Штучний інтелект здатний визначити місце виникнення раку
Дослідники з Массачусетського технологічного інституту та Інституту раку Дана-Фарбера розробили новий метод для вирішення проблеми визначення походження раку у підгрупі пацієнтів. Така проблема виникає, коли лікарі не можуть точно ідентифікувати джерело раку, що ускладнює визначення найбільш підходящого лікування, оскільки багато лікарських препаратів розроблені спеціально для конкретних типів раку.
Новий підхід використовує машинне навчання та потребує створення обчислювальної моделі. Ця модель може аналізувати генетичну послідовність приблизно 400 генів і використовувати цю інформацію для прогнозування джерела виникнення конкретної пухлини в організмі.
Завдяки цьому методу команді вдалося точно класифікувати понад 40% пухлин невідомого походження в наборі даних з 900 пацієнтів. Цей прорив дозволив збільшити в 2,2 рази кількість пацієнтів, які потенційно могли б бути кандидатами для індивідуального, геномічно направленого лікування на основі визначення походження джерела їхнього раку.
Інте Мун (Intae Moon), провідний автор дослідження та аспірант з електротехніки та комп’ютерних наук Массачусетського технологічного інституту, наголосив на важливій тезі, що модель потенційно може допомогти медичним працівникам у прийнятті рішень щодо лікування, скеровуючи їхні зусилля на персоналізовану терапію для пацієнтів, які страждають від раку з нез’ясованим первинним вогнищем.
Олександр Гусєв, старший автор статті та асоційований професор медицини в Гарвардській медичній школі та Інституті раку Дана-Фарбер, звернув увагу на вплив цієї роботи, зокрема для людей з раком невідомого первинного походження, на що страждають 3-5% пацієнтів від загальної кількості пацієнтів з виявленим раком.
Як правило, відсутність інформації про первинне місце виникнення раку заважає лікарям призначати цільове лікування. Методи лікування, які призначені для конкретних типів раку, часто є ефективнішими та мають менше побічних ефектів, ніж загальні методи лікування, які призначені для широкого спектру онкологічних захворювань.
Методологія дослідження була зосереджена на аналізі генетичних даних, які регулярно збиралися в Дана-Фарбер. Дані охоплювали генетичні послідовності приблизно 400 генів, які зазвичай мутують при ракові. Дослідники натренували модель машинного навчання, використовуючи дані майже 30 000 пацієнтів з 22 відомими типами раку. Згодом ця модель під назвою OncoNPC була випробувана на близько 7 000 не визначених раніше пухлинах з виявленим джерелом походження. Вона продемонструвала рівень точності у майже 80%, що зросло приблизно до 95% для прогнозів з високою достовірністю.
Після таких обнадійливих результатів модель була застосована для набору даних, до якого увійшло близько 900 ракових пухлин невідомого первинного походження. Модель успішно згенерувала прогнози з високою достовірністю для 40% цих випадків.
Передбачення моделі були додатково перевірені шляхом порівняння їх з аналізом мутацій зародкової лінії в підгрупі пухлин. Прогнози моделі часто узгоджувалися з типом раку, до якого схильні ці генетичні мутації. Крім того, прогнози моделі співпали з тривалістю життя пацієнтів, а також їхніми реакціями на лікування.
Завдяки визначенню джерела походження раку, дослідники значно розширили кількість пацієнтів, які можуть скористатися цільовим лікуванням. Дослідження було підтримано різними фондами, у тому числі Національним інститутом здоров'я та Фондом Луїса Б. Майера.
В майбутньому дослідники прагнуть удосконалити свою модель, включивши додаткові типи даних, такі як патологічні та радіологічні зображення, щоб забезпечити більш повний прогноз, що охоплює різні модальності даних. Це може дозволити моделі не тільки передбачити типи пухлин і результати пацієнтів, але потенційно також рекомендувати оптимальні стратегії лікування.
Методи машинного навчання часто використовувалися вченими для виявлення захворювань, демонструючи їхню універсальність і потенціал у цій галузі. Команда Qudata також розвиває роль ШІ та машинного навчання у сфері охорони здоров’я та бере участь у різних проєктах. Так, наша команда досягла значних успіхів у розвитку медичної діагностики, зокрема в області виявлення переломів шийного відділу хребта. Наше інноваційне рішення поєднує передові методології обробки зображень і моделі машинного навчання, щоб розрізняти переломи шийного відділу хребта на знімках комп’ютерної томографії. Цей передовий підхід, що ґрунтується на аналізі структури та щільності кістки, дозволяє точно визначити місце перелому. Завдяки цьому, медичні працівники можуть швидко й точно діагностувати переломи, попереджаючи можливі ускладнення і оптимізуючи процес лікування пацієнтів.
Ознайомитися з повним переліком наших кейсів та детальніше прочитати про дослідження Qudata можна у розділі Наші кейси.