Tekoälyyn perustuva menetelmä voi auttaa ennustamaan varhaisen vaiheen melanooman uusiutumista

Tekoälyyn perustuva menetelmä voi auttaa ennustamaan varhaisen vaiheen melanooman uusiutumista

Suurin osa melanoomaan - ihosyövän tappavimman muodon - aiheuttamista kuolemista tapahtuu potilailla, joilla alun perin diagnosoitiin varhaisen vaiheen melanooma ja jotka kokivat myöhemmin uusiutumisen, mikä yleensä havaitaan vasta, kun se on levinnyt tai metastasoitunut.

Massachusettsin yleissairaalan (MGH) tutkijoiden johtama ryhmä kehitti äskettäin tekoälyyn perustuvan menetelmän ennustaakseen, mitkä potilaat todennäköisimmin kokevat uusiutumisen ja hyötyvät siten todennäköisesti aggressiivisesta hoidosta. Menetelmä validoitiin npj Precision Oncology -lehdessä julkaistussa tutkimuksessa.

Suurin osa varhaisen vaiheen melanooman potilaista hoidetaan leikkauksella syöpäsolujen poistamiseksi, mutta edennyt syöpäpotilaat saavat usein immuunivasteen estäjiä, jotka tehostavat immuunivastetta kasvainsoluja vastaan, mutta joilla on myös merkittäviä sivuvaikutuksia.

On kiireesti kehitettävä ennakoivia työkaluja auttamaan sellaisten korkean riskin potilaiden valinnassa, joille immuunivastuksen estäjien edut oikeuttaisivat tämän luokan terapeuttisten lääkkeiden yhteydessä havaittujen patologisten ja mahdollisesti kuolemaan johtavien haitallisten immunologisten tapahtumien suuren määrän.

Yevgeniy R. Semenov, MD, vanhempi kirjailija, tutkija, ihotautiosasto, MGH

"Luotettava melanooman uusiutumisen ennuste voi mahdollistaa tarkemman hoidon valinnan immunoterapiaa varten, vähentää metastaattisen taudin etenemistä ja parantaa melanooman eloonjäämistä samalla kun minimoidaan altistuminen hoidon toksisille vaikutuksille."

Tämän saavuttamiseksi Semenov ja hänen kollegansa arvioivat koneoppimiseen perustuvien algoritmien tehokkuutta, tekoälyn haaraa, joka käyttää sähköisten terveystietojen tietoja melanooman uusiutumisen ennustamiseen.

Erityisesti ryhmä keräsi 1 720 varhaisen vaiheen melanoomaa - 1 172 Mass General Brigham Healthcare Systemistä (MGB) ja 548 Dana-Farber Cancer Institutesta (DFCI) - ja poimi näiden syöpien 36 kliinistä ja patologista ominaisuutta sähköisistä terveystietueista ennustaakseen mekaanisen oppimisen aiheuttamien potilaiden uusiutumisriskin. Algoritmit kehitettiin ja validoitiin käyttämällä erilaisia ​​MGB- ja DFCI-potilassarjoja, ja kasvaimen paksuus ja syöpäsolujen jakautumisnopeus tunnistettiin ennustavimmiksi piirteiksi.

"Kattava riskienennustealustamme, joka käyttää uusia koneoppimismenetelmiä varhaisen vaiheen melanooman uusiutumisen riskin määrittämiseen, saavutti korkean luokituksen ja ajan tapahtumaan -ennustetarkkuuden", Semenov sanoo. "Tuloksemme viittaavat siihen, että koneoppimisalgoritmit voivat poimia kliinisistä patologisista ominaisuuksista ennustavia signaaleja varhaisen vaiheen melanooman uusiutumisen ennustamiseksi, mikä mahdollistaa potilaiden tunnistamisen, jotka voivat hyötyä adjuvanttiimmunoterapiasta."

Lähde:

Massachusettsin yleinen sairaala

Viite:

Wan, G., et ai. (2022) Varhaisen vaiheen melanooman uusiutumisen ennuste kliinisten ja histopatologisten ominaisuuksien perusteella. npj Precision Oncology. doi.org/10.1038/s41698-022-00321-4.

.