Η μέθοδος που βασίζεται στην τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πρόβλεψη υποτροπών μελανώματος σε πρώιμο στάδιο

Η μέθοδος που βασίζεται στην τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πρόβλεψη υποτροπών μελανώματος σε πρώιμο στάδιο

Οι περισσότεροι θάνατοι από μελάνωμα - την πιο θανατηφόρα μορφή καρκίνου του δέρματος - συμβαίνουν σε ασθενείς που είχαν αρχικά διαγνωστεί με μελάνωμα πρώιμου σταδίου και αργότερα παρουσίασαν υποτροπή, η οποία συνήθως δεν ανιχνεύεται μέχρι να εξαπλωθεί ή να δώσει μετάσταση.

Μια ομάδα με επικεφαλής ερευνητές στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH) ανέπτυξε πρόσφατα μια μέθοδο βασισμένη στην τεχνητή νοημοσύνη για να προβλέψει ποιοι ασθενείς είναι πιο πιθανό να εμφανίσουν υποτροπή και επομένως πιθανό να επωφεληθούν από την επιθετική θεραπεία. Η μέθοδος επικυρώθηκε σε μια μελέτη που δημοσιεύτηκε στο npj Precision Oncology.

Οι περισσότεροι ασθενείς με μελάνωμα πρώιμου σταδίου αντιμετωπίζονται με χειρουργική επέμβαση για την αφαίρεση καρκινικών κυττάρων, αλλά οι ασθενείς με προχωρημένο καρκίνο συχνά λαμβάνουν αναστολείς του ανοσοποιητικού σημείου ελέγχου, οι οποίοι είναι αποτελεσματικοί στην ενίσχυση της ανοσοαπόκρισης έναντι των καρκινικών κυττάρων, αλλά έχουν επίσης σημαντικές παρενέργειες.

Υπάρχει επείγουσα ανάγκη να αναπτυχθούν εργαλεία πρόβλεψης για να βοηθήσουν στην επιλογή ασθενών υψηλού κινδύνου για τους οποίους τα οφέλη των αναστολέων του ανοσοποιητικού σημείου ελέγχου θα δικαιολογούσαν το υψηλό ποσοστό παθολογικών και δυνητικά θανατηφόρων ανεπιθύμητων ανοσολογικών συμβάντων που παρατηρούνται με αυτήν την κατηγορία θεραπευτικών φαρμάκων.

Yevgeniy R. Semenov, MD, ανώτερος συγγραφέας, ερευνητής, Τμήμα Δερματολογίας στο MGH

«Η αξιόπιστη πρόβλεψη της υποτροπής του μελανώματος μπορεί να επιτρέψει την ακριβέστερη επιλογή θεραπείας για την ανοσοθεραπεία, να μειώσει την εξέλιξη της μεταστατικής νόσου και να βελτιώσει την επιβίωση του μελανώματος, ελαχιστοποιώντας παράλληλα την έκθεση στις τοξικότητες της θεραπείας».

Για να επιτευχθεί αυτό, ο Semenov και οι συνεργάτες του αξιολόγησαν την αποτελεσματικότητα των αλγορίθμων που βασίζονται στη μηχανική μάθηση, έναν κλάδο της τεχνητής νοημοσύνης που χρησιμοποιεί δεδομένα από ηλεκτρονικά αρχεία υγείας για να προβλέψει την επανεμφάνιση του μελανώματος.

Συγκεκριμένα, η ομάδα συνέλεξε 1.720 μελανώματα πρώιμου σταδίου - 1.172 από το Mass General Brigham Healthcare System (MGB) και 548 από το Dana-Farber Cancer Institute (DFCI) - και εξήγαγε 36 κλινικά και παθολογικά χαρακτηριστικά αυτών των καρκίνων από ηλεκτρονικά αρχεία υγείας για να προβλέψει τον κίνδυνο υποτροπής ασθενών με μηχανική μάθηση. Οι αλγόριθμοι αναπτύχθηκαν και επικυρώθηκαν χρησιμοποιώντας διαφορετικά σετ ασθενών MGB και DFCI και το πάχος του όγκου και ο ρυθμός διαίρεσης των καρκινικών κυττάρων αναγνωρίστηκαν ως τα πιο προγνωστικά χαρακτηριστικά.

«Η ολοκληρωμένη πλατφόρμα πρόβλεψης κινδύνου μας, η οποία χρησιμοποιεί νέες προσεγγίσεις μηχανικής μάθησης για τον προσδιορισμό του κινδύνου υποτροπής μελανώματος σε πρώιμο στάδιο, πέτυχε υψηλό επίπεδο ταξινόμησης και ακρίβειας πρόβλεψης από το χρόνο μέχρι το συμβάν», λέει ο Semenov. «Τα αποτελέσματά μας υποδεικνύουν ότι οι αλγόριθμοι μηχανικής μάθησης μπορούν να εξαγάγουν προγνωστικά σήματα από κλινικοπαθολογικά χαρακτηριστικά για την πρόβλεψη της υποτροπής του μελανώματος σε πρώιμο στάδιο, η οποία θα επιτρέψει την αναγνώριση ασθενών που μπορεί να ωφεληθούν από την επικουρική ανοσοθεραπεία».

Πηγή:

Γενικό Νοσοκομείο Μασαχουσέτης

Αναφορά:

Wan, G., et αϊ. (2022) Πρόβλεψη υποτροπής μελανώματος σε πρώιμο στάδιο με βάση κλινικά και ιστοπαθολογικά χαρακτηριστικά. npj Ογκολογία Ακριβείας. doi.org/10.1038/s41698-022-00321-4.

.