Прогноз ответа на иммунотерапию с помощью машинного обучения

Главный недостаток нового фаворита онкологии — иммунотерапии — трудность предсказать, кому поможет. Для поиска лучше отвечающих пациентов команда использует машинное обучение — метод искусственного интеллекта . В работе Leiserson и соавторов в PLOS One, опубликованной в декабре 2018, использованы данные исследования рака мочевого пузыря; точно предсказали иммунный ответ и показали возможность вдвое уменьшить избыточное лечение.

Использующая собственный иммунитет иммунотерапия революционна, но большинство методов работает лишь у меньшинства. Улучшить применение и снизить стоимость можно более точным прогнозом пользы.

Профессор информатики Мэрилендского университета Mark Leiserson, Microsoft Research и Memorial Sloan Kettering для лучшего прогноза ответа испытали анализирующий множество данных пациентов и опухолей новый компьютерный модельный подход.

Многофакторная модель включает % 38 не получающих пользу, но % 100 получающих. Точность повышена для отвечающих. Важно применение 3 типов данных, не учитываемых стандартным лечением и исследованиями: генетика опухоли, иммунные клетки, клинические данные пациента.

До сих пор исследования иммунотерапии, пытаясь предсказать, какому пациенту помогут эти препараты, искали «один» биомаркер ответа. Возможно, ошибка здесь: одного или одного-двух недостаточно. Решением выглядит анализ многих факторов посредством машинного обучения.

Для модели команда анализировала уникально богатые данные исследования рака мочевого пузыря: опухолевые и иммунные клетки, информация пациента. Определено 36 признаков.

Слева на рисунке 3 категории и 36 признаков:

Алгоритм при совместном анализе определил объясняющие % 79 ответа пациента 20 признаков. Ни один биомаркер раньше не прогнозировал такую долю.

Исключение любой категории — опухоль, иммунные клетки, клинические данные — лишало ответ предсказуемости, снижало прогноз до % 23. Leiserson подчеркнул важность многогранного подхода, а не самих этих 20 признаков.

Эти признаки не обязательно единственные возможные предикторы. Факторы могут меняться, но учитывать нужно все три категории: опухоль, иммунные клетки, клинические сведения.

Таким образом, эта работа в адаптацию лечения к генетическому и молекулярному профилю опухоли, которую ставит целью прецизионной онкологии , вносит важный вклад в текущие усилия.