Инструмент машинного обучения предлагает надежду в диагностике рака неизвестного первичного очага

Большинство раков originate в конкретной части тела, что делает критически важным для врачей определить источник для эффективного лечения пациентов. Однако в трех-пяти процентах случаев стандартная диагностическая работа не может определить первичный сайт, что приводит к мрачному прогнозу для тех, у кого это состояние известно как Рак Неизвестного Первичного очага (CUP). Часто врачи прибегают к широким методам лечения, которые менее эффективны и сопровождаются большим количеством побочных эффектов, чем таргетные терапии. В результате пациенты с CUP сталкиваются с быстрым прогрессированием заболевания, со средними показателями выживаемости всего шесть-шестнадцать месяцев.

Представляем OncoNPC: решение на основе машинного обучения

Инте Мун, аспирант Массачусетского технологического института (MIT) и Института рака Дана-Фарбер, стремилась революционизировать диагностику первичного сайта CUP. Хотя секвенирование нового поколения (NGS) может идентифицировать мутации опухоли и помогать в определении типов рака, огромное количество данных о мутациях может перегрузить врачей во время первоначальной диагностики. Обычно NGS используется только после идентификации типа рака для определения конкретных мутаций для таргетных терапий. Однако NGS не была широко исследована для клинической диагностики и прогноза CUP. Мун и ее коллеги разработали модель машинного обучения под названием OncoNPC (Oncology NGS-based Primary Cancer-type Classifier) для заполнения этого пробела. Этот инновационный подход направлен на эффективный анализ сложных данных о мутациях.

Раскрытие силы машинного обучения

Опубликованное в Nature Medicine исследование использует возможности алгоритма XGBoost для скрупулезного анализа участков ДНК на наличие паттернов генетических мутаций, наиболее сильно связанных с различными типами рака. Используя данные NGS от 36 445 образцов опухолей с известными первичными раками, исследователи применили OncoNPC для идентификации генетических мутаций, изменений числа копий и мутационных сигнатур. Модель также включала возраст пациента и биологический пол из электронных медицинских карт. Обучая OncoNPC на данных из трех различных онкологических центров в США, команда связала конкретные генетические сигнатуры с 22 различными типами рака. После обучения они оценили производительность OncoNPC на ранее исключенных данных, достигнув впечатляющего уровня точности.

Луч надежды для пациентов с CUP

Применив OncoNPC к опухолям 971 пациента с CUP, леченных в Институте рака Дана-Фарбер, исследователи успешно классифицировали 41,2 процента опухолей CUP с высокой уверенностью. Кроме того, они идентифицировали генетические особенности, наиболее релевантные для идентификации каждого типа рака, предоставив бесценные клинические и биологические инсайты в загадочную природу опухолей CUP.

Поскольку первичные очаги опухоли в этих случаях были неизвестны, точность модели была проверена путем сравнения результатов с данными NGS пациентов для выявления любой генетической предрасположенности к определенному типу рака. Впечатляет то, что прогнозы модели тесно совпали с типом рака, наиболее сильно указанным этими наследственными мутациями.

Повышение выживаемости пациентов за счет персонализированного лечения

Чтобы оценить влияние лечения пациентов в соответствии с прогнозами OncoNPC на их выживаемость, команда провела ретроспективный анализ 158 пациентов с раком неизвестного первичного происхождения (CUP), получивших первоначальное лечение в Dana-Farber. Сертифицированные онкологи изучили медицинские карты пациентов, чтобы определить, соответствовало ли лечение прогнозам OncoNPC относительно типа рака. Результаты оказались обнадеживающими: у пациентов с CUP, чье первое паллиативное лечение совпало с прогнозами OncoNPC, показатели выживаемости были значительно выше по сравнению с теми, чье лечение не соответствовало прогнозам.

Перспективы и расширяющиеся горизонты

У исследователей есть амбициозные планы на будущее OncoNPC. Хотя модель продемонстрировала достойные результаты для пациентов различных этнических групп, необходимы дополнительные исследования для подтверждения ее эффективности среди разнообразных групп пациентов. Кроме того, OncoNPC фокусируется на 22 наиболее распространенных типах рака и может не определить источник, если CUP возник из менее распространенного очага.

Однако потенциальное влияние OncoNPC в медицинской сфере неоспоримо. Больницы, использующие секвенирование опухолей NGS, могут внедрить его в качестве дополнительного источника информации для онкологов, открывая путь к более точным и эффективным решениям в лечении рака. Этот прорыв, основанный на данных рутинных клинических тестов, дает надежду многим пациентам с CUP, чей прогноз долгое время был неблагоприятным.

В неустанных боях с раком появление OncoNPC представляет собой луч надежды для пациентов с раком неизвестного первичного происхождения. Благодаря впечатляющей точности в определении типов рака и потенциалу повышения выживаемости пациентов через персонализированное лечение, этот инструмент машинного обучения может революционизировать подход врачей к диагностике и управлению этим сложным заболеванием. Несмотря на наличие проблем, которые необходимо решить, и необходимости дальнейших исследований, потенциал OncoNPC изменить жизни пациентов с CUP является как многообещающим, так и новаторским.