Αξιοποιώντας τη δύναμη της τεχνητής νοημοσύνης και των τεχνολογιών μηχανικής μάθησης, οι ερευνητές του Weill Cornell Medicine ανέπτυξαν ένα πιο αποτελεσματικό μοντέλο για την πρόβλεψη του τρόπου με τον οποίο οι ασθενείς με μυοδιηθητικό καρκίνο της ουροδόχου κύστης θα ανταποκριθούν στη χημειοθεραπεία. Το μοντέλο αξιοποιεί δεδομένα απεικόνισης ολόκληρου του όγκου και αναλύσεις γονιδιακής έκφρασης με τρόπο που ξεπερνά τα προηγούμενα μοντέλα που χρησιμοποιούσαν έναν μόνο τύπο δεδομένων.
Η μελέτη, που δημοσιεύθηκε στο npj Digital Medicine, προσδιορίζει βασικά γονίδια και χαρακτηριστικά του όγκου που μπορεί να καθορίσουν την επιτυχία της θεραπείας. Η ικανότητα ακριβούς πρόβλεψης του τρόπου με τον οποίο ένα άτομο θα αντιδράσει στην καθιερωμένη θεραπεία για αυτόν τον κακοήθη καρκίνο μπορεί να βοηθήσει τους γιατρούς να εξατομικεύσουν τη θεραπεία και θα μπορούσε ενδεχομένως να σώσει όσους ανταποκρίνονται καλά από το να υποβληθούν σε αφαίρεση της ουροδόχου κύστης.
«Το έργο αυτό αντιπροσωπεύει το πνεύμα της ιατρικής ακριβείας», δήλωσε ο Δρ Fei Wang, καθηγητής επιστημών υγείας του πληθυσμού στο Weill Cornell Medicine και ιδρυτικός διευθυντής του Ινστιτούτου Τεχνητής Νοημοσύνης για την Ψηφιακή Υγεία, ο οποίος είναι συν-επικεφαλής της μελέτης.
«Θέλουμε να προσδιορίσουμε τη σωστή θεραπεία για τον σωστό ασθενή τη σωστή στιγμή», πρόσθεσε ο συν-επικεφαλής δρ Bishoy Morris Faltas, αναπληρωτής καθηγητής ιατρικής και κυτταρικής και αναπτυξιακής βιολογίας στο Weill Cornell Medicine, καθώς και ογκολόγος στο NewYork-Presbyterian/Weill Cornell Medical Center.
Καλύτερο μοντέλο, καλύτερες προβλέψεις
Για τη δημιουργία ενός καλύτερου μοντέλου πρόβλεψης, οι δύο επικεφαλής ερευνητές στράφηκαν σε δεδομένα από το δίκτυο έρευνας για τον καρκίνο SWOG που σχεδιάζει και διεξάγει πολυκεντρικές κλινικές δοκιμές για καρκίνους ενηλίκων. Συγκεκριμένα, οι ερευνητές ενσωμάτωσαν δεδομένα από εικόνες προετοιμασμένων δειγμάτων όγκου με προφίλ γονιδιακής έκφρασης, τα οποία παρέχουν ένα στιγμιότυπο των γονιδίων που είναι «ενεργοποιημένα» ή «απενεργοποιημένα».
«Δεδομένου ότι τα μοτίβα έκφρασης από μόνα τους δεν επαρκούσαν για την πρόβλεψη της ανταπόκρισης των ασθενών σε προηγούμενες μελέτες, αποφασίσαμε να αντλήσουμε περισσότερες πληροφορίες για το μοντέλο μας», δήλωσε ο Δρ Faltas.
Για την ανάλυση των εικόνων, οι ερευνητές χρησιμοποίησαν εξειδικευμένες μεθόδους τεχνητής νοημοσύνης που ονομάζονται νευρωνικά δίκτυα γράφων, τα οποία αποτυπώνουν τον τρόπο με τον οποίο τα καρκινικά κύτταρα, τα κύτταρα του ανοσοποιητικού συστήματος και οι ινοβλάστες οργανώνονται και αλληλεπιδρούν μέσα στον όγκο. Ενσωμάτωσαν επίσης την αυτοματοποιημένη ανάλυση εικόνας για τον εντοπισμό αυτών των διαφορετικών τύπων κυττάρων στο σημείο του όγκου.
Ο συνδυασμός των εισροών που βασίζονται στην εικόνα με τα δεδομένα γονιδιακής έκφρασης για την εκπαίδευση και τη δοκιμή του μοντέλου βαθιάς μάθησης με βάση την ΤΝ, οδήγησε σε καλύτερες προβλέψεις κλινικής ανταπόκρισης από ό,τι τα μοντέλα που χρησιμοποιούσαν μόνο γονιδιακή έκφραση ή απεικόνιση.
«Σε μια κλίμακα από το 0 έως το 1, όπου το 1 είναι τέλειο και το 0 σημαίνει ότι τίποτα δεν είναι σωστό, το πολυτροπικό μοντέλο μας φτάνει κοντά στο 0,8, ενώ τα μονοτροπικά μοντέλα που βασίζονται σε μία μόνο πηγή δεδομένων μπορούν να επιτύχουν περίπου 0,6», δήλωσε ο Δρ Wang. «Αυτό είναι ήδη συναρπαστικό, αλλά σκοπεύουμε να βελτιώσουμε το μοντέλο για περαιτέρω βελτιώσεις».
Η αναζήτηση βιοδεικτών
Καθώς οι ερευνητές αναζητούν βιοδείκτες, όπως γονίδια που προβλέπουν κλινικές εκβάσεις, βρίσκουν στοιχεία που έχουν νόημα. «Θα μπορούσα να δω μερικά από τα γονίδια που ξέρω ότι είναι βιολογικά συναφή, όχι απλώς τυχαία γονίδια», δήλωσε ο Δρ Faltas «Αυτό ήταν καθησυχαστικό και ένα σημάδι ότι είχαμε βρει κάτι σημαντικό».
Οι ερευνητές σχεδιάζουν να τροφοδοτήσουν το μοντέλο με περισσότερους τύπους δεδομένων, όπως αναλύσεις μεταλλάξεων του DNA του όγκου που μπορεί να εντοπιστεί στο αίμα ή στα ούρα, ή χωρικές αναλύσεις που θα επέτρεπαν ακριβέστερο προσδιορισμό των τύπων κυττάρων που υπάρχουν στην ουροδόχο κύστη. «Αυτό είναι ένα από τα βασικά ευρήματα της μελέτης μας - ότι τα δεδομένα συνεργάζονται για τη βελτίωση της πρόβλεψης», δήλωσε ο Δρ Faltas
Το μοντέλο πρότεινε επίσης ορισμένες νέες υποθέσεις τις οποίες ο Dr. Faltas και ο Dr. Wang σχεδιάζουν να εξετάσουν περαιτέρω. Για παράδειγμα, η αναλογία των κυττάρων του όγκου προς τα φυσιολογικά κύτταρα του ιστού, όπως οι ινοβλάστες, επηρεάζει την ανταπόκριση στις προβλέψεις της χημειοθεραπείας. «Ίσως μια αφθονία ινοβλαστών να μπορεί να θωρακίσει τα καρκινικά κύτταρα από τα χημειοθεραπευτικά φάρμακα ή να υποστηρίζει την ανάπτυξη των καρκινικών κυττάρων. Θα ήθελα να εμβαθύνω περισσότερο σε αυτή τη βιολογία», πρόσθεσε.
Εν τω μεταξύ, οι Wang και Faltas θα εργαστούν για την επικύρωση των ευρημάτων τους σε άλλες ομάδες κλινικών δοκιμών -- και είναι ανοιχτοί στην επέκταση της συνεργασίας τους για να καθορίσουν εάν το μοντέλο τους μπορεί να προβλέψει τη θεραπευτική ανταπόκριση σε έναν ευρύτερο πληθυσμό ασθενών.
