Новый подход машинного обучения раскрывает скрытую природу рака

Радиологические и патологоанатомические исследования являются золотым стандартом диагностики рака. Но в небольшом проценте случаев рака эти методы не позволяют обнаружить первичный участок метастатической опухоли, которая затем классифицируется как рак неизвестной первичной формы (CUP).

Такие CUP, которые составляют 3–5% всех видов рака, создают уникальные проблемы, такие как трудности с выбором подходящего плана лечения. Отсутствие знаний о первичном очаге препятствует назначению точных лекарств, одобренных для лечения конкретных типов рака. Было показано, что такое таргетное лечение более эффективно и менее инвазивно, чем лечение широкого спектра действия. Но пациенты с CUP часто оказываются без такой таргетной терапии.

Теперь исследовательское сотрудничество от MIT и Дана-Фарбер Институт Рака придумал потенциальное решение этой давней проблемы. Исследователи использовали возможности машинного обучения для разработки вычислительной модели, которая может предсказать место происхождения CUP.

В своем исследовании, опубликованном в Nature Medicine, Александр Гусев и его команда использовали машинное обучение, чтобы предсказать тип рака на основе генетических данных. Обучив свою модель машинного обучения на данных почти 30,000 22 пациентов с диагнозом 80 известных типа рака, исследователи создали инструмент под названием OncoNPC. Этот инструмент успешно предсказал происхождение около 7289% из 95 известных образцов опухолей, и эта точность выросла почти до 65% для опухолей с предсказаниями высокой достоверности (около 400% от общего числа). Анализируя генетическую последовательность около XNUMX генов, OncoNPC может точно предсказать происхождение опухолей и, таким образом, значительно улучшить варианты лечения онкологических больных.

Опираясь на этот успех, исследователи применили модель к набору данных из 971 опухоли у пациентов с CUP. Модель точно предсказала происхождение как минимум 40% этих опухолей, что представляет собой значительное улучшение точности лечения этой исторически сложной группы.

Более того, исследователи сопоставили предсказания модели с мутациями зародышевой линии, унаследованными генетическими изменениями, которые могут указывать на предрасположенность к определенным видам рака. Прогнозы модели в значительной степени соответствовали типу рака, предполагаемому мутациями зародышевой линии, что еще раз подтвердило ее точность.

«Это был самый важный вывод в нашей статье: эта модель потенциально может быть использована для принятия решений о лечении, направляя врачей к персонализированному лечению пациентов с раком неизвестного первичного происхождения», — объясняет ведущий автор. Интаэ Мун, аспирант Массачусетского технологического института.

Практические последствия этого прорыва значительны. Анализ данных о выживаемости показал, что пациенты с CUP, которым модель предсказывала рак с плохим прогнозом, действительно имели более короткое время выживаемости, в то время как те, у кого были предсказаны типы рака с лучшим прогнозом, показали более длительное время выживаемости. Кроме того, модель определила группу пациентов, которым могли бы помочь существующие таргетные методы лечения, если бы был известен тип их рака, что потенциально избавило их от химиотерапевтических препаратов широкого спектра действия.

Новый инструмент искусственного интеллекта прогнозирует выживаемость при колоректальном раке на основе изображений патологии

Далее исследователи планируют улучшить свою модель за счет интеграции дополнительных данных, таких как патологоанатомические и радиологические изображения. Этот целостный подход может дать комплексное представление об опухолях, облегчая прогнозирование не только типа рака и результатов лечения пациентов, но даже потенциально помогая принять оптимальные решения о лечении.

Благодаря сближению машинного обучения и медицинской науки это передовое исследование проливает свет на будущее персонализированного лечения рака для пациентов, рак которых долгое время озадачивал медицинское сообщество.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://physicsworld.com/a/novel-machine-learning-approach-reveals-the-hidden-origins-of-cancers/