机器学习工具为诊断原发灶不明癌症带来希望

大多数癌症起源于身体的特定部位，因此医生必须确定来源才能有效治疗患者。然而，在3%到5%的病例中，标准诊断工作无法确定原发部位，导致患有这种被称为原发灶不明癌症（CUP）的患者的预后不佳。通常，医生不得不采用疗效较差且副作用比靶向治疗更多的广泛治疗方法。因此，CUP患者面临疾病快速进展，平均生存率仅为6到16个月。

介绍OncoNPC：一种机器学习解决方案

麻省理工学院（MIT）和达纳-法伯癌症研究所的博士生Intae Moon试图彻底改变CUP原发部位的诊断。虽然下一代测序（NGS）可以识别肿瘤突变并帮助确定癌症类型，但产生的大量突变数据可能会在初步诊断期间使医生不堪重负。通常，NGS仅在识别癌症类型后用于确定靶向治疗的具体突变。然而，NGS尚未在CUP的临床诊断和预后中得到广泛探索。Moon及其同事开发了一种名为OncoNPC（肿瘤学基于NGS的原发癌症类型分类器）的机器学习模型，以弥补这一空白。这种创新方法旨在高效分析复杂的突变数据。

释放机器学习的力量

发表在《自然医学》上的这项研究利用XGBoost算法的能力来审查DNA区域，寻找与各种癌症类型最强烈相关的遗传突变模式。利用来自36,445个已知原发癌症肿瘤样本的NGS数据，研究人员使用OncoNPC来识别遗传突变、拷贝数变异和突变特征。该模型还纳入了电子健康记录中的患者年龄和生物性别。通过对来自美国三个不同癌症中心的数据训练OncoNPC，团队将特定的遗传特征与22种不同的癌症类型联系起来。训练后，他们在之前排除的数据上评估了OncoNPC的性能，取得了令人印象深刻的准确率。

CUP患者的希望之光

将达纳-法伯癌症研究所治疗的971名CUP患者的肿瘤应用于OncoNPC，研究人员成功以高置信度分类了41.2%的CUP肿瘤。此外，他们确定了识别每种癌症类型最相关的遗传特征，为CUP肿瘤的神秘性质提供了宝贵的临床和生物学见解。

鉴于这些病例中的原发肿瘤部位未知，通过将结果与患者的NGS数据进行比较以识别特定癌症类型的任何遗传易感性，验证了模型的准确性。令人鼓舞的是，模型的预测与这些遗传突变最强烈指示的癌症类型紧密一致。

通过精准治疗提高患者生存率

为了评估根据OncoNPC预测治疗患者对其生存的影响，团队对158名在达纳-法伯接受初始治疗的CUP患者进行了回顾性分析。认证肿瘤学家审查了患者病历，以确定治疗是否与OncoNPC的癌症类型预测一致。结果令人鼓舞，显示那些首次姑息治疗与OncoNPC预测一致的CUP患者，其生存率显著高于治疗不一致的患者。

前景与拓展视野

研究人员对OncoNPC的未来有着雄心勃勃的计划。虽然该模型对不同种族背景的患者表现出良好的性能，但仍需进一步研究以确认其在多样化患者中的有效性。此外，OncoNPC专注于22种最常见的癌症类型，如果CUP起源于较少见的部位，可能无法确定来源。

然而，OncoNPC 在医学领域的潜在影响不容忽视。采用 NGS 肿瘤测序的医院可将其作为肿瘤科医生的额外信息来源，从而为制定更精准、更有效的癌症治疗决策铺平道路。这一突破源于常规临床检测数据，为预后长期严峻的 CUP（原发灶不明癌症）患者带来了希望。

在与癌症的不懈斗争中，OncoNPC 的出现为原发灶不明癌症（CUP）患者带来了一线希望。凭借在识别癌症类型方面的卓越准确性，以及通过精准治疗提高患者生存率的潜力，这款机器学习工具有望彻底改变医生诊断和管理这一棘手疾病的方式。尽管仍有挑战需要克服，且需进一步研究，但 OncoNPC 改善 CUP 患者生活状况的潜力既令人鼓舞，又具有开创性意义。