کمک هوش مصنوعی به بیماران سرطانی

پیش‌بینی‌های مدل OncoNPC می‌تواند پزشکان را قادر به انتخاب درمان‌های هدفمند برای تومورهای دشوار کند.

برای درصد کمی از بیماران سرطانی، پزشکان قادر به تعیین منشأ سرطان آنها نیستند. این امر انتخاب درمانی را برای این بیماران بسیار دشوارتر می‌کند، زیرا بسیاری از داروهای سرطان معمولاً برای انواع خاصی از سرطان ساخته می‌شوند.

رویکرد جدیدی که توسط محققان MIT و موسسه سرطان Dana-Farber توسعه یافته است، ممکن است شناسایی مکان‌های منشأ آن سرطان‌های مرموز را آسان‌تر کند. محققان با استفاده از یادگیری ماشینی، یک مدل محاسباتی ایجاد کردند که می تواند توالی حدود 400 ژن را تجزیه و تحلیل کند و از آن اطلاعات برای پیش بینی محل منشاء تومور معین در بدن استفاده کند.

با استفاده از این مدل، محققان نشان دادند که می‌توانند به طور دقیق حداقل 40 درصد از تومورهای با منشأ ناشناخته را با اطمینان بالا در مجموعه‌ای از حدود 900 بیمار طبقه‌بندی کنند. این رویکرد باعث افزایش 2.2 برابری در تعداد بیمارانی شد که می‌توانستند واجد شرایط یک درمان هدفمند و هدایت شده از نظر ژنومی باشند، بر اساس اینکه سرطانشان از کجا منشا گرفته است.

اینتای مون، دانشجوی فارغ التحصیل MIT در رشته مهندسی برق و می گوید: «این مهم ترین یافته در مقاله ما بود، اینکه این مدل می تواند به طور بالقوه برای کمک به تصمیم گیری های درمانی استفاده شود، و پزشکان را به سمت درمان های شخصی برای بیماران مبتلا به سرطان با منشا اولیه ناشناخته راهنمایی کند. علوم کامپیوتر که نویسنده اصلی این مطالعه جدید است.

الکساندر گوسف، دانشیار پزشکی در دانشکده پزشکی هاروارد و موسسه سرطان دانا فاربر، نویسنده ارشد این مقاله است که امروز در Nature Medicine منتشر شده است.

ریشه های اسرارآمیز

در 3 تا 5 درصد از بیماران سرطانی، به ویژه در مواردی که تومورها در سراسر بدن متاستاز داده اند، انکولوژیست ها راه آسانی برای تعیین منشا سرطان ندارند. این تومورها به عنوان سرطان های اولیه ناشناخته (CUP) طبقه بندی می شوند.

این فقدان دانش اغلب باعث می‌شود که پزشکان نتوانند داروهای «دقیق» را به بیماران بدهند، داروهایی که معمولاً برای انواع خاصی از سرطان در جایی که شناخته شده کار می‌کنند تأیید شده‌اند. این درمان‌های هدفمند نسبت به درمان‌هایی که برای طیف وسیعی از سرطان‌ها که معمولاً برای بیماران CUP تجویز می‌شوند، مؤثرتر بوده و عوارض جانبی کمتری دارند.

گوسف می‌گوید: «تعداد قابل‌توجهی از افراد هر ساله به این سرطان‌های اولیه ناشناخته مبتلا می‌شوند، و از آنجایی که بیشتر درمان‌ها به روشی خاص مورد تأیید قرار می‌گیرند، جایی که باید محل اولیه را برای استقرار آنها بشناسید، گزینه‌های درمانی بسیار محدودی دارند.» .

مون، یکی از زیرمجموعه‌های آزمایشگاه علوم کامپیوتر و هوش مصنوعی که توسط Gusev مشاوره می‌شود، تصمیم گرفت داده‌های ژنتیکی را که به طور معمول در Dana-Farber جمع‌آوری می‌شود تجزیه و تحلیل کند تا ببیند آیا می‌توان از آن برای پیش‌بینی نوع سرطان استفاده کرد یا خیر. داده ها شامل توالی های ژنتیکی برای حدود 400 ژن است که اغلب در سرطان جهش یافته اند. محققان یک مدل یادگیری ماشینی را بر روی داده های نزدیک به 30000 بیمار که یکی از 22 نوع سرطان شناخته شده در آنها تشخیص داده شده بود، آموزش دادند. این مجموعه داده شامل بیمارانی از مرکز سرطان مموریال اسلون کترینگ و مرکز سرطان واندربیلت-اینگرام و همچنین دانا-فاربر بود.

محققان سپس مدل به دست آمده را روی حدود 7000 تومور که قبلاً ندیده بود، اما محل منشأ آنها مشخص بود، آزمایش کردند. این مدل که محققان آن را OncoNPC نامیدند، توانست منشا آن را با دقت 80 درصدی پیش بینی کند. برای تومورهایی با پیش بینی های با اطمینان بالا، که حدود 65 درصد از کل را تشکیل می دادند، دقت آن به تقریبا 95 درصد افزایش یافت.

پس از آن نتایج دلگرم کننده، محققان از این مدل برای تجزیه و تحلیل مجموعه ای از حدود 900 تومور از بیماران مبتلا به CUP استفاده کردند که همگی از Dana-Farber بودند. آنها دریافتند که برای 40 درصد از این تومورها، این مدل قادر به پیش بینی های با اطمینان بالا است.

محققان سپس پیش‌بینی‌های مدل را با تجزیه و تحلیل جهش‌های ژنتیکی یا ارثی در زیرمجموعه‌ای از تومورها با داده‌های موجود مقایسه کردند که می‌تواند نشان دهد که آیا بیماران مستعد ژنتیکی برای ابتلا به نوع خاصی از سرطان هستند یا خیر. محققان دریافتند که پیش‌بینی‌های مدل بسیار بیشتر از هر نوع سرطان دیگری با نوع سرطانی که توسط جهش‌های مولفه پیش‌بینی می‌شود مطابقت دارد.

هدایت تصمیمات دارویی

برای تأیید بیشتر پیش‌بینی‌های این مدل، محققان داده‌های مربوط به زمان بقای بیماران CUP را با پیش‌آگهی معمول برای نوع سرطانی که مدل پیش‌بینی کرده بود، مقایسه کردند. آنها دریافتند که بیماران CUP که پیش‌بینی می‌شد سرطان با پیش‌آگهی ضعیف مانند سرطان پانکراس داشته باشند، زمان بقای کوتاه‌تری را نشان دادند. در همین حال، بیماران CUP که پیش‌بینی می‌شد سرطان‌هایی داشته باشند که معمولاً پیش‌آگهی‌های بهتری دارند، مانند تومورهای عصبی غدد درون‌ریز، زمان بقای طولانی‌تری داشتند.

نشانه دیگری مبنی بر اینکه پیش‌بینی‌های این مدل می‌تواند مفید باشد، از نگاه به انواع درمان‌هایی بود که بیماران CUP آنالیز شده در این مطالعه دریافت کرده بودند. حدود 10 درصد از این بیماران بر اساس بهترین حدس‌های انکولوژیست‌ها در مورد منشا سرطانشان، یک درمان هدفمند دریافت کرده بودند. در میان این بیماران، آنهایی که درمان منطبق با نوع سرطانی را که مدل برای آنها پیش‌بینی کرده بود، دریافت کردند، بهتر از بیمارانی که معمولاً برای نوع متفاوتی از سرطان درمان دریافت می‌کردند، نسبت به آنچه مدل برای آنها پیش‌بینی می‌کرد، عمل کردند.

با استفاده از این مدل، محققان همچنین 15 درصد بیشتر از بیماران (افزایش 2.2 برابری) را شناسایی کردند که می‌توانستند یک درمان هدفمند موجود را دریافت کنند، در صورتی که نوع سرطان آنها شناخته شده بود. در عوض، آن بیماران در نهایت داروهای شیمی درمانی عمومی بیشتری دریافت کردند.

“این به طور بالقوه باعث می شود این یافته ها از نظر بالینی قابل عمل تر باشد زیرا ما نیازی به تایید داروی جدید نداریم. چیزی که ما می‌گوییم این است که این جمعیت اکنون می‌توانند واجد شرایط درمان‌های دقیقی باشند که از قبل وجود داشته است.»

محققان اکنون امیدوارند که مدل خود را گسترش دهند تا انواع دیگر داده ها مانند تصاویر آسیب شناسی و تصاویر رادیولوژی را شامل شود تا با استفاده از روش های داده های متعدد، پیش بینی جامع تری ارائه دهند. این همچنین یک چشم انداز جامع از تومورها را در اختیار مدل قرار می دهد و آن را قادر می سازد نه تنها نوع تومور و نتیجه بیمار، بلکه حتی درمان بهینه را نیز پیش بینی کند.

این تحقیق توسط مؤسسه ملی بهداشت، بنیاد لوئیس بی مایر، بنیاد خیریه دوریس دوک، انجمن Phi Beta Psi Sorority و Emerson Collective تأمین مالی شد.