Искусственный интеллект способный определять место возникновения рака

Исследователи из Массачусетского технологического института и Института рака Дана-Фарбер разработали новый метод для решения проблемы определения места происхождения рака в подгруппе пациентов. Такая проблема возникает, когда врачи не могут точно идентифицировать источник рака, что затрудняет подбор наиболее подходящего лечения, поскольку многие лекарственные препараты разработаны специально под конкретный тип рака.

Новый подход использует машинное обучение и требует создания вычислительной модели. Такая модель может анализировать генетическую последовательность около 400 генов и использовать эту информацию для прогнозирования источника возникновения конкретной опухоли в организме.

Благодаря указанному методу команде удалось точно классифицировать более 40% опухолей неизвестного происхождения в наборе данных из 900 пациентов. Этот прорыв позволил увеличить в 2,2 раза количество пациентов, которые могли бы быть кандидатами для индивидуального, геномически направленного лечения на основе определения происхождения источника их рака.

Инте Мун (Intae Moon), ведущий автор исследования и аспирант по электротехнике и компьютерным наукам Массачусетского технологического института, сделал важный вывод, что модель потенциально может помочь врачам в принятии решений по лечению, направляя их усилия на персонализированную терапию для пациентов, страдающих раком без выявленного первичного очага.

Александр Гусев, старший автор статьи и ассоциированный профессор медицины в Гарвардской медицинской школе и Институте рака Дана-Фарбер, обратил внимание на влияние этой работы, в частности для людей с раком без выявленного первичного очага, на что страдают 3-5% пациентов от общего количества пациентов с выявленным раком.

Как правило, отсутствие информации о первичном месте возникновения рака мешает врачам назначать целевое лечение. Методы лечения, предназначенные для конкретных типов рака, часто более эффективны и имеют меньше побочных эффектов, чем общие методы лечения, которые предназначены для широкого спектра онкологических заболеваний.

Методология исследования была сосредоточена на анализе генетических данных, регулярно собиравшихся в Дана-Фарбер. Данные охватывали генетические последовательности примерно 400 генов, обычно мутирующих при раке. Исследователи натренировали модель машинного обучения, используя данные почти 30 000 пациентов с 22 известными типами рака. Впоследствии эта модель под названием OncoNPC была испытана на около 7 000 не выявленных ранее опухолях с обнаруженным первичным очагом. Она продемонстрировала уровень точности почти в 80%, что выросло примерно до 95% для прогнозов с высокой достоверностью.

После таких обнадеживающих результатов модель была применена для набора данных, в который вошли около 900 раковых опухолей с неизвестным первоначальным очагом. Модель успешно сгенерировала прогнозы с высокой достоверностью для 40% этих случаев.

Предположения модели были дополнительно проверены путем сравнения их с анализом мутаций зародышевой линии в подгруппе опухолей. Прогнозы модели часто согласовывались с типом рака, к которому предрасположены эти генетические мутации. Кроме того, прогнозы модели совпали с продолжительностью жизни пациентов, а также с их реакциями на лечение.

Благодаря определению источника происхождения рака ученные значительно расширили количество пациентов, которые могут воспользоваться целевым лечением. Исследование было поддержано разными фондами, в том числе Национальным институтом здоровья и Фондом Луиса Б. Майера.

В будущем исследователи стремятся усовершенствовать свою модель, включив дополнительные типы данных, такие как патологические и радиологические изображения, чтобы обеспечить более полный прогноз, охватывающий различные модальности данных. Это может позволить модели не только предвидеть типы опухолей и результаты пациентов, но также потенциально рекомендовать оптимальные стратегии лечения.

Методы машинного обучения часто использовались учеными для выявления заболеваний, демонстрируя их универсальность и потенциал в данной области. Команда Qudata также развивает роль ИИ и машинного обучения в сфере здравоохранения и принимает участие в различных проектах. Так, наша команда достигла значительных успехов в развитии медицинской диагностики, в частности в области выявления переломов в шейном отделе позвоночника. Наше инновационное решение объединяет передовые методологии обработки изображений и модели машинного обучения для различия переломов шейного отдела позвоночника на снимках компьютерной томографии. Такой передовой подход, основанный на анализе структуры и плотности кости, позволяет точно определить место перелома. Благодаря этому медицинские работники могут быстро и точно диагностировать переломы, предупреждая возможные осложнения и оптимизируя процесс лечения пациентов.

Ознакомиться с полным перечнем наших кейсов и подробнее прочитать об исследованиях Qudata можно в разделе Наши кейсы.