Kanser tedavilerinin yeni gözdesi olan immünoterapilerin en önemli dezavantajı, hangi hastada işe yarayacağını öngörmenin zorluğu diyebiliriz. Bir araştırma ekibi, immünoterapiye daha iyi yanıt verecek hastaları saptamak için makine öğrenmesi olarak bilinen bir yapay zeka uygulaması kullanıyor. Leiserson ve arkadaşları tarafından PLOS One'da Aralık 2018'de yayımlanan güncel bir çalışmada ekip, mesane kanserli hastaları kapsayan bir klinik araştırmadan elde ettikleri verileri kullanarak, hangi hastaların bağışıklık sistemi tepkisi vereceğini doğru bir şekilde tahmin ettiler. Dahası bu yaklaşımın, aşırı tedavileri de yarı yarıya önleyebileceği gösterildi.
Kanser tedavisi için hastanın kendi bağışıklık sistemini kullanan immünoterapiler son yıllarda devrimci sonuçlar vermiştir, ancak çoğu yalnızca azınlık bir hasta için çalışmaktadır. İmmünoterapi kullanımının iyileştirilmesi ve maliyetlerin azaltılması, hangi hastaların fayda göreceğini daha doğru tahmin etmede yatmaktadır.
Maryland Üniversitesi Bilgisayar Bilimleri Profesörü Mark Leiserson, Microsoft Research ve Memorial Sloan Kettering Kanser Merkezi'nden araştırmacılar, immünoterapi tedavisinin yanıtını daha iyi tahmin etmek için, hastalara ve tümörlerine ait çok sayıda veriyi analiz eden, yeni bir bilgisayar modelleme yaklaşımı denediler.
Dr. Leiserson ve ekibinin geliştirdikleri çok faktörlü bilgisayar model, tedaviden yarar sağlamayanların % 38'ini içermesine rağmen, yarar sağlayanların % 100'ünü içermektedir. Yani yazılımın doğruluğu, yarar sağlayanlar üzerinden artırılmış oluyor. Buradaki önemli nokta, standart kanser tedavilerinde ve çalışmalarında dikkate alınmayan 3 farklı veri türünün de kullanılmasıdır. Bu farklı veri türleri: tümörün genetik verileri, bağışıklık sistemi hücrelerinin verileri ve hastanın klinik verileridir.
Şimdiye kadar immünoterapi araştırmaları, bu ilaçların hangi hastada işe yarayacağını öngörmek için "bir" biyobelirteç bulmaya odaklandı. Belki de yanlış burada idi, çünkü immünoterapi yanıtını öngörmek için bir veya bir-iki tane biyobelirteç yeterli olmuyordu. Bu sorun, çoklu faktörlerin makine öğrenimi yolu ile analiz edilmesi ile çözülebilir gibi duruyor.
Bilgisayar modellerini oluşturmak için, Dr. Leiserson ve ekibi, tümör hücreleri, bağışıklık hücreleri ve hastaların bilgilerini toplayan benzersiz zenginlikte veri setiyle, bir mesane kanseri klinik araştırmasındaki verileri analiz etti. Modellerine 36 farklı özellik tanımlandı.
Aşağıdaki şeklin solunda, 3 farklı kategoride 36 özellik görülebilir:
Elde edilen algoritma, birlikte analiz edildiğinde hastanın immünoterapiye yanıtının % 79'unu açıklayan 20 özellik tanımlandı. Şimdiye kadar hiçbir biyobelirteç, immünoterapi yanıtını bu oranda öngörememişti.
Araştırmacılar ayrıca, üç veri kategorisinden herhangi birini modelden çıkarırlarsa (tümör verileri, bağışıklık hücresi verileri veya hasta klinik verileri) bağışıklık yanıtının artık tahmin edilebilir olmadığını, modelin tahmin gününü % 23'e düştüğünü keşfetti. Dr. Leiserson, burada bu 20 özelliğin kendisinden ziyade, çok yönlü bir yaklaşıma güvenmenin önemini vurguladı.
Tanımlanan bu özellikler, hastanın immünoterapiye nasıl tepki vereceğini tahmin etmede kullanılabilecek tek özellik olmayabilir. Bu faktörler değişebilir, ancak hem tümöre hem bağışıklık sistemi hücrelerine hem de hastanın klinik verilerini içeren bu üç özellik kategorisi hesaba katılmalıdır.
Sonuç olarak bu çalışma, tedavileri hastaların tümörlerinin genetik ve moleküler profillerine uyarlamayı amaçlayan hassas onkoloji konusundaki mevcut çabalara önemli bir katkıdır.
