Predicția răspunsului la tratament în cancerul mamar cu ajutorul inteligenței artificiale

Tratament personalizat și inteligență artificială în cancerul mamar

Cancerul mamar are diferite subtipuri. Unele tumori sunt sensibile la hormoni, de exemplu cele cu receptori estrogenici sau progesteronici pozitivi, iar altele pot crește prin excesul unei proteine numite HER2. Subtipul HR-pozitiv, HER2-negativ este cel mai frecvent. În boala metastatică, medicamentele care suprimă hormonii sunt de obicei asociate cu tratamente speciale numite inhibitori CDK4/6. Combinația îmbunătățește în general rezultatele, dar nu toți pacienții beneficiază în aceeași măsură.

De ce unii pacienți răspund bine, iar alții nu obțin beneficiul așteptat?

Aici intervine inteligența artificială. Aceasta desemnează sisteme informatice care pot rezolva probleme complexe imitând inteligența umană. Învățarea automată este o ramură a inteligenței artificiale prin care sistemele dobândesc experiență analizând date și învață din acestea pentru a face predicții. Cu alte cuvinte, își pot dezvolta mecanisme proprii de decizie pe baza tiparelor identificate în date, fără reguli programate în prealabil.

La Simpozionul de Cancer Mamar San Antonio (SABCS 2024) a fost prezentat un model de învățare automată dezvoltat de Memorial Sloan Kettering Cancer Center, conceput pentru a analiza datele clinice, precum vârsta și metastazele, și genomice, precum mutațiile genetice, ale pacienților și a prezice cine va răspunde mai bine la tratament. Scopul este alegerea celui mai eficace plan, evitând efectele adverse și costurile inutile.

Cu acest model, pacienții vor putea primi un răspuns mai clar la întrebarea: Care este cel mai potrivit tratament pentru mine, având în vedere genetica și caracteristicile mele clinice? Aceste abordări personalizate ar putea anunța o etapă promițătoare în tratamentul cancerului mamar, atât pentru medici, cât și pentru pacienți.

Detaliile studiului

Instrumentul de cercetare: OncoCast-MPM

Modelul dezvoltat de Memorial Sloan Kettering Cancer Center a combinat date clinice și genomice pentru a estima evoluția bolii. Au fost dezvoltate trei modele:

1. Model bazat pe date clinicopatologice
2. Model bazat pe date genomice
3. Model care integrează date clinice și genomice

Grupurile de pacienți și datele utilizate

• Grupul de antrenare: 761 de pacienți
• Grupul de testare: 326 de pacienți
• Analiza genomică utilizată: testul MSK-IMPACT, pentru identificarea mutațiilor în probe tumorale recoltate înainte de tratament sau în primele 2 luni de la începerea acestuia.

Rezultate

1. Modelul bazat pe date clinicopatologice: Modelul a împărțit pacienții în trei grupe de risc pe baza caracteristicilor clinicopatologice:

• Risc ridicat: Supraviețuire mediană fără progresie (PFS) de 6,3 luni
• Risc intermediar: PFS mediană de 15,2 luni
• Risc scăzut: PFS mediană de 24,5 luni

2. Modelul bazat pe date genomice: Analiza mutațiilor și biomarkerilor genomici a identificat tot trei grupe de risc:

• Risc ridicat: PFS mediană de 9,9 luni
• Risc intermediar: PFS mediană de 18,1 luni
• Risc scăzut: PFS mediană de 23,1 luni

3. Modelul integrat, clinic și genomic: Combinând datele clinice și genomice, modelul a identificat patru grupe:

• Risc ridicat: PFS mediană de 5,3 luni
• Risc scăzut: PFS mediană de 29 de luni
• Două grupe de risc intermediar: PFS mediană de 10,7 luni și 19,8 luni

Superioritatea modelului integrat

Avantajul modelului integrat a fost separarea mai clară a grupurilor cu risc ridicat și scăzut. Între acestea s-a identificat o diferență de 6,5 ori , în timp ce în modelele bazate exclusiv pe date clinicopatologice sau genomice diferența s-a limitat la 3-4 ori .

Markeri importanți

Modelul a evidențiat următorii factori ca predictori ai răspunsului la tratament:

Markeri genomici de prognostic nefavorabil:

• Pierderea TP53: Pierderea unei gene importante pentru repararea ADN-ului
• Amplificarea MYC: Creșterea numărului de copii ale unei gene care stimulează proliferarea celulară
• Pierderea PTEN: Pierderea unei gene supresoare tumorale
• Modificări ale căii RTK-MAPK: Mutații în căile de semnalizare a creșterii celulare
• Pierderea RB1: Contribuie la apariția rezistenței la inhibitorii CDK4/6
• Duplicarea întregului genom: Dublarea materialului genetic
• Pierdere mare de heterozigozitate: Reducerea diversității genetice

Markeri clinici:

• Metastaze hepatice
• Interval fără tratament mai scurt de 1 an
• Receptori progesteronici negativi
• Expresie scăzută a receptorilor estrogenici
• Prezența metastazelor viscerale, în organele interne

Identificarea ușoară a acestor factori la diagnosticul bolii metastatice permite aplicarea pe scară largă a modelului în clinică.

Aplicații și planuri viitoare

Astfel de modele ar putea remodela strategiile terapeutice. Pentru pacienții cu risc ridicat:

• Monitorizare clinică atentă
• Urmărirea evoluției prin biopsie lichidă și biomarkeri de origine tumorală
• Îndrumare precoce spre tratamentul de linia a doua și studii clinice

Fiind o analiză retrospectivă, modelul trebuie validat într-un grup mai mare de pacienți. Echipa MSK îl testează acum pe seturi externe de date și dezvoltă un instrument online de predicție pentru clinicieni.

Limitările studiului

• Studiu unicentric: Limitat la datele Memorial Sloan Kettering Cancer Center.
• Analiză retrospectivă: Lipsa studiilor prospective.
• Bias de trimitere: Pacienții care ajung la un centru oncologic specializat pot diferi de populația generală.

Pentru depășirea acestor limite, echipa urmărește să crească fiabilitatea modelului folosind baze de date internaționale.

Concluzie

Studiul arată că integrarea datelor clinice și genomice poate defini mai precis grupele individuale de risc în cancerul mamar. Dezvoltarea unor tratamente personalizate care să crească eficacitatea inhibitorilor CDK4/6 ar putea deschide o nouă etapă în tratament.