekitar 10 persen dari pasien ini menerima terapi bertarget, berdasarkan tebakan terbaik ahli onkologi tentang asal mula kanker. Di antara pasien ini, mereka yang menerima pengobatan yang sesuai dengan jenis kanker yang diprediksi oleh model bernasib lebih baik daripada mereka yang menerima pengobatan khas yang berbeda dari jenis kanker yang diprediksi oleh model.
Dengan menggunakan model ini, para peneliti juga mengidentifikasi tambahan 15 persen pasien (peningkatan 2,2 kali lipat) yang akan menerima terapi bertarget yang ada jika jenis kankernya telah diketahui. Sebaliknya, pasien ini akhirnya menerima obat kemoterapi yang lebih umum.
“Ini dapat membuat temuan ini lebih dapat ditindaklanjuti secara klinis, karena kami tidak memerlukan obat baru untuk disetujui. Apa yang kami katakan adalah orang-orang ini sekarang dapat menerima perawatan presisi yang sudah ada,” kata Gusev.
Para peneliti sekarang berharap untuk memperluas model mereka untuk memasukkan jenis data lain, seperti gambar patologi dan radiologi, untuk memberikan prediksi yang lebih komprehensif menggunakan beberapa modalitas data. Ini juga akan memberi model pandangan komprehensif tentang tumor, memungkinkannya untuk memprediksi tidak hanya jenis tumor dan prognosis pasien, tetapi bahkan mungkin pilihan pengobatan terbaik.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Obat Alami: Model AI dapat membantu menentukan di mana kanker pasien muncul
Sumber: Biokom
Untuk sebagian kecil pasien kanker, dokter tidak dapat menentukan dari mana kanker mereka berasal. Ini membuatnya lebih sulit untuk memilih pengobatan untuk pasien ini, karena banyak obat kanker sering dikembangkan untuk jenis kanker tertentu.
Sebuah metode baru yang dikembangkan oleh para peneliti di MIT dan Dana-Farber Cancer Institute dapat mempermudah untuk menentukan dari mana kanker misterius ini berasal. Menggunakan pembelajaran mesin, para peneliti menciptakan model komputasi yang dapat menganalisis urutan sekitar 400 gen dan menggunakan informasi ini untuk memprediksi dari mana asal tumor tertentu di dalam tubuh.
Dengan menggunakan model ini, para peneliti menunjukkan bahwa mereka dapat secara akurat mengklasifikasikan setidaknya 40 persen tumor yang tidak diketahui asalnya dengan keyakinan tinggi pada kumpulan data sekitar 900 pasien. Pendekatan ini menghasilkan peningkatan 2,2 kali lipat dalam jumlah pasien yang memenuhi syarat untuk terapi bertarget yang dipandu genom berdasarkan asal kanker mereka.
"Ini adalah temuan paling penting dalam makalah kami, dan model ini berpotensi digunakan untuk membantu keputusan pengobatan dan membimbing dokter dalam mempersonalisasi pengobatan untuk pasien kanker yang tidak diketahui asalnya," kata Intae Moon, seorang mahasiswa pascasarjana MIT di bidang teknik elektro dan ilmu komputer. . , yang merupakan penulis utama studi baru ini.
Alexander Gusev, seorang profesor kedokteran di Harvard Medical School dan Dana-Farber Cancer Institute, adalah penulis senior makalah yang diterbitkan dalam jurnal Nature Medicine.
Asal Misterius
Pada 3 sampai 5 persen pasien kanker, terutama yang tumornya telah menyebar ke seluruh tubuh, ahli onkologi tidak memiliki cara yang mudah untuk menentukan asal kanker. Tumor ini diklasifikasikan sebagai karsinoma primer yang tidak diketahui (CUP).
Kurangnya pengetahuan ini seringkali menghalangi dokter untuk memberikan obat yang "tepat" kepada pasien, yang sering disetujui untuk jenis kanker tertentu yang diketahui efektif. Terapi bertarget ini cenderung lebih efektif, dengan efek samping yang lebih sedikit, daripada perawatan yang digunakan untuk berbagai jenis kanker, dan sering digunakan pada pasien dengan CUP.
"Sejumlah besar orang mendapatkan kanker primer yang tidak diketahui ini setiap tahun, dan karena sebagian besar perawatan disetujui dengan cara spesifik lokasi, Anda harus mengetahui lokasi asal untuk menggunakannya, sehingga pilihan perawatan mereka sangat terbatas."
Moon, bagian dari Laboratorium Ilmu Komputer dan Kecerdasan Buatan, menjadi penasihat bersama Gusev. Moon memutuskan untuk menganalisis data genetik yang dikumpulkan secara rutin di Dana-Farber untuk melihat apakah data tersebut dapat digunakan untuk memprediksi jenis kanker. Data termasuk urutan genetik untuk sekitar 400 gen yang sering bermutasi pada kanker. Para peneliti melatih model pembelajaran mesin pada data dari hampir 30.000 pasien yang didiagnosis dengan salah satu dari 22 jenis kanker yang diketahui. Kumpulan data termasuk pasien dari Memorial Sloan Kettering dan Pusat Kanker Vanderbilt-Ingram, serta Dana-Farber.
Para peneliti kemudian menguji model tersebut pada sekitar 7.000 tumor yang belum pernah dilihat sebelumnya yang lokasi asalnya diketahui. Model yang oleh para peneliti diberi nama OncoNPC, mampu memprediksi asal mereka dengan akurasi sekitar 80 persen. Untuk tumor yang diprediksi dengan keyakinan tinggi (sekitar 65% dari total), akurasinya meningkat menjadi sekitar 95%.
Mengikuti hasil yang menggembirakan ini, para peneliti menggunakan model untuk menganalisis sekitar 900 tumor dari pasien CUP, semuanya dari Dana-Farber. Mereka menemukan bahwa untuk 40 persen tumor ini, model tersebut mampu membuat prediksi dengan keyakinan tinggi.
Para peneliti kemudian membandingkan prediksi model dengan analisis data yang ada dari subset tumor untuk germline atau mutasi genetik, yang dapat mengungkapkan apakah pasien memiliki kecenderungan genetik untuk mengembangkan jenis kanker tertentu. Para peneliti menemukan bahwa prediksi model lebih cocok dengan jenis kanker yang paling kuat diprediksi oleh mutasi germline daripada jenis kanker lainnya.
Memandu Keputusan Pengobatan
Untuk lebih memvalidasi prediksi model, para peneliti membandingkan data waktu bertahan hidup untuk pasien CUP dengan prognosis tipikal untuk jenis kanker yang diprediksi oleh model. Mereka menemukan bahwa pasien dengan CUP yang diperkirakan memiliki kanker dengan prognosis yang lebih buruk, seperti kanker pankreas, memiliki waktu kelangsungan hidup yang lebih pendek. Pada saat yang sama, pasien CUP dengan kanker yang biasanya memiliki prognosis lebih baik, seperti tumor neuroendokrin, diperkirakan akan hidup lebih lama.
Indikasi lain bahwa prediksi model mungkin berguna berasal dari jenis perawatan yang diterima pasien CUP yang dianalisis dalam penelitian ini. Sekitar 10 persen dari pasien ini menerima terapi bertarget, berdasarkan tebakan terbaik ahli onkologi tentang asal mula kanker. Di antara pasien ini, mereka yang menerima pengobatan yang sesuai dengan jenis kanker yang diprediksi oleh model bernasib lebih baik daripada mereka yang menerima pengobatan khas yang berbeda dari jenis kanker yang diprediksi oleh model.
Dengan menggunakan model ini, para peneliti juga mengidentifikasi tambahan 15 persen pasien (peningkatan 2,2 kali lipat) yang akan menerima terapi bertarget yang ada jika jenis kankernya telah diketahui. Sebaliknya, pasien ini akhirnya menerima obat kemoterapi yang lebih umum.
“Ini dapat membuat temuan ini lebih dapat ditindaklanjuti secara klinis, karena kami tidak memerlukan obat baru untuk disetujui. Apa yang kami katakan adalah orang-orang ini sekarang dapat menerima perawatan presisi yang sudah ada,” kata Gusev.
Para peneliti sekarang berharap untuk memperluas model mereka untuk memasukkan jenis data lain, seperti gambar patologi dan radiologi, untuk memberikan prediksi yang lebih komprehensif menggunakan beberapa modalitas data. Ini juga akan memberi model pandangan komprehensif tentang tumor, memungkinkannya untuk memprediksi tidak hanya jenis tumor dan prognosis pasien, tetapi bahkan mungkin pilihan pengobatan terbaik.