Az új gépi tanulási megközelítés felfedi a rákos megbetegedések rejtett eredetét – a fizika világa

A radiológiai és patológiai felmérések a rák diagnosztizálásának arany standardja. De a rákos esetek kis százalékánál ezek a technikák nem találják meg az áttétes daganat elsődleges helyét, amelyet azután az ismeretlen primer rák (CUP) kategóriába sorolnak.

Az ilyen CUP-ok, amelyek az összes rákos megbetegedések 3–5%-át teszik ki, egyedi kihívásokat jelentenek, például nehézségeket okoznak a megfelelő kezelési terv kiválasztásában. Az elsődleges helyszínre vonatkozó ismeretek hiánya akadályozza az olyan precíziós gyógyszerek felírását, amelyek bizonyos ráktípusokra engedélyezettek. Az ilyen célzott kezelések hatékonyabbnak és kevésbé invazívnak bizonyultak, mint a széles spektrumú kezelések. De a CUP-ban szenvedő betegek gyakran ilyen célzott terápiák nélkül találják magukat.

Most egy kutatási együttműködés MIT és a Dana-Farber Rákkutató Intézet lehetséges megoldást talált erre a régóta fennálló problémára. A kutatók a gépi tanulás erejét kihasználva olyan számítási modellt fejlesztettek ki, amely képes megjósolni a CUP-ok származási helyét.

ben megjelent tanulmányukban Nature Medicine, Sándor Guszev és csapata gépi tanulást használt a rák típusának előrejelzésére genetikai adatok alapján. A kutatók gépi tanulási modelljüket csaknem 30,000 22, 80 ismert ráktípussal diagnosztizált beteg adataira oktatva létrehozták az OncoNPC nevű eszközt. Ez az eszköz sikeresen megjósolta a 7289 ismert tumorminta körülbelül 95%-ának eredetét, és ez a pontosság közel 65%-ra nőtt a nagy megbízhatóságú előrejelzésekkel rendelkező daganatok esetében (az összes minta körülbelül 400%-a). Körülbelül XNUMX gén genetikai szekvenciájának elemzésével az OncoNPC pontosan meg tudja jósolni a daganatok eredetét, és mint ilyen, jelentősen javíthatja a rákos betegek kezelési lehetőségeit.

Erre a sikerre építve a kutatók a modellt CUP-ban szenvedő betegek 971 daganatát tartalmazó adathalmazra alkalmazták. A modell pontosan megjósolta e daganatok legalább 40%-ának eredetét, ami jelentős javulást jelent a kezelés pontosságában ennél a történelmileg kihívást jelentő csoportnál.

Ezenkívül a kutatók a modell előrejelzéseit korrelálták a csíravonal-mutációkkal, az öröklött genetikai változásokkal, amelyek bizonyos ráktípusokra való hajlamot jelezhetnek. A modell előrejelzései különösen igazodtak a csíravonal-mutációk által javasolt ráktípushoz, tovább erősítve a pontosságát.

„Ez volt a legfontosabb megállapítás a cikkünkben, hogy ez a modell potenciálisan felhasználható a kezelési döntések meghozatalában, és az orvosokat személyre szabott kezelések felé terelheti az ismeretlen elsődleges eredetű rákos megbetegedésekben” – magyarázza a vezető szerző. Intae Moon, MIT végzős hallgató.

Ennek az áttörésnek a gyakorlati következményei jelentősek. A túlélési adatok elemzése azt mutatta, hogy a modell által rossz prognózisú rákos megbetegedéseket jósolt CUP-s betegek túlélési ideje valóban rövidebb volt, míg a jobb prognózisú ráktípusokkal rendelkezők hosszabb túlélést mutattak. Ezen túlmenően a modell azonosított egy olyan betegcsoportot, akiknek hasznot húzhattak volna a meglévő célzott kezelésekből, ha a rák típusát ismerték volna, és ezzel potenciálisan megkímélték volna őket a széles spektrumú kemoterápiás gyógyszerektől.

Az új mesterséges intelligencia eszköz megjósolja a vastagbélrák túlélését a patológiás képekből

Ezután a kutatók azt tervezik, hogy továbbfejlesztik modelljüket további adatok, például patológiai és radiológiai képek integrálásával. Ez a holisztikus megközelítés átfogó betekintést nyújthat a daganatokba, megkönnyítve nemcsak a rák típusának és a betegek kimenetelének előrejelzését, hanem potenciálisan irányítja az optimális kezelési döntéseket is.

A gépi tanulás és az orvostudomány konvergenciájával ez a fejlett kutatás rávilágít a személyre szabott rákkezelés jövőjére azon betegek számára, akiknek a rákos megbetegedései régóta zavarba ejtik az orvosi közösséget.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/novel-machine-learning-approach-reveals-the-hidden-origins-of-cancers/