Makine öğrenmesi ile immünoterapi tedavisinin yanıt verip vermeyeceğini tahmin etmek

Makine öğrenmesi ile immünoterapi tedavisinin yanıt verip vermeyeceğini tahmin etmek

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.

yapay zeka makine ogrenimi derin ogrenme nedir arasindaki farklar 817096

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:

immunoterapi yanitini predikte etmek icin multifactorial makine ogrenimi modeli 608619

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.

Mark D. M. Leiserson ve ark.

A multifactorial model of T cell expansion and durable clinical benefit in response to a PD-L1 inhibitor.

PLOS ONE, 31 December 2018

Sağlık ve Mutlulukla Kalın...

Sayfada yer alan yazılar sadece bilgilendirme amaçlıdır, tanı ve tedavi için mutlaka doktorunuza başvurunuz.

Kanser tanısına sahip bir hasta için online muayene randevusu hakkında bilgi almak için aşağıdaki formu doldurabilirsiniz.


İlgili Haberleri


Onkolojide Yapay Zekânın Yaygın Kullanımının Önündeki Engeller Nelerdir?

Onkolojide Yapay Zekânın Yaygın Kullanımının Önündeki Engeller Nelerdir?

Neden Bu Konu Önemli? Yapay zekâ (YZ), son yıllarda onkolojide tanı koyma, tedavi planlama ve hasta takibi...

Yapay Zeka Tek Bir Kan Örneğinden Birden Fazla Hastalığı Teşhis Ediyor

Yapay Zeka Tek Bir Kan Örneğinden Birden Fazla Hastalığı Teşhis Ediyor

Tıbbi teşhis süreçlerinde zaman zaman karmaşık durumlar ortaya çıkabilir; farklı hastalıklar benzer belirtilere sahip olduğunda, doğru...

Neden Bazı Doktorlar Yapay Zekaya Aşırı Güveniyor ve Bunu Fark Etmiyorlar Bile?

Neden Bazı Doktorlar Yapay Zekaya Aşırı Güveniyor ve Bunu Fark Etmiyorlar Bile?

Yapay Zeka ve Tıpta Değişen Dinamikler Yapay zeka (YZ) teknolojileri, tıbbın çeşitli alanlarında devrim yaratma potansiyeline sahip....

Akıllı Saatlerle Sigarayı Bırakmak Mümkün mü? Yeni Araştırma Umut Vaat Ediyor

Akıllı Saatlerle Sigarayı Bırakmak Mümkün mü? Yeni Araştırma Umut Vaat Ediyor

Sigarayı Bırakmak Neden Bu Kadar Zor? Sigara bırakma süreci, hem fiziksel hem de psikolojik bağımlılıklar nedeniyle oldukça...

Hakkımda

Özgeçmişim, kanser tanı ve tedavisine dair çalışmalarım ve ilgi alanlarım için tıklayın.

Prof. Dr. Mustafa Özdoğan Hakkında