Прогнозирование ответа на лечение рака молочной железы с помощью искусственного интеллекта

Персонализированное лечение рака молочной железы и искусственный интеллект

Рак молочной железы включает разные подтипы. Некоторые опухоли чувствительны к гормонам — например, имеют рецепторы эстрогена или прогестерона, — а рост других может быть связан с избытком белка HER2. В частности, подтип "HR-положительный, HER2-отрицательный" встречается чаще всего. При метастатическом заболевании этого подтипа к препаратам, подавляющим действие гормонов, обычно добавляют специальные средства — ингибиторы CDK4/6. Такая комбинация, как правило, улучшает результаты, но пользу от неё получают не все пациенты в одинаковой степени.

Почему одни пациенты хорошо отвечают на лечение, а другие не получают ожидаемой пользы?

Здесь на помощь приходит "искусственный интеллект". Так называют компьютерные системы, способные решать сложные задачи, имитируя человеческий интеллект. Машинное обучение — направление искусственного интеллекта, позволяющее системам приобретать опыт при анализе данных, учиться на них и делать прогнозы. Иными словами, системы формируют собственные механизмы принятия решений на основе выявленных закономерностей, без необходимости заранее программировать все правила.

На Симпозиуме по раку молочной железы в Сан-Антонио (SABCS 2024) была представлена разработанная онкологическим центром Memorial Sloan Kettering модель машинного обучения, которая анализирует клинические данные пациентов (например, возраст и наличие метастазов) и геномные данные (например, генетические мутации) , чтобы предсказать, кто лучше ответит на лечение. Цель — предложить наиболее эффективный план терапии и избежать ненужных нежелательных явлений и расходов.

Благодаря новой модели пациенты теперь смогут получить более ясный ответ на вопрос: "Какой план лечения лучше всего подходит мне с учётом моих генетических и клинических особенностей?". Для врачей и пациентов такие персонализированные подходы могут стать предвестником нового, многообещающего этапа в лечении рака молочной железы.

Подробности исследования

Исследовательский инструмент: OncoCast-MPM

Эта модель машинного обучения, разработанная центром Memorial Sloan Kettering, объединила клинические и геномные данные для прогнозирования течения болезни. В исследовании создали три разных варианта модели:

1. Модель на основе клинико-патологических данных
2. Модель на основе геномных данных
3. Модель, объединяющая клинические и геномные данные

Группы пациентов и использованные данные

• Обучающая группа: 761 пациент
• Тестовая группа: 326 пациентов
• Геномный анализ: тест MSK-IMPACT для определения генных мутаций в образцах опухоли до лечения или в течение 2 месяцев после его начала.

Результаты

1. Модель на основе клинико-патологических данных: Модель позволила распределить пациентов на три группы риска по клинико-патологическим характеристикам:

• Группа высокого риска: Медиана выживаемости без прогрессирования (PFS) — 6,3 месяца
• Группа промежуточного риска: Медиана PFS — 15,2 месяца
• Группа низкого риска: Медиана PFS — 24,5 месяца

2. Модель на основе геномных данных: Анализ геномных мутаций и биомаркеров также выделил три группы риска:

• Группа высокого риска: Медиана PFS — 9,9 месяца
• Группа промежуточного риска: Медиана PFS — 18,1 месяца
• Группа низкого риска: Медиана PFS — 23,1 месяца

3. Интегрированная модель (клинические + геномные данные): Объединив клинические и геномные данные, модель выделила четыре группы риска:

• Группа высокого риска: Медиана PFS — 5,3 месяца
• Группа низкого риска: Медиана PFS — 29 месяцев
• Две промежуточные группы риска: Медиана PFS — 10,7 и 19,8 месяца

Преимущество интегрированной модели

Особенность интегрированной модели — более чёткое разделение групп высокого и низкого риска. В этой модели различие между ними составило 6,5 раза , тогда как при использовании только клинико-патологических или только геномных данных оно составляло лишь 3-4 раза .

Важные маркеры

Модель машинного обучения выделила следующие факторы как показатели ответа на лечение:

Геномные маркеры неблагоприятного прогноза:

• Потеря TP53: Потеря важного гена, участвующего в восстановлении ДНК
• Амплификация MYC: Увеличение числа копий гена, усиливающего размножение клеток
• Потеря PTEN: Потеря гена-супрессора опухоли
• Изменения сигнального пути RTK-MAPK: Мутации в сигнальных путях клеточного роста
• Потеря RB1: Участвует в развитии устойчивости к ингибиторам CDK4/6
• Удвоение всего генома: Удвоение генетического материала
• Высокая степень потери гетерозиготности: Снижение генетического разнообразия

Клинические маркеры:

• Метастазы в печени
• Период без лечения менее 1 года
• Отсутствие рецепторов прогестерона
• Низкая экспрессия рецепторов эстрогена
• Наличие висцеральных метастазов (во внутренних органах)

Поскольку эти факторы легко определить при установлении метастатического диагноза, модель может широко применяться в клинической практике.

Будущее применение и планы

Такие модели могут изменить лечебные стратегии. Для пациентов группы высокого риска:

• Тщательное клиническое наблюдение
• Контроль течения болезни с помощью жидкостной биопсии и опухолевых биомаркеров
• Раннее направление для терапии второй линии и рассмотрения участия в клинических исследованиях

Поскольку исследование представляет собой ретроспективный анализ, модель необходимо подтвердить в более широкой группе пациентов. Поэтому команда MSK сейчас проверяет её на внешних наборах данных и разрабатывает онлайн-инструмент прогнозирования для клиницистов.

Ограничения исследования

• Одноцентровое исследование: Использованы только данные онкологического центра Memorial Sloan Kettering.
• Ретроспективный анализ: Отсутствуют проспективные исследования.
• Систематическая ошибка направления пациентов: Пациенты специализированного онкологического центра могут отличаться от общей популяции.

Чтобы преодолеть эти ограничения, исследовательская группа планирует повысить надёжность модели с помощью международных баз данных.

Заключение

Исследование показало, что сочетание клинических и геномных данных позволяет точнее определять индивидуальные группы риска при лечении рака молочной железы. Разработка персонализированных подходов для повышения эффективности ингибиторов CDK4/6 может открыть новый этап в лечении этого заболевания.