پیش‌بینی پاسخ به درمان سرطان پستان با هوش مصنوعی
در این مقاله
درمان شخصی‌سازی‌شده و هوش مصنوعی در درمان سرطان پستان
سرطان پستان بیماری‌ای با زیرگروه‌های متفاوت است. برخی تومورها ممکن است به هورمون‌ها حساس باشند (برای مثال، تومورهای گیرندهٔ استروژن یا پروژسترون مثبت)، در حالی که برخی دیگر با افزایش پروتئینی به نام «HER2» رشد می‌کنند. به‌ویژه «HR-مثبت، HER2-منفی» شایع‌ترین زیرگروه است و اگر این زیرگروه متاستاتیک باشد، گزینه‌های درمانی معمولاً شامل داروهای مهارکنندهٔ هورمون همراه با درمان‌های ویژه‌ای به نام مهارکننده‌های CDK4/6 است. این ترکیب معمولاً نتایج درمان را بهبود می‌دهد، اما ممکن است همهٔ بیماران به یک اندازه از آن سود نبرند.
چرا برخی بیماران به درمان خوب پاسخ می‌دهند، اما برخی دیگر به اندازهٔ مورد انتظار بهره نمی‌برند؟
اینجاست که «هوش مصنوعی» وارد عمل می‌شود. هوش مصنوعی به سامانه‌های رایانه‌ای گفته می‌شود که با تقلید از هوش انسان می‌توانند مسائل پیچیده را حل کنند. یادگیری ماشین شاخه‌ای از هوش مصنوعی و روشی است که به سامانه‌های رایانه‌ای امکان می‌دهد از راه تحلیل داده‌ها تجربه کسب کنند و با آموختن از این داده‌ها پیش‌بینی انجام دهند. به بیان دیگر، یادگیری ماشین به سامانه‌ها اجازه می‌دهد بدون نیاز به قواعد از پیش برنامه‌ریزی‌شده، بر پایهٔ الگوهای به‌دست‌آمده از داده‌ها سازوکار تصمیم‌گیری خود را توسعه دهند.
یک مدل یادگیری ماشین در سمپوزیوم سرطان پستان سن‌آنتونیو (SABCS 2024) ارائه شد ؛ این مدل که در مرکز سرطان Memorial Sloan Kettering توسعه یافته است، با تحلیل اطلاعات بالینی (مانند سن و وضعیت متاستاز) و ژنومی (مانند جهش‌های ژنتیکی) بیماران، برای پیش‌بینی این موضوع طراحی شده است که کدام بیمار به درمان بهتر پاسخ می‌دهد. هدف، ارائهٔ مؤثرترین برنامهٔ درمانی به بیماران و پرهیز از عوارض و هزینه‌های غیرضروری است.
با این مدل تازه، بیماران اکنون می‌توانند برای این پرسش پاسخ روشن‌تری بیابند: «با توجه به ساختار ژنتیکی و ویژگی‌های بالینی من، کدام برنامهٔ درمانی برایم مناسب‌تر است؟» چنین رویکردهای شخصی‌سازی‌شده‌ای می‌تواند برای پزشکان و بیماران نویدبخش دوره‌ای امیدبخش در درمان سرطان پستان باشد.
جزئیات مطالعه
ابزار پژوهش: OncoCast-MPM
این مدل یادگیری ماشین که در مرکز سرطان Memorial Sloan Kettering توسعه یافت، با ترکیب داده‌های بالینی و ژنومی سیر بیماری را پیش‌بینی کرد. در مطالعه، سه مدل متفاوت زیر ساخته شد:
- مدل مبتنی بر داده‌های بالینی‌آسیب‌شناختی
- مدل مبتنی بر داده‌های ژنومی
- مدل ترکیبی داده‌های بالینی و ژنومی
گروه‌های بیماران و داده‌های به‌کاررفته
- گروه آموزش: 761 بیمار
- گروه آزمون: 326 بیمار
- تحلیل ژنومی به‌کاررفته: آزمون MSK-IMPACT (شناسایی جهش‌های ژنی در نمونه‌های تومور پیش از درمان یا تا 2 ماه پس از آغاز درمان)
یافته‌ها
1. مدل مبتنی بر داده‌های بالینی‌آسیب‌شناختی: این مدل امکان داد بیماران بر اساس ویژگی‌های بالینی‌آسیب‌شناختی به سه گروه خطر تقسیم شوند:
- گروه پرخطر: میانهٔ بقای بدون پیشرفت بیماری (PFS) برابر با 6,3 ماه
- گروه با خطر متوسط: میانهٔ PFS برابر با 15,2 ماه
- گروه کم‌خطر: میانهٔ PFS برابر با 24,5 ماه
2. مدل مبتنی بر داده‌های ژنومی: در تحلیل با استفاده از جهش‌های ژنومی و نشانگرهای زیستی نیز سه گروه خطر تعریف شد:
- گروه پرخطر: میانهٔ PFS برابر با 9,9 ماه
- گروه با خطر متوسط: میانهٔ PFS برابر با 18,1 ماه
- گروه کم‌خطر: میانهٔ PFS برابر با 23,1 ماه
3. مدل یکپارچه (بالینی + ژنومی): این مدل با ترکیب داده‌های بالینی و ژنومی چهار گروه خطر متفاوت تعریف کرد:
- گروه پرخطر: میانهٔ PFS برابر با 5,3 ماه
- گروه کم‌خطر: میانهٔ PFS برابر با 29 ماه
- دو گروه با خطر بینابینی: میانهٔ PFS برابر با 10,7 ماه و 19,8 ماه
برتری مدل یکپارچه
ویژگی متمایز مدل یکپارچه، نشان‌دادن روشن‌تر تفاوت میان گروه پرخطر و کم‌خطر بود. در این مدل، میان این دو گروه تفاوت 6,5 برابری شناسایی شد، در حالی که در مدل‌های مبتنی صرفاً بر داده‌های بالینی‌آسیب‌شناختی یا صرفاً ژنومی، این تفاوت به 3-4 برابر محدود بود.
نشانگرهای مهم
مدل یادگیری ماشین عوامل زیر را به‌عنوان تعیین‌کننده‌های پاسخ به درمان برجسته کرد:
نشانگرهای ژنومی (شاخص‌های پیش‌آگهی نامطلوب):
- از دست رفتن TP53: از دست رفتن ژنی مهم در ترمیم DNA
- تقویت MYC: افزایش ژنی که تکثیر سلولی را بیشتر می‌کند
- از دست رفتن PTEN: از دست رفتن ژن سرکوبگر تومور
- تغییرات مسیر RTK-MAPK: جهش‌ها در مسیرهای پیام‌رسانی رشد سلولی
- از دست رفتن RB1: در ایجاد مقاومت به مهارکننده‌های CDK4/6 نقش دارد
- دوبرابرشدن کل ژنوم: دوبرابرشدن مادهٔ ژنتیکی
- از دست رفتن گستردهٔ هتروزیگوسیتی: کاهش تنوع ژنتیکی
نشانگرهای بالینی:
- متاستاز کبدی
- کمتر از 1 سال بودن مدت سپری‌شده بدون درمان
- منفی‌بودن گیرندهٔ پروژسترون
- بیان پایین گیرندهٔ استروژن
- وجود متاستاز احشایی (اندام‌های داخلی)
امکان شناسایی آسان این عوامل هنگام تشخیص بیماری متاستاتیک، مدل را برای کاربرد گسترده در بالین مناسب می‌کند.
کاربردها و برنامه‌های آینده
این نوع مدل‌ها می‌توانند راهبردهای درمانی را بازشکل دهند. در بیماران گروه پرخطر:
- پیگیری بالینی نزدیک
- پایش سیر بیماری با بیوپسی مایع و نشانگرهای زیستی مشتق از تومور
- ارجاع زودهنگام برای گزینه‌های درمان خط دوم و کارآزمایی‌های بالینی
از آنجا که مطالعه تحلیلی گذشته‌نگر است، مدل باید در گروه بزرگ‌تری از بیماران اعتبارسنجی شود. به همین دلیل، تیم MSK اکنون مدل را با مجموعه‌داده‌های بیرونی آزمایش می‌کند و در حال توسعهٔ ابزار پیش‌بینی آنلاینی است که بتواند در اختیار پزشکان قرار گیرد.
محدودیت‌های مطالعه
- مطالعهٔ تک‌مرکزی: به داده‌های مرکز سرطان Memorial Sloan Kettering محدود است.
- تحلیل گذشته‌نگر: نبود مطالعات آینده‌نگر.
- سوگیری ارجاع: بیماران مراجعه‌کننده به مرکز تخصصی سرطان ممکن است با جمعیت عمومی تفاوت داشته باشند.
تیم پژوهش برای غلبه بر این محدودیت‌ها قصد دارد با پایگاه‌های دادهٔ بین‌المللی قابلیت اعتماد مدل را افزایش دهد.
نتیجه‌گیری
این مطالعه نشان داد که با ترکیب داده‌های بالینی و ژنومی می‌توان گروه‌های خطر را در درمان سرطان پستان برای هر بیمار دقیق‌تر تعیین کرد. توسعهٔ رویکردهای درمانی شخصی‌سازی‌شده برای افزایش اثربخشی مهارکننده‌های CDK4/6 می‌تواند دورهٔ تازه‌ای را در درمان سرطان پستان آغاز کند.
منابع
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.