Nieuwe benadering van machinaal leren onthult de verborgen oorsprong van kankers – Physics World

Radiologie- en pathologiebeoordelingen zijn de gouden standaard voor het diagnosticeren van kanker. Maar bij een klein percentage van de kankergevallen slagen deze technieken er niet in de primaire plaats van een metastatische tumor te lokaliseren, die vervolgens wordt geclassificeerd als een kanker met onbekende primaire tumor (CUP).

Dergelijke CUPs, die 3 tot 5% van alle vormen van kanker vertegenwoordigen, brengen unieke uitdagingen met zich mee, zoals problemen bij het selecteren van een geschikt behandelplan. Het gebrek aan kennis over de primaire lokalisatie belemmert het voorschrijven van precisiegeneesmiddelen die zijn goedgekeurd voor specifieke soorten kanker. Het is aangetoond dat dergelijke gerichte behandelingen effectiever en minder invasief zijn dan breedspectrumbehandelingen. Maar patiënten met CUP bevinden zich vaak zonder dergelijke gerichte therapieën.

Nu is er een onderzoekssamenwerking van MIT en Dana-Farber Kankerinstituut heeft een mogelijke oplossing bedacht voor dit al lang bestaande probleem. De onderzoekers hebben de kracht van machinaal leren benut om een ​​computationeel model te ontwikkelen dat de plaats van herkomst van CUP’s kan voorspellen.

In hun studie, gepubliceerd in Nature Medicine, Alexander Gusev en zijn team gebruikten machinaal leren om het type kanker te voorspellen op basis van genetische gegevens. Door hun machine learning-model te trainen op gegevens van bijna 30,000 patiënten met de diagnose 22 bekende soorten kanker, creëerden de onderzoekers een tool genaamd OncoNPC. Deze tool voorspelde met succes de oorsprong van ongeveer 80% van de 7289 bekende tumormonsters, en deze nauwkeurigheid steeg tot bijna 95% voor tumoren met betrouwbare voorspellingen (ongeveer 65% van het totaal). Door de genetische sequentie van ongeveer 400 genen te analyseren, kan OncoNPC de oorsprong van tumoren nauwkeurig voorspellen en als zodanig de behandelingsopties voor kankerpatiënten aanzienlijk verbeteren.

Voortbouwend op dit succes pasten de onderzoekers het model toe op een dataset van 971 tumoren van patiënten met CUP. Het model voorspelde nauwkeurig de oorsprong van ten minste 40% van deze tumoren, wat een significante verbetering betekent in de nauwkeurigheid van de behandeling voor deze historisch uitdagende groep.

Bovendien correleerden de onderzoekers de voorspellingen van het model met kiemlijnmutaties, erfelijke genetische veranderingen die kunnen duiden op een aanleg voor bepaalde vormen van kanker. De voorspellingen van het model kwamen met name overeen met het type kanker dat werd gesuggereerd door de kiemlijnmutaties, wat de nauwkeurigheid ervan verder valideerde.

“Dat was de belangrijkste bevinding in ons artikel, namelijk dat dit model potentieel gebruikt zou kunnen worden om behandelbeslissingen te ondersteunen, en artsen te begeleiden naar gepersonaliseerde behandelingen voor patiënten met kankers van onbekende primaire oorsprong”, legt hoofdauteur uit. Inta Maan, een afgestudeerde MIT-student.

De praktische implicaties van deze doorbraak zijn aanzienlijk. Analyse van overlevingsgegevens toonde aan dat CUP-patiënten waarvan door het model werd voorspeld dat ze kanker zouden hebben met een slechte prognose inderdaad kortere overlevingstijden hadden, terwijl degenen waarvan voorspeld werd dat ze kankertypes met betere prognoses hadden, langere overlevingstijden vertoonden. Bovendien identificeerde het model een groep patiënten die baat hadden kunnen hebben bij bestaande gerichte behandelingen als hun kankertype bekend was, waardoor ze mogelijk gespaard zouden worden van breedspectrumchemotherapie.

Nieuw AI-hulpmiddel voorspelt de overleving van colorectale kanker op basis van pathologiebeelden

Vervolgens zijn de onderzoekers van plan hun model te verbeteren door aanvullende gegevens te integreren, zoals pathologie en radiologische beelden. Deze holistische benadering zou alomvattende inzichten in tumoren kunnen bieden, waardoor voorspellingen niet alleen over het kankertype en de uitkomsten voor de patiënt mogelijk worden, maar mogelijk zelfs optimale behandelingsbeslissingen kunnen worden genomen.

Met de convergentie van machinaal leren en de medische wetenschap werpt dit geavanceerde onderzoek een licht op de toekomst van gepersonaliseerde kankerbehandeling voor patiënten bij wie de kanker de medische gemeenschap lange tijd in verwarring heeft gebracht.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://physicsworld.com/a/novel-machine-learning-approach-reveals-the-hidden-origins-of-cancers/