ძუძუს კიბოს დროს მკურნალობაზე პასუხის პროგნოზირება ხელოვნური ინტელექტით
ამ სტატიაში
ინდივიდუალური მკურნალობა და ხელოვნური ინტელექტი ძუძუს კიბოს მკურნალობაში
ძუძუს კიბო სხვადასხვა ქვეტიპის მქონე დაავადებაა. ზოგიერთი სიმსივნე შეიძლება ჰორმონებისადმი მგრძნობიარე იყოს (მაგალითად, ესტროგენის ან პროგესტერონის რეცეპტორის დადებითი სიმსივნეები), ზოგი კი ცილის, სახელად „HER2“, სიჭარბით იზრდებოდეს. განსაკუთრებით „HR-დადებითი, HER2-უარყოფითი“ ყველაზე გავრცელებული ქვეტიპია და, თუ იგი მეტასტაზურია, მკურნალობის ვარიანტებს ჩვეულებრივ ჰორმონების დამთრგუნველ წამლებთან ერთად სპეციალური მკურნალობები — CDK4/6 ინჰიბიტორები — ემატება. ეს კომბინაცია მკურნალობის შედეგებს ჩვეულებრივ აუმჯობესებს, თუმცა ყველა პაციენტი ერთნაირ სარგებელს ვერ იღებს.
მაშ, რატომ პასუხობს ზოგიერთი პაციენტი მკურნალობას კარგად, ზოგი კი მოსალოდნელ სარგებელს ვერ იღებს?
სწორედ აქ ერთვება „ხელოვნური ინტელექტი“. ხელოვნური ინტელექტი აღნიშნავს კომპიუტერულ სისტემებს, რომლებსაც ადამიანის ინტელექტის იმიტაციით რთული პრობლემების გადაჭრა შეუძლია. მანქანური სწავლება ხელოვნური ინტელექტის ქვედარგია — მეთოდი, რომელიც კომპიუტერულ სისტემებს მონაცემების ანალიზით გამოცდილების მიღებასა და ამ მონაცემებიდან სწავლით პროგნოზირებას შესაძლებელს ხდის. სხვაგვარად რომ ვთქვათ, მანქანური სწავლებით სისტემებს შეუძლიათ წინასწარ დაპროგრამებული წესების გარეშე, მონაცემებიდან მიღებული კანონზომიერებებით საკუთარი გადაწყვეტილების მექანიზმების განვითარება.
სან-ანტონიოს ძუძუს კიბოს სიმპოზიუმზე (SABCS 2024) წარდგენილი და Memorial Sloan Kettering Cancer Center-ის მიერ შემუშავებული მანქანური სწავლების მოდელი შეიქმნა პაციენტების კლინიკური (მაგალითად, ასაკი, მეტასტაზების სტატუსი) და გენომური (მაგალითად, გენეტიკური მუტაციები) მონაცემების ანალიზით იმის პროგნოზირებისთვის, რომელი პაციენტი უპასუხებს მკურნალობას უკეთ. მიზანია პაციენტებისთვის ყველაზე ეფექტიანი მკურნალობის გეგმის შეთავაზება არასაჭირო გვერდითი მოვლენებისა და მკურნალობის ხარჯების თავიდან აცილებით.
ამ ახალი მოდელით პაციენტები უკვე უფრო ნათელ პასუხს იპოვიან კითხვაზე: „ჩემი გენეტიკური აგებულებისა და კლინიკური მახასიათებლების გათვალისწინებით, მკურნალობის რომელი გეგმაა ჩემთვის ყველაზე შესაფერისი?“. ასეთი ინდივიდუალური მიდგომები როგორც ექიმებისთვის, ისე პაციენტებისთვის ძუძუს კიბოს მკურნალობაში იმედისმომცემი პერიოდის მაუწყებელი შეიძლება იყოს.
კვლევის დეტალები
კვლევის ინსტრუმენტი: OncoCast-MPM
Memorial Sloan Kettering Cancer Center-ის მიერ შემუშავებულმა მანქანური სწავლების ამ მოდელმა კლინიკური და გენომური მონაცემების გაერთიანებით დაავადების მიმდინარეობის პროგნოზი გააკეთა. კვლევაში შემდეგი სამი განსხვავებული მოდელი შეიმუშავეს:
- კლინიკოპათოლოგიურ მონაცემებზე დაფუძნებული მოდელი
- გენომურ მონაცემებზე დაფუძნებული მოდელი
- კლინიკური და გენომური მონაცემების ინტეგრირებული მოდელი
პაციენტთა ჯგუფები და გამოყენებული მონაცემები
- სასწავლო ჯგუფი: 761 პაციენტი
- სატესტო ჯგუფი: 326 პაციენტი
- გამოყენებული გენომური ანალიზი: MSK-IMPACT ტესტი (სიმსივნის ნიმუშებში გენური მუტაციების განსაზღვრა მკურნალობამდე ან მკურნალობის დაწყებიდან 2 თვის განმავლობაში)
მიგნებები
1. კლინიკოპათოლოგიურ მონაცემებზე დაფუძნებული მოდელი: ამ მოდელმა პაციენტები კლინიკოპათოლოგიური მახასიათებლების მიხედვით სამ რისკჯგუფად დაყო:
- მაღალი რისკის ჯგუფი: პროგრესირებისგან თავისუფალი გადარჩენის (PFS) მედიანური ხანგრძლივობა 6,3 თვე
- შუალედური რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 15,2 თვე
- დაბალი რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 24,5 თვე
2. გენომურ მონაცემებზე დაფუძნებული მოდელი: გენომური მუტაციებისა და ბიომარკერების გამოყენებით ჩატარებულმა ანალიზმაც სამი რისკჯგუფი გამოყო:
- მაღალი რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 9,9 თვე
- შუალედური რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 18,1 თვე
- დაბალი რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 23,1 თვე
3. ინტეგრირებული (კლინიკური + გენომური) მოდელი: ამ მოდელმა კლინიკური და გენომური მონაცემების გაერთიანებით ოთხი განსხვავებული რისკჯგუფი გამოყო:
- მაღალი რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 5,3 თვე
- დაბალი რისკის ჯგუფი: მედიანური PFS ხანგრძლივობა 29 თვე
- ორი შუალედური რისკის ჯგუფი: მედიანური PFS ხანგრძლივობები 10,7 თვე და 19,8 თვე
ინტეგრირებული მოდელის უპირატესობა
ინტეგრირებული მოდელის გამორჩეული მხარე მაღალი და დაბალი რისკის ჯგუფებს შორის განსხვავების უფრო ნათლად ჩვენება იყო. ამ მოდელში მაღალი და დაბალი რისკის ჯგუფებს შორის 6,5-ჯერ განსხვავება გამოვლინდა, მაშინ როცა მხოლოდ კლინიკოპათოლოგიურ ან მხოლოდ გენომურ მონაცემებზე დაფუძნებულ მოდელებში სხვაობა 3-4-ჯერ განსხვავებით შემოიფარგლებოდა.
მნიშვნელოვანი მარკერები
მანქანური სწავლების მოდელმა მკურნალობაზე პასუხის განმსაზღვრელად შემდეგი ფაქტორები გამოყო:
გენომური მარკერები (არასახარბიელო პროგნოზის მაჩვენებლები):
- TP53-ის დაკარგვა: დნმ-ის აღდგენისთვის მნიშვნელოვანი გენის დაკარგვა
- MYC-ის ამპლიფიკაცია: უჯრედების გამრავლების გამაძლიერებელი გენის მატება
- PTEN-ის დაკარგვა: სიმსივნის სუპრესორული გენის დაკარგვა
- RTK-MAPK გზის ცვლილებები: უჯრედის ზრდის სასიგნალო გზების მუტაციები
- RB1-ის დაკარგვა: როლს ასრულებს CDK4/6 ინჰიბიტორებისადმი რეზისტენტობის განვითარებაში
- მთელი გენომის დუპლიკაცია: გენეტიკური მასალის გაორმაგება
- ჰეტეროზიგოტურობის მაღალი დაკარგვა: გენეტიკური მრავალფეროვნების შემცირება
კლინიკური მარკერები:
- ღვიძლის მეტასტაზი
- მკურნალობის გარეშე გასული დროის 1 წელზე ნაკლებობა
- პროგესტერონის რეცეპტორის უარყოფითობა
- ესტროგენის რეცეპტორის დაბალი ექსპრესია
- ვისცერული (შინაგანი ორგანოების) მეტასტაზების არსებობა
მეტასტაზური დიაგნოზის დროს ამ ფაქტორების მარტივად გამოვლენა მოდელის კლინიკაში ფართო მასშტაბით გამოყენებას შესაძლებელს ხდის.
სამომავლო გამოყენებები და გეგმები
ასეთ მოდელებს მკურნალობის სტრატეგიების გარდაქმნა შეუძლია. მაღალი რისკის პაციენტებში:
- მჭიდრო კლინიკური დაკვირვება
- თხევადი ბიოფსიითა და სიმსივნური ბიომარკერებით დაავადების მიმდინარეობის მონიტორინგი
- მეორე ხაზის მკურნალობასა და კლინიკური კვლევის ვარიანტებზე ადრეული მიმართვა
რადგან კვლევა რეტროსპექტიული (წარსულზე ორიენტირებული) ანალიზია, მოდელი პაციენტთა უფრო დიდ ჯგუფში უნდა დადასტურდეს. ამიტომ MSK გუნდი ამჟამად მოდელს გარე მონაცემთა ნაკრებებით ამოწმებს და კლინიცისტებისთვის გამოსაყენებელ ონლაინ პროგნოზირების ინსტრუმენტს ავითარებს.
კვლევის შეზღუდვები
- ერთცენტრული კვლევა: შეზღუდულია Memorial Sloan Kettering Cancer Center-ის მონაცემებით.
- რეტროსპექტიული ანალიზი: მომავალზე ორიენტირებული პროსპექტიული კვლევების ნაკლებობა.
- მიმართვის მიკერძოება: სპეციალიზებულ კიბოს ცენტრში მიმართული პაციენტები ზოგადი პოპულაციისგან შეიძლება განსხვავდებოდნენ.
კვლევის გუნდი ამ შეზღუდვების დასაძლევად საერთაშორისო მონაცემთა ბაზებით მოდელის სანდოობის გაზრდას ისახავს მიზნად.
შედეგი
ამ კვლევამ აჩვენა, რომ კლინიკური და გენომური მონაცემების კომბინაციით ძუძუს კიბოს მკურნალობაში პაციენტისთვის სპეციფიკური რისკჯგუფების უფრო ზუსტად განსაზღვრა შესაძლებელია. CDK4/6 ინჰიბიტორების ეფექტიანობის გასაზრდელად ინდივიდუალური მკურნალობის მიდგომების შემუშავებამ ძუძუს კიბოს მკურნალობაში ახალი პერიოდი შეიძლება დაიწყოს.
წყაროები
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.