شفقنا آینده- یک ابزار یادگیری ماشینی از گزارشهای آزمایش خون معمولی برای پیشبینی اثربخشی درمان با مهارکنندههای ایست بازرسی ایمنی در افراد مبتلا به سرطان استفاده میکند.
به گزارش شفقنا از ساینتیست، یک پزشک با کت سفید با گوشی پزشکی یک صفحه شفاف آینده نگرانه را در دست دارد که یک رابط دیجیتالی با تشخیص سلامت مبتنی بر هوش مصنوعی را نشان می دهد.
یک مدل مبتنی بر هوش مصنوعی از دادههای بالینی معمول برای پیشبینی اثربخشی ایمونوتراپی در افراد مبتلا به سرطان استفاده کرد.
در اواسط دهه 1990، محققان نشان دادند که رها کردن یک ترمز طبیعی یا ایست بازرسی بر روی سیستم ایمنی میتواند به سلولها در شناسایی و حمله تومورها کمک کند.1 این یافته، که در نهایت جایزه نوبل سال 2018 را برای دانشمندان به ارمغان آورد، راه را برای مهارکنندههای ایست بازرسی ایمنی (ICI) برای درمان انواع سرطان هموار کرد.
لوک موریس، جراح و محقق سرطان در مرکز سرطان مموریال اسلون کترینگ (MSKCC) گفت: ظهور داروهای بازدارنده ایست بازرسی برای بسیاری از انواع سرطان انقلابی بوده است. اما اساساً، همه ما متوجه این محدودیت هستیم که این داروها در هر بیمار به تومور پاسخ نمیدهند. ترکیبی از چندین عامل – ژنتیک بیمار، ریزمحیط تومور، و ژنوم تومور – بر کارآیی ICI ها تأثیر می گذارد.
دیگو چاول، ایمونولوژیست محاسباتی در دانشکده پزشکی ایکان در کوه سینا، توضیح داد که این درمان ها گران هستند و می توانند عوارض جانبی شدیدی ایجاد کنند. او خاطرنشان کرد: “بنابراین، حل مشکل پیش بینی اینکه چه کسی به این درمان خاص پاسخ خواهد داد و چه کسی پاسخ نخواهد داد، بسیار مهم است.”
در حالی که برخی ابزارهای دیگر وجود دارد، چاول، موریس و تیم آنها یک مدل مبتنی بر هوش مصنوعی (AI) توسعه دادهاند که میتواند بهتر پیشبینی کند که آیا افراد مبتلا به سرطان با استفاده از آزمایشهای معمول خون و دادههای بالینی از درمان ICI سود میبرند یا خیر.
محققان با جمعآوری دادههای آزمایش خون اولیه از جمله شمارش کامل خون و پانل متابولیک از حدود 1600 بیمار در چندین نوع سرطان که بین سالهای 2014 تا 2019 با ICIs در MSKCC درمان شدهاند، شروع کردند. آنها از الگوریتم های یادگیری ماشینی برای استخراج الگوهای بین داده های آزمایش خون و نتایج درمان استفاده کردند. آنها سپس مدلی را آموزش دادند که آن را SCORPIO نامیدند، بر روی این داده ها برای محاسبه احتمال بقا پس از درمان ICI.
چاول، موریس و تیم آنها مدل آموزش دیده خود را بر روی داده های 2100 بیمار تحت درمان در همان بیمارستان آزمایش کردند. این آزمایش نشان داد که پیشبینیهای مدل تا حد زیادی با نتایجی که بیماران تجربه کردهاند مطابقت دارد. در مرحله بعد، محققان SCORPIO را با داده های مجموعه متنوعی از بیماران در سیستم سلامت کوه سینا و 10 کارآزمایی بالینی فاز 3 جهانی شامل بیش از 4400 بیمار آزمایش کردند. این آزمایشات نشان داد که SCORPIO می تواند نتایج را به طور قابل توجهی بهتر از دو نشانگر زیستی فعلی تایید شده توسط سازمان غذا و داروی ایالات متحده پیش بینی کند.
محققان SCORPIO را با سایر مدلهای یادگیری ماشینی مقایسه کردند که با استفاده از پاتولوژی، رادیولوژی و دادههای ژنومی پیشرفته، کارایی ICI را در بیماران پیشبینی میکنند. SCORPIO به خوبی این مدل ها عمل کرد، حتی در غیاب چنین داده های پیشرفته.
راهول سیدارتان، زیست شناس محاسباتی در مؤسسه علوم ریاضی که در این مطالعه شرکت نداشت، گفت: «[این] نتایج بسیار امیدوارکننده به نظر می رسند. «حتی اگر [اسکورپیو] به خوبی مدلهای موجود باشد، این مزیت کمهزینه بودن را دارد، زیرا شما فقط از دادههایی استفاده میکنید که در پایگاه داده بیمارستان وجود دارد، و آزمایشهای گران قیمتی را برای ادامه [انجام] برخی بیوپسی، تجزیه و تحلیل نمونه تومور یا تجزیه و تحلیل توالی انجام نمیدهید.»
سیدارتان گفت: «آیندهای در کاوش این روشهای [مبتنی بر هوش مصنوعی] وجود دارد. وی خاطرنشان کرد: موارد دیگری که آیا بیماران باید تحت درمان گران قیمت قرار گیرند می توانند از رویکردهای مشابه بهره مند شوند. این آینده پزشکی شخصیسازی شده است، اما باید با احتیاط انجام شود.»
منبع: ساینتیست