Οι ερευνητές ελπίζουν τώρα να επεκτείνουν το μοντέλο τους για να συμπεριλάβουν άλλους τύπους δεδομένων, όπως παθολογικές εικόνες και ακτινολογικές εικόνες, ώστε να παρέχουν μια πιο ολοκληρωμένη πρόβλεψη με τη χρήση πολλαπλών τρόπων δεδομένων. Αυτό θα παρείχε επίσης στο μοντέλο μια ολοκληρωμένη προοπτική των όγκων, επιτρέποντάς του να προβλέψει όχι μόνο τον τύπο του όγκου και την έκβαση του ασθενούς, αλλά ενδεχομένως ακόμη και τη βέλτιστη θεραπεία.
Καρκίνος: Για ένα μικρό ποσοστό ασθενών με καρκίνο, οι γιατροί δεν είναι σε θέση να προσδιορίσουν από πού προέρχεται ο καρκίνος τους. Αυτό καθιστά πολύ πιο δύσκολη την επιλογή μιας θεραπείας για αυτούς τους ασθενείς, επειδή πολλά φάρμακα για τον καρκίνο αναπτύσσονται συνήθως για συγκεκριμένους τύπους καρκίνου. Μια νέα προσέγγιση που αναπτύχθηκε από ερευνητές του ΜΙΤ και του Ινστιτούτου Καρκίνου Dana-Farber μπορεί να διευκολύνει τον εντοπισμό των τόπων προέλευσης αυτών των αινιγματικών καρκίνων.
Χρησιμοποιώντας μηχανική μάθηση, οι ερευνητές δημιούργησαν ένα υπολογιστικό μοντέλο που μπορεί να αναλύσει την αλληλουχία περίπου 400 γονιδίων και να χρησιμοποιήσει αυτές τις πληροφορίες για να προβλέψει από πού προέρχεται ένας συγκεκριμένος όγκος στο σώμα. Χρησιμοποιώντας αυτό το μοντέλο, οι ερευνητές έδειξαν ότι μπορούσαν να ταξινομήσουν με ακρίβεια τουλάχιστον το 40% των όγκων άγνωστης προέλευσης με υψηλή πιστότητα, σε ένα σύνολο δεδομένων περίπου 900 ασθενών. Η προσέγγιση αυτή επέτρεψε την αύξηση κατά 2,2 φορές του αριθμού των ασθενών που θα μπορούσαν να είναι επιλέξιμοι για μια γονιδιωματικά καθοδηγούμενη στοχευμένη θεραπεία, με βάση το από πού προέρχεται ο καρκίνος τους. “Αυτό ήταν το πιο σημαντικό εύρημα της δημοσίευσής μας, ότι αυτό το μοντέλο θα μπορούσε ενδεχομένως να χρησιμοποιηθεί για να βοηθήσει τις αποφάσεις θεραπείας, καθοδηγώντας τους γιατρούς προς εξατομικευμένες θεραπείες για ασθενείς με καρκίνο άγνωστης πρωτογενούς προέλευσης”, λέει η Intae Moon, μεταπτυχιακή φοιτήτρια του ΜΙΤ στην ηλεκτρολογία και την επιστήμη των υπολογιστών, η οποία είναι η κύρια συγγραφέας της νέας μελέτης. Ο Alexander Gusev, αναπληρωτής καθηγητής Ιατρικής στην Ιατρική Σχολή του Χάρβαρντ και στο Ινστιτούτο Καρκίνου Dana-Farber, είναι ο κύριος συγγραφέας της μελέτης, η οποία δημοσιεύτηκε χθες στο Nature Medicine.
Μυστηριώδης προέλευση
Στο 3% έως 5% των ασθενών με καρκίνο, ιδίως σε περιπτώσεις όπου οι όγκοι έχουν κάνει μεταστάσεις σε όλο το σώμα, οι ογκολόγοι δεν έχουν έναν εύκολο τρόπο να προσδιορίσουν από πού προήλθε ο καρκίνος. Αυτοί οι όγκοι ταξινομούνται ως καρκίνοι άγνωστης πρωτοπαθούς προέλευσης (CUP). Αυτή η έλλειψη γνώσης συχνά εμποδίζει τους γιατρούς να είναι σε θέση να χορηγούν στους ασθενείς φάρμακα “ακριβείας”, τα οποία συνήθως εγκρίνονται για συγκεκριμένους τύπους καρκίνου, όπου είναι γνωστό ότι δρουν. Αυτές οι στοχευμένες θεραπείες τείνουν να είναι πιο αποτελεσματικές και να έχουν λιγότερες παρενέργειες από τις θεραπείες που χρησιμοποιούνται για ένα ευρύ φάσμα καρκίνων, οι οποίες συνήθως συνταγογραφούνται σε ασθενείς με CUP. “Ένας σημαντικός αριθμός ατόμων αναπτύσσει αυτούς τους καρκίνους άγνωστης πρωτοπαθούς νόσου κάθε χρόνο και επειδή οι περισσότερες θεραπείες εγκρίνονται με τρόπο που αφορά συγκεκριμένο σημείο, όπου πρέπει να γνωρίζετε το πρωτογενές σημείο για να τις αναπτύξετε, έχουν πολύ περιορισμένες θεραπευτικές επιλογές”, λέει ο Gusev. Η Moon, συνεργάτης του Εργαστηρίου Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης, η οποία έχει ως σύμβουλο τον Gusev, αποφάσισε να αναλύσει γενετικά δεδομένα που συλλέγονται συνήθως στο Dana-Farber για να δει αν θα μπορούσαν να χρησιμοποιηθούν για την πρόβλεψη του τύπου του καρκίνου. Τα δεδομένα αποτελούνται από γενετικές αλληλουχίες για περίπου 400 γονίδια που μεταλλάσσονται συχνά στον καρκίνο. Οι ερευνητές εκπαίδευσαν ένα μοντέλο μηχανικής μάθησης σε δεδομένα από σχεδόν 30.000 ασθενείς που είχαν διαγνωστεί με έναν από τους 22 γνωστούς τύπους καρκίνου. Αυτό το σύνολο δεδομένων περιλάμβανε ασθενείς από το Κέντρο Καρκίνου Memorial Sloan Kettering και το Κέντρο Καρκίνου Vanderbilt-Ingram, καθώς και από το Dana-Farber. Στη συνέχεια οι ερευνητές δοκίμασαν το μοντέλο που προέκυψε σε περίπου 7.000 όγκους που δεν είχε δει προηγουμένως, αλλά των οποίων η περιοχή προέλευσης ήταν γνωστή. Το μοντέλο, το οποίο οι ερευνητές ονόμασαν OncoNPC, μπόρεσε να προβλέψει την προέλευσή τους με ακρίβεια περίπου 80%. Για τους όγκους με προβλέψεις υψηλής πιστότητας, οι οποίοι αποτελούσαν περίπου το 65% του συνόλου, η ακρίβειά του αυξήθηκε σε περίπου 95%. Μετά από αυτά τα ενθαρρυντικά αποτελέσματα, οι ερευνητές χρησιμοποίησαν το μοντέλο για να αναλύσουν ένα σύνολο περίπου 900 όγκων από ασθενείς με CUP, οι οποίοι προέρχονταν όλοι από το Dana-Farber. Διαπίστωσαν ότι για το 40% αυτών των όγκων, το μοντέλο ήταν σε θέση να κάνει προβλέψεις υψηλής αξιοπιστίας. Στη συνέχεια, οι ερευνητές συνέκριναν τις προβλέψεις του μοντέλου με μια ανάλυση των γεννητικών ή κληρονομικών μεταλλάξεων σε ένα υποσύνολο όγκων με διαθέσιμα δεδομένα, το οποίο μπορεί να αποκαλύψει εάν οι ασθενείς έχουν γενετική προδιάθεση να αναπτύξουν έναν συγκεκριμένο τύπο καρκίνου. Οι ερευνητές διαπίστωσαν ότι οι προβλέψεις του μοντέλου είχαν πολύ περισσότερες πιθανότητες να ταιριάζουν με τον τύπο καρκίνου που προβλέπονταν πιο έντονα από τις μεταλλάξεις της γεννητικής σειράς παρά με οποιονδήποτε άλλο τύπο καρκίνου.
Καθοδήγηση αποφάσεων για φάρμακα
Για να επικυρώσουν περαιτέρω τις προβλέψεις του μοντέλου, οι ερευνητές συνέκριναν τα δεδομένα σχετικά με τον χρόνο επιβίωσης των ασθενών με CUP με την τυπική πρόγνωση για τον τύπο καρκίνου που προέβλεπε το μοντέλο. Διαπίστωσαν ότι οι ασθενείς με CUP που προβλέφθηκε ότι είχαν καρκίνο με κακή πρόγνωση, όπως ο καρκίνος του παγκρέατος, παρουσίασαν αντίστοιχα μικρότερο χρόνο επιβίωσης. Εν τω μεταξύ, οι ασθενείς με CUP που προβλέφθηκε ότι είχαν καρκίνο με τυπικά καλύτερη πρόγνωση, όπως οι νευροενδοκρινείς όγκοι, είχαν μεγαλύτερους χρόνους επιβίωσης. Μια άλλη ένδειξη ότι οι προβλέψεις του μοντέλου θα μπορούσαν να είναι χρήσιμες προέκυψε από την εξέταση των τύπων θεραπειών που είχαν λάβει οι ασθενείς με CUP που αναλύθηκαν στη μελέτη. Περίπου το 10% αυτών των ασθενών είχαν λάβει στοχευμένη θεραπεία, με βάση την καλύτερη δυνατή εικασία των ογκολόγων τους σχετικά με την προέλευση του καρκίνου τους. Μεταξύ αυτών των ασθενών, εκείνοι που έλαβαν μια θεραπεία σύμφωνη με τον τύπο του καρκίνου που προέβλεψε το μοντέλο γι’ αυτούς τα πήγαν καλύτερα από τους ασθενείς που έλαβαν μια θεραπεία που συνήθως χορηγείται για διαφορετικό τύπο καρκίνου από αυτόν που προέβλεψε το μοντέλο γι’ αυτούς.
Χρησιμοποιώντας αυτό το μοντέλο, οι ερευνητές εντόπισαν επίσης ένα επιπλέον 15% των ασθενών (αύξηση κατά 2,2 φορές) που θα μπορούσαν να είχαν λάβει μια υπάρχουσα στοχευμένη θεραπεία, εάν ήταν γνωστός ο τύπος του καρκίνου τους. Αντ’ αυτού, οι ασθενείς αυτοί κατέληξαν να λαμβάνουν πιο γενικά χημειοθεραπευτικά φάρμακα. “Αυτό, ενδεχομένως, καθιστά τα ευρήματα αυτά πιο κλινικά εφαρμόσιμα, επειδή δεν απαιτούμε την έγκριση ενός νέου φαρμάκου. Αυτό που λέμε είναι ότι αυτός ο πληθυσμός μπορεί πλέον να είναι επιλέξιμος για θεραπείες ακριβείας που ήδη υπάρχουν”, λέει ο Gusev. Οι ερευνητές ελπίζουν τώρα να επεκτείνουν το μοντέλο τους για να συμπεριλάβουν άλλους τύπους δεδομένων, όπως παθολογικές εικόνες και ακτινολογικές εικόνες, ώστε να παρέχουν μια πιο ολοκληρωμένη πρόβλεψη με τη χρήση πολλαπλών τρόπων δεδομένων. Αυτό θα παρείχε επίσης στο μοντέλο μια ολοκληρωμένη προοπτική των όγκων, επιτρέποντάς του να προβλέψει όχι μόνο τον τύπο του όγκου και την έκβαση του ασθενούς, αλλά ενδεχομένως ακόμη και τη βέλτιστη θεραπεία.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
