Blog
AI模型可協助判定患者癌症的病灶源頭
AI模型可協助判定患者癌症的病灶源頭
August 8, 2023
OncoNPC模型的預測能讓醫生為難以治療的腫瘤選擇針對性治療。
對於少數癌症患者來說，醫生無法確定癌症的起源部位。這使得為這些患者選擇治療方法變得更加困難，因為許多癌症藥物通常是針對特定類型的癌症開發的。
麻省理工學院和Dana-Farber癌症研究所的研究人員開發了一種新方法，可能使識別這些難以捉摸的癌症起源部位變得更容易。研究人員利用機器學習創建了一個計算模型，可以分析大約400個基因的序列，並使用該資訊預測腫瘤在身體中的起源部位。
使用這個模型，研究人員表明他們可以在約900名患者的數據集中，至少準確分類40%的未知起源腫瘤，並具有高信心。這種方法使基於癌症起源部位的基因組指導的針對性治療的患者人數增加了2.2倍。
該研究的主要作者、麻省理工學院電機工程和計算機科學的研究生Intae Moon表示：“我們論文中最重要的發現是，這個模型可能被用來協助治療決策，引導醫生為主要起源未知的癌症患者提供個性化治療。”
Harvard醫學院和Dana-Farber癌症研究所的醫學副教授Alexander Gusev是該論文的高級作者，論文今天發表在《自然醫學》雜誌上。
神秘起源
在3％至5％的癌症患者中，特別是在腫瘤已經擴散至整個身體的情況下，腫瘤科醫生沒有簡單的方法來確定癌症的起源部位。這些腫瘤被分類為未知原發癌（CUP）。
這一知識缺乏通常阻止醫生給患者使用“精確”藥物，這些藥物通常僅批准用於已知有效的特定癌症類型。這些針對性治療往往比用於廣泛癌症類型的治療更有效，副作用也更少，這些治療通常被開給CUP患者。
Gusev表示：“每年都有相當數量的人患有這些未知原發癌，由於大多數療法是以特定部位的方式批准的，必須知道主要部位才能部署它們，所以他們的治療選項非常有限。”
Moon是計算機科學和人工智慧實驗室的附屬機構，由Gusev共同指導，他決定分析Dana-Farber常規收集的遺傳數據，以了解是否可以用來預測癌症類型。數據包括大約400個基因的遺傳序列，這些基因經常在癌症中突變。研究人員在近30,000名已被診斷患有22種已知癌症類型之一的患者的數據上訓練了一個機器學習模型。該數據集包括來自紀念斯隆凱特琳癌症中心和范德堡英格拉姆癌症中心以及Dana-Farber的患者。
研究人員然後在大約7,000個之前未見過但起源部位已知的腫瘤上測試了得出的模型。該模型，研究人員將其命名為OncoNPC，能夠以大約80%的準確率預測它們的起源。對於高信心預測的腫瘤，其準確率升至約95%，佔總數的65%左右。
在得到了這些令人鼓舞的結果後，研究人員使用該模型分析了來自Dana-Farber的約900個CUP患者的腫瘤集。他們發現對於這些腫瘤的40%，模型能夠進行高信心預測。
研究人員隨後將模型的預測與在子集腫瘤中具有可用數據的生殖突變分析相比較，這可以揭示患者是否具有發展某種癌症的遺傳傾向。研究人員發現，模型的預測與生殖突變最強烈預測的癌症類型相匹配的可能性要大得多。
指導藥物決策
為了進一步驗證模型的預測，研究人員將CUP患者的存活時間數據與模型預測的癌症類型的典型預後進行了比較。他們發現，預測患有預後不良的癌症（例如胰腺癌）的CUP患者的存活時間相對較短。與此同時，預測患有通常預後較好的癌症（例如神經內分泌腫瘤）的CUP患者的存活時間較長。
模型預測可能有用的另一個跡象來自於觀察在研究中分析的CUP患者接受的治療類型。這些患者中約有10%接受了針對性治療，基於他們的腫瘤科醫生對癌症起源部位的最佳猜測。在這些患者中，那些接受了與模型為他們預測的癌症類型一致的治療的患者，比接受了通常給予模型為他們預測的不同癌症類型的治療的患者情況要好。
利用這個模型，研究人員還確定了可以接受現有針對性治療的另外15%的患者（增加2.2倍），如果他們的癌症類型已知的話。相反，這些患者最終接受了更普遍的化療藥物。
Gusev表示：“這可能使這些發現在臨床上更具可操作性，因為我們不要求批准新藥。我們所說的是，這部分人口現在可以有資格接受已經存在的精確治療。”
研究人員現在希望擴展他們的模型，包括其他數據類型，例如病理圖像和放射學圖像，以使用多種數據模式提供更全面的預測。這也將為模型提供對腫瘤的全面視角，使其不僅能夠預測腫瘤類型和患者結果，甚至可能預測最佳治療方法。
該研究由美國國家衛生研究院、Louis B. Mayer基金會、Doris Duke慈善基金會、Phi Beta Psi姐妹會和Emerson集團資助。
新聞原址： https://news.mit.edu/2023/ai-model-can-help-determine-where-patients-cancer-arose-0807?ref=futurepedia
對於少數癌症患者來說，醫生無法確定癌症的起源部位。這使得為這些患者選擇治療方法變得更加困難，因為許多癌症藥物通常是針對特定類型的癌症開發的。
麻省理工學院和Dana-Farber癌症研究所的研究人員開發了一種新方法，可能使識別這些難以捉摸的癌症起源部位變得更容易。研究人員利用機器學習創建了一個計算模型，可以分析大約400個基因的序列，並使用該資訊預測腫瘤在身體中的起源部位。
使用這個模型，研究人員表明他們可以在約900名患者的數據集中，至少準確分類40%的未知起源腫瘤，並具有高信心。這種方法使基於癌症起源部位的基因組指導的針對性治療的患者人數增加了2.2倍。
該研究的主要作者、麻省理工學院電機工程和計算機科學的研究生Intae Moon表示：“我們論文中最重要的發現是，這個模型可能被用來協助治療決策，引導醫生為主要起源未知的癌症患者提供個性化治療。”
Harvard醫學院和Dana-Farber癌症研究所的醫學副教授Alexander Gusev是該論文的高級作者，論文今天發表在《自然醫學》雜誌上。
神秘起源
在3％至5％的癌症患者中，特別是在腫瘤已經擴散至整個身體的情況下，腫瘤科醫生沒有簡單的方法來確定癌症的起源部位。這些腫瘤被分類為未知原發癌（CUP）。
這一知識缺乏通常阻止醫生給患者使用“精確”藥物，這些藥物通常僅批准用於已知有效的特定癌症類型。這些針對性治療往往比用於廣泛癌症類型的治療更有效，副作用也更少，這些治療通常被開給CUP患者。
Gusev表示：“每年都有相當數量的人患有這些未知原發癌，由於大多數療法是以特定部位的方式批准的，必須知道主要部位才能部署它們，所以他們的治療選項非常有限。”
Moon是計算機科學和人工智慧實驗室的附屬機構，由Gusev共同指導，他決定分析Dana-Farber常規收集的遺傳數據，以了解是否可以用來預測癌症類型。數據包括大約400個基因的遺傳序列，這些基因經常在癌症中突變。研究人員在近30,000名已被診斷患有22種已知癌症類型之一的患者的數據上訓練了一個機器學習模型。該數據集包括來自紀念斯隆凱特琳癌症中心和范德堡英格拉姆癌症中心以及Dana-Farber的患者。
研究人員然後在大約7,000個之前未見過但起源部位已知的腫瘤上測試了得出的模型。該模型，研究人員將其命名為OncoNPC，能夠以大約80%的準確率預測它們的起源。對於高信心預測的腫瘤，其準確率升至約95%，佔總數的65%左右。
在得到了這些令人鼓舞的結果後，研究人員使用該模型分析了來自Dana-Farber的約900個CUP患者的腫瘤集。他們發現對於這些腫瘤的40%，模型能夠進行高信心預測。
研究人員隨後將模型的預測與在子集腫瘤中具有可用數據的生殖突變分析相比較，這可以揭示患者是否具有發展某種癌症的遺傳傾向。研究人員發現，模型的預測與生殖突變最強烈預測的癌症類型相匹配的可能性要大得多。
指導藥物決策
為了進一步驗證模型的預測，研究人員將CUP患者的存活時間數據與模型預測的癌症類型的典型預後進行了比較。他們發現，預測患有預後不良的癌症（例如胰腺癌）的CUP患者的存活時間相對較短。與此同時，預測患有通常預後較好的癌症（例如神經內分泌腫瘤）的CUP患者的存活時間較長。
模型預測可能有用的另一個跡象來自於觀察在研究中分析的CUP患者接受的治療類型。這些患者中約有10%接受了針對性治療，基於他們的腫瘤科醫生對癌症起源部位的最佳猜測。在這些患者中，那些接受了與模型為他們預測的癌症類型一致的治療的患者，比接受了通常給予模型為他們預測的不同癌症類型的治療的患者情況要好。
利用這個模型，研究人員還確定了可以接受現有針對性治療的另外15%的患者（增加2.2倍），如果他們的癌症類型已知的話。相反，這些患者最終接受了更普遍的化療藥物。
Gusev表示：“這可能使這些發現在臨床上更具可操作性，因為我們不要求批准新藥。我們所說的是，這部分人口現在可以有資格接受已經存在的精確治療。”
研究人員現在希望擴展他們的模型，包括其他數據類型，例如病理圖像和放射學圖像，以使用多種數據模式提供更全面的預測。這也將為模型提供對腫瘤的全面視角，使其不僅能夠預測腫瘤類型和患者結果，甚至可能預測最佳治療方法。
該研究由美國國家衛生研究院、Louis B. Mayer基金會、Doris Duke慈善基金會、Phi Beta Psi姐妹會和Emerson集團資助。
新聞原址： https://news.mit.edu/2023/ai-model-can-help-determine-where-patients-cancer-arose-0807?ref=futurepedia