Для небольшого процента больных раком врачи не могут определить, откуда у них возник рак. Это затрудняет выбор лечения для таких пациентов, поскольку многие противораковые препараты часто разрабатываются для конкретных типов рака.
Новый метод, разработанный исследователями из Массачусетского технологического института и Института рака Дана-Фарбер, может упростить определение источника этих загадочных видов рака. Используя машинное обучение, исследователи создали вычислительную модель, которая может анализировать последовательность около 400 генов и использовать эту информацию, чтобы предсказать, где в организме возникает данная опухоль.
Используя эту модель, исследователи показали, что они могут точно классифицировать по крайней мере 40 процентов опухолей неизвестного происхождения с высокой достоверностью в наборе данных примерно 900 пациентов. Этот подход привел к увеличению в 2,2 раза числа пациентов, которым была назначена таргетная терапия с учетом генома в зависимости от происхождения их рака.
«Это самый важный вывод в нашей статье, и модель потенциально может быть использована для помощи в принятии решений о лечении и руководства врачами в персонализации лечения больных раком неизвестного происхождения», — сказал Интае Мун, аспирант Массачусетского технологического института в области электротехники и информатики. , который является ведущим автором нового исследования.
Александр Гусев, доцент медицины Гарвардской медицинской школы и Института рака Дана-Фарбер, является старшим автором статьи, опубликованной в журнале Nature Medicine.
Загадочное происхождение
У 3-5 процентов больных раком, особенно у тех, у которых опухоли метастазируют по всему телу, у онкологов нет простого способа определить происхождение рака. Эти опухоли были классифицированы как карциномы неизвестного первичного типа (CUP).
Это отсутствие знаний часто мешает врачам давать пациентам «точные» лекарства, которые часто одобрены для лечения определенных типов рака и известны своей эффективностью. Эти таргетные методы лечения, как правило, более эффективны и имеют меньше побочных эффектов, чем методы лечения широкого спектра онкологических заболеваний, и часто используются у пациентов с CUP.
«Значительное количество людей ежегодно заболевают этим раком неизвестного первичного происхождения, и, поскольку большинство методов лечения одобрены для конкретного места, вы должны знать место происхождения, чтобы использовать их, поэтому выбор их лечения очень ограничен».
Мун, часть Лаборатории компьютерных наук и искусственного интеллекта, является со-консультантом Гусева. Мун решил проанализировать генетические данные, регулярно собираемые в Дана-Фарбер, чтобы выяснить, можно ли их использовать для предсказания типа рака. Данные включали генетические последовательности примерно 400 генов, которые часто мутируют при раке. Исследователи обучили модель машинного обучения на данных почти 30 000 пациентов с диагнозом один из 22 известных типов рака. Набор данных включал пациентов из Мемориального онкологического центра Слоана Кеттеринга и Вандербильта-Ингрэма, а также Дана-Фарбер.
Затем исследователи протестировали модель примерно на 7000 невиданных ранее опухолях, местонахождение которых было известно. Модель, которую исследователи назвали OncoNPC, смогла предсказать их происхождение примерно с 80-процентной точностью. Для опухолей, предсказанных с высокой достоверностью (примерно 65% от общего числа), его точность возросла примерно до 95%.
После этих обнадеживающих результатов исследователи использовали модель для анализа примерно 900 опухолей у пациентов с CUP, все из Dana-Farber. Они обнаружили, что для 40 процентов этих опухолей модель могла делать прогнозы с высокой степенью достоверности.
Затем исследователи сравнили прогнозы модели с существующими данными анализа подмножеств опухолей на наличие зародышевых или генетических мутаций, которые могут выявить наличие у пациента генетической предрасположенности к развитию определенного типа рака. Исследователи обнаружили, что предсказания модели с большей вероятностью соответствуют типу рака, наиболее точно предсказываемому мутациями зародышевой линии, чем любому другому типу рака.
Принятие решений о лекарствах
Чтобы еще больше подтвердить предсказания модели, исследователи сравнили данные о времени выживания пациентов с CUP с типичным прогнозом для типа рака, предсказанного моделью. Они обнаружили, что пациенты с CUP, у которых прогнозировался рак с более плохим прогнозом, например, рак поджелудочной железы, имели соответственно более короткую продолжительность жизни. В то же время прогнозируется, что пациенты с CUP с раком, который обычно имеет лучший прогноз, например, с нейроэндокринными опухолями, живут дольше.
Еще одно указание на то, что предсказания модели могут быть полезными, исходит из типов лечения, которое получали пациенты с CUP, проанализированные в исследовании. Около 10 процентов этих пациентов получали таргетную терапию, основанную на предположениях онкологов о происхождении рака. Среди этих пациентов те, кто получил лечение, соответствующее типу рака, предсказанному моделью, чувствовали себя лучше, чем те, кто получил типичное лечение, которое отличалось от типа рака, предсказанного моделью.
Используя эту модель, исследователи также выявили дополнительные 15 процентов пациентов (увеличение в 2,2 раза), которые получили бы существующую таргетную терапию, если бы их тип рака был известен. Вместо этого эти пациенты получали более распространенные химиотерапевтические препараты.
«Это может сделать эти результаты более клинически действенными, потому что нам не нужно одобрение новых лекарств. Мы говорим о том, что теперь эти люди могут получать прецизионные методы лечения, которые уже существуют», — сказал Гусев.
Теперь исследователи надеются расширить свою модель, включив в нее другие типы данных, такие как изображения патологии и радиологии, чтобы обеспечить более полные прогнозы с использованием нескольких модальностей данных. Это также даст модели всестороннее представление об опухоли, что позволит предсказать не только тип опухоли и прогноз пациента, но, возможно, даже лучшие варианты лечения.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Nature Medicine: модель ИИ может помочь определить, где у пациента возник рак
Источник: Биоком
Для небольшого процента больных раком врачи не могут определить, откуда у них возник рак. Это затрудняет выбор лечения для таких пациентов, поскольку многие противораковые препараты часто разрабатываются для конкретных типов рака.
Новый метод, разработанный исследователями из Массачусетского технологического института и Института рака Дана-Фарбер, может упростить определение источника этих загадочных видов рака. Используя машинное обучение, исследователи создали вычислительную модель, которая может анализировать последовательность около 400 генов и использовать эту информацию, чтобы предсказать, где в организме возникает данная опухоль.
Используя эту модель, исследователи показали, что они могут точно классифицировать по крайней мере 40 процентов опухолей неизвестного происхождения с высокой достоверностью в наборе данных примерно 900 пациентов. Этот подход привел к увеличению в 2,2 раза числа пациентов, которым была назначена таргетная терапия с учетом генома в зависимости от происхождения их рака.
«Это самый важный вывод в нашей статье, и модель потенциально может быть использована для помощи в принятии решений о лечении и руководства врачами в персонализации лечения больных раком неизвестного происхождения», — сказал Интае Мун, аспирант Массачусетского технологического института в области электротехники и информатики. , который является ведущим автором нового исследования.
Александр Гусев, доцент медицины Гарвардской медицинской школы и Института рака Дана-Фарбер, является старшим автором статьи, опубликованной в журнале Nature Medicine.
Загадочное происхождение
У 3-5 процентов больных раком, особенно у тех, у которых опухоли метастазируют по всему телу, у онкологов нет простого способа определить происхождение рака. Эти опухоли были классифицированы как карциномы неизвестного первичного типа (CUP).
Это отсутствие знаний часто мешает врачам давать пациентам «точные» лекарства, которые часто одобрены для лечения определенных типов рака и известны своей эффективностью. Эти таргетные методы лечения, как правило, более эффективны и имеют меньше побочных эффектов, чем методы лечения широкого спектра онкологических заболеваний, и часто используются у пациентов с CUP.
«Значительное количество людей ежегодно заболевают этим раком неизвестного первичного происхождения, и, поскольку большинство методов лечения одобрены для конкретного места, вы должны знать место происхождения, чтобы использовать их, поэтому выбор их лечения очень ограничен».
Мун, часть Лаборатории компьютерных наук и искусственного интеллекта, является со-консультантом Гусева. Мун решил проанализировать генетические данные, регулярно собираемые в Дана-Фарбер, чтобы выяснить, можно ли их использовать для предсказания типа рака. Данные включали генетические последовательности примерно 400 генов, которые часто мутируют при раке. Исследователи обучили модель машинного обучения на данных почти 30 000 пациентов с диагнозом один из 22 известных типов рака. Набор данных включал пациентов из Мемориального онкологического центра Слоана Кеттеринга и Вандербильта-Ингрэма, а также Дана-Фарбер.
Затем исследователи протестировали модель примерно на 7000 невиданных ранее опухолях, местонахождение которых было известно. Модель, которую исследователи назвали OncoNPC, смогла предсказать их происхождение примерно с 80-процентной точностью. Для опухолей, предсказанных с высокой достоверностью (примерно 65% от общего числа), его точность возросла примерно до 95%.
После этих обнадеживающих результатов исследователи использовали модель для анализа примерно 900 опухолей у пациентов с CUP, все из Dana-Farber. Они обнаружили, что для 40 процентов этих опухолей модель могла делать прогнозы с высокой степенью достоверности.
Затем исследователи сравнили прогнозы модели с существующими данными анализа подмножеств опухолей на наличие зародышевых или генетических мутаций, которые могут выявить наличие у пациента генетической предрасположенности к развитию определенного типа рака. Исследователи обнаружили, что предсказания модели с большей вероятностью соответствуют типу рака, наиболее точно предсказываемому мутациями зародышевой линии, чем любому другому типу рака.
Принятие решений о лекарствах
Чтобы еще больше подтвердить предсказания модели, исследователи сравнили данные о времени выживания пациентов с CUP с типичным прогнозом для типа рака, предсказанного моделью. Они обнаружили, что пациенты с CUP, у которых прогнозировался рак с более плохим прогнозом, например, рак поджелудочной железы, имели соответственно более короткую продолжительность жизни. В то же время прогнозируется, что пациенты с CUP с раком, который обычно имеет лучший прогноз, например, с нейроэндокринными опухолями, живут дольше.
Еще одно указание на то, что предсказания модели могут быть полезными, исходит из типов лечения, которое получали пациенты с CUP, проанализированные в исследовании. Около 10 процентов этих пациентов получали таргетную терапию, основанную на предположениях онкологов о происхождении рака. Среди этих пациентов те, кто получил лечение, соответствующее типу рака, предсказанному моделью, чувствовали себя лучше, чем те, кто получил типичное лечение, которое отличалось от типа рака, предсказанного моделью.
Используя эту модель, исследователи также выявили дополнительные 15 процентов пациентов (увеличение в 2,2 раза), которые получили бы существующую таргетную терапию, если бы их тип рака был известен. Вместо этого эти пациенты получали более распространенные химиотерапевтические препараты.
«Это может сделать эти результаты более клинически действенными, потому что нам не нужно одобрение новых лекарств. Мы говорим о том, что теперь эти люди могут получать прецизионные методы лечения, которые уже существуют», — сказал Гусев.
Теперь исследователи надеются расширить свою модель, включив в нее другие типы данных, такие как изображения патологии и радиологии, чтобы обеспечить более полные прогнозы с использованием нескольких модальностей данных. Это также даст модели всестороннее представление об опухоли, что позволит предсказать не только тип опухоли и прогноз пациента, но, возможно, даже лучшие варианты лечения.