Для невеликого відсотка хворих на рак лікарі не можуть визначити, звідки у них виник рак. Це ускладнює вибір лікування для цих пацієнтів, оскільки багато ліків від раку часто розробляються для конкретних типів раку.
Новий метод, розроблений дослідниками Массачусетського технологічного інституту та Інституту раку Дани-Фарбера, може полегшити визначення походження цих таємничих видів раку. Використовуючи машинне навчання, дослідники створили обчислювальну модель, яка може аналізувати послідовність приблизно 400 генів і використовувати цю інформацію, щоб передбачити, де в організмі походить дана пухлина.
Використовуючи цю модель, дослідники показали, що вони можуть точно класифікувати принаймні 40 відсотків пухлин невідомого походження з високою достовірністю в наборі даних приблизно 900 пацієнтів. Цей підхід призвів до 2,2-кратного збільшення кількості пацієнтів, які мають право на цільову терапію, керовану геномом, залежно від походження раку.
«Це найважливіший висновок у нашій роботі, і модель потенційно може бути використана для допомоги у прийнятті рішень щодо лікування та надання рекомендацій лікарям щодо персоналізації лікування хворих на рак невідомого походження», — сказав Інте Мун, аспірант Массачусетського технологічного інституту з електротехніки та інформатики. , який є провідним автором нового дослідження.
Олександр Гусєв, доцент медицини Гарвардської медичної школи та Інституту раку Дана-Фарбер, є старшим автором статті, опублікованої в журналі Nature Medicine.
Таємниче походження
У 3-5 відсотків хворих на рак, особливо тих, чиї пухлини мають метастази по всьому тілу, онкологи не мають простого способу визначити походження раку. Ці пухлини були класифіковані як невідома первинна карцинома (CUP).
Ця нестача знань часто заважає лікарям давати пацієнтам «точні» ліки, які часто схвалені для лікування конкретних типів раку, які відомі як ефективні. Ця таргетна терапія, як правило, є більш ефективною та має менше побічних ефектів, ніж лікування широкого спектру ракових захворювань, і часто використовується у пацієнтів із CUP.
«Значна кількість людей щороку хворіє на рак невідомої первинної форми, і оскільки більшість методів лікування схвалено в залежності від конкретного місця, ви повинні знати місце походження, щоб використовувати їх, тому вибір їх лікування дуже обмежений».
Мун, що входить до складу Лабораторії комп’ютерних наук і штучного інтелекту, є одним із консультантів Гусєва. Мун вирішив проаналізувати генетичні дані, які регулярно збираються в Dana-Farber, щоб побачити, чи можна їх використовувати для прогнозування типу раку. Дані включали генетичні послідовності приблизно 400 генів, які часто мутують при раку. Дослідники навчили модель машинного навчання на даних майже 30 000 пацієнтів з одним із 22 відомих типів раку. Набір даних включав пацієнтів з онкологічних центрів Memorial Sloan Kettering і Vanderbilt-Ingram, а також Dana-Farber.
Потім дослідники протестували модель на приблизно 7000 ніколи раніше не бачених пухлинах, місце походження яких було відомо. Модель, яку дослідники назвали OncoNPC, змогла передбачити їхнє походження приблизно з 80-відсотковою точністю. Для пухлин, прогнозованих з високою достовірністю (приблизно 65% від загальної кількості), його точність зросла приблизно до 95%.
Отримавши обнадійливі результати, дослідники використали модель для аналізу приблизно 900 пухлин у пацієнтів із CUP, усі від Dana-Farber. Вони виявили, що для 40 відсотків цих пухлин модель могла робити прогнози з високою впевненістю.
Потім дослідники порівняли прогнози моделі з наявними даними аналізу підмножин пухлин на предмет зародкової лінії або генетичних мутацій, які можуть виявити, чи є у пацієнта генетична схильність до розвитку певного типу раку. Дослідники виявили, що прогнози моделі з більшою ймовірністю збігалися з типом раку, який найбільше прогнозують мутації зародкової лінії, ніж будь-який інший тип раку.
Керівні рішення щодо лікування
Щоб додатково підтвердити прогнози моделі, дослідники порівняли дані про час виживання пацієнтів з CUP із типовим прогнозом для типу раку, передбаченого моделлю. Вони виявили, що пацієнти з CUP, яким прогнозували рак із гіршим прогнозом, наприклад рак підшлункової залози, мали відповідно менший час виживання. У той же час пацієнти з CUP, які мають рак, який зазвичай має кращий прогноз, наприклад нейроендокринні пухлини, пророкували довше.
Іншим свідченням того, що прогнози моделі можуть бути корисними, стали типи лікування, яке отримували пацієнти з CUP, проаналізовані в ході дослідження. Близько 10 відсотків цих пацієнтів отримували таргетну терапію, засновану на найкращих припущеннях онкологів щодо походження раку. Серед цих пацієнтів ті, хто отримував лікування відповідно до типу раку, передбаченого моделлю, мали кращі результати, ніж ті, хто отримував типове лікування, яке відрізнялося від типу раку, передбаченого моделлю.
Використовуючи цю модель, дослідники також ідентифікували додаткові 15 відсотків пацієнтів (збільшення у 2,2 рази), які отримували б існуючу таргетну терапію, якби був відомий їхній тип раку. Натомість ці пацієнти отримували звичайні хіміотерапевтичні препарати.
«Це може зробити ці висновки більш клінічно дієвими, тому що нам не потрібні нові ліки для схвалення. Ми говоримо про те, що тепер ці люди можуть отримувати точне лікування, яке вже існує», — сказав Гусєв.
Тепер дослідники сподіваються розширити свою модель, щоб включити інші типи даних, такі як патологічні та радіологічні зображення, щоб забезпечити більш повні прогнози з використанням різних модальностей даних. Це також дасть моделі комплексне уявлення про пухлину, дозволяючи передбачити не лише тип пухлини та прогноз для пацієнта, але, можливо, навіть найкращі варіанти лікування.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Nature Medicine: модель AI може допомогти визначити, де у пацієнта виник рак
Джерело: Biocom
Для невеликого відсотка хворих на рак лікарі не можуть визначити, звідки у них виник рак. Це ускладнює вибір лікування для цих пацієнтів, оскільки багато ліків від раку часто розробляються для конкретних типів раку.
Новий метод, розроблений дослідниками Массачусетського технологічного інституту та Інституту раку Дани-Фарбера, може полегшити визначення походження цих таємничих видів раку. Використовуючи машинне навчання, дослідники створили обчислювальну модель, яка може аналізувати послідовність приблизно 400 генів і використовувати цю інформацію, щоб передбачити, де в організмі походить дана пухлина.
Використовуючи цю модель, дослідники показали, що вони можуть точно класифікувати принаймні 40 відсотків пухлин невідомого походження з високою достовірністю в наборі даних приблизно 900 пацієнтів. Цей підхід призвів до 2,2-кратного збільшення кількості пацієнтів, які мають право на цільову терапію, керовану геномом, залежно від походження раку.
«Це найважливіший висновок у нашій роботі, і модель потенційно може бути використана для допомоги у прийнятті рішень щодо лікування та надання рекомендацій лікарям щодо персоналізації лікування хворих на рак невідомого походження», — сказав Інте Мун, аспірант Массачусетського технологічного інституту з електротехніки та інформатики. , який є провідним автором нового дослідження.
Олександр Гусєв, доцент медицини Гарвардської медичної школи та Інституту раку Дана-Фарбер, є старшим автором статті, опублікованої в журналі Nature Medicine.
Таємниче походження
У 3-5 відсотків хворих на рак, особливо тих, чиї пухлини мають метастази по всьому тілу, онкологи не мають простого способу визначити походження раку. Ці пухлини були класифіковані як невідома первинна карцинома (CUP).
Ця нестача знань часто заважає лікарям давати пацієнтам «точні» ліки, які часто схвалені для лікування конкретних типів раку, які відомі як ефективні. Ця таргетна терапія, як правило, є більш ефективною та має менше побічних ефектів, ніж лікування широкого спектру ракових захворювань, і часто використовується у пацієнтів із CUP.
«Значна кількість людей щороку хворіє на рак невідомої первинної форми, і оскільки більшість методів лікування схвалено в залежності від конкретного місця, ви повинні знати місце походження, щоб використовувати їх, тому вибір їх лікування дуже обмежений».
Мун, що входить до складу Лабораторії комп’ютерних наук і штучного інтелекту, є одним із консультантів Гусєва. Мун вирішив проаналізувати генетичні дані, які регулярно збираються в Dana-Farber, щоб побачити, чи можна їх використовувати для прогнозування типу раку. Дані включали генетичні послідовності приблизно 400 генів, які часто мутують при раку. Дослідники навчили модель машинного навчання на даних майже 30 000 пацієнтів з одним із 22 відомих типів раку. Набір даних включав пацієнтів з онкологічних центрів Memorial Sloan Kettering і Vanderbilt-Ingram, а також Dana-Farber.
Потім дослідники протестували модель на приблизно 7000 ніколи раніше не бачених пухлинах, місце походження яких було відомо. Модель, яку дослідники назвали OncoNPC, змогла передбачити їхнє походження приблизно з 80-відсотковою точністю. Для пухлин, прогнозованих з високою достовірністю (приблизно 65% від загальної кількості), його точність зросла приблизно до 95%.
Отримавши обнадійливі результати, дослідники використали модель для аналізу приблизно 900 пухлин у пацієнтів із CUP, усі від Dana-Farber. Вони виявили, що для 40 відсотків цих пухлин модель могла робити прогнози з високою впевненістю.
Потім дослідники порівняли прогнози моделі з наявними даними аналізу підмножин пухлин на предмет зародкової лінії або генетичних мутацій, які можуть виявити, чи є у пацієнта генетична схильність до розвитку певного типу раку. Дослідники виявили, що прогнози моделі з більшою ймовірністю збігалися з типом раку, який найбільше прогнозують мутації зародкової лінії, ніж будь-який інший тип раку.
Керівні рішення щодо лікування
Щоб додатково підтвердити прогнози моделі, дослідники порівняли дані про час виживання пацієнтів з CUP із типовим прогнозом для типу раку, передбаченого моделлю. Вони виявили, що пацієнти з CUP, яким прогнозували рак із гіршим прогнозом, наприклад рак підшлункової залози, мали відповідно менший час виживання. У той же час пацієнти з CUP, які мають рак, який зазвичай має кращий прогноз, наприклад нейроендокринні пухлини, пророкували довше.
Іншим свідченням того, що прогнози моделі можуть бути корисними, стали типи лікування, яке отримували пацієнти з CUP, проаналізовані в ході дослідження. Близько 10 відсотків цих пацієнтів отримували таргетну терапію, засновану на найкращих припущеннях онкологів щодо походження раку. Серед цих пацієнтів ті, хто отримував лікування відповідно до типу раку, передбаченого моделлю, мали кращі результати, ніж ті, хто отримував типове лікування, яке відрізнялося від типу раку, передбаченого моделлю.
Використовуючи цю модель, дослідники також ідентифікували додаткові 15 відсотків пацієнтів (збільшення у 2,2 рази), які отримували б існуючу таргетну терапію, якби був відомий їхній тип раку. Натомість ці пацієнти отримували звичайні хіміотерапевтичні препарати.
«Це може зробити ці висновки більш клінічно дієвими, тому що нам не потрібні нові ліки для схвалення. Ми говоримо про те, що тепер ці люди можуть отримувати точне лікування, яке вже існує», — сказав Гусєв.
Тепер дослідники сподіваються розширити свою модель, щоб включити інші типи даних, такі як патологічні та радіологічні зображення, щоб забезпечити більш повні прогнози з використанням різних модальностей даних. Це також дасть моделі комплексне уявлення про пухлину, дозволяючи передбачити не лише тип пухлини та прогноз для пацієнта, але, можливо, навіть найкращі варіанти лікування.