Para un pequeño porcentaje de pacientes con cáncer, los médicos no pueden determinar dónde se originó su cáncer. Esto hace que sea más difícil elegir un tratamiento para estos pacientes, ya que muchos medicamentos contra el cáncer a menudo se desarrollan para tipos de cáncer específicos.
Un nuevo método desarrollado por investigadores del MIT y el Instituto del Cáncer Dana-Farber puede facilitar la identificación de dónde se originan estos misteriosos cánceres. Utilizando el aprendizaje automático, los investigadores crearon un modelo computacional que puede analizar la secuencia de unos 400 genes y usar esta información para predecir en qué parte del cuerpo se origina un tumor determinado.
Usando este modelo, los investigadores demostraron que podían clasificar con precisión al menos el 40 por ciento de los tumores de origen desconocido con alta confianza en un conjunto de datos de aproximadamente 900 pacientes. Este enfoque resultó en un aumento de 2,2 veces en el número de pacientes elegibles para la terapia dirigida guiada por el genoma basada en el origen de su cáncer.
"Este es el hallazgo más importante de nuestro artículo, y el modelo podría usarse potencialmente para ayudar en las decisiones de tratamiento y guiar a los médicos en la personalización del tratamiento para pacientes con cáncer de origen desconocido", dijo Intae Moon, estudiante de posgrado en ingeniería eléctrica e informática del MIT. ., quien es el autor principal del nuevo estudio.
Alexander Gusev, profesor asociado de medicina en la Escuela de Medicina de Harvard y el Instituto del Cáncer Dana-Farber, es el autor principal del artículo publicado en la revista Nature Medicine.
Origen misterioso
En el 3 al 5 por ciento de los pacientes con cáncer, especialmente aquellos cuyos tumores han hecho metástasis en todo el cuerpo, los oncólogos no tienen una manera fácil de determinar el origen del cáncer. Estos tumores se clasificaron como carcinoma de primario desconocido (CUP).
Esta falta de conocimiento a menudo impide que los médicos administren a los pacientes medicamentos "precisos", que a menudo están aprobados para tipos de cáncer específicos que se sabe que son efectivos. Estas terapias dirigidas tienden a ser más efectivas, con menos efectos secundarios, que los tratamientos utilizados para una amplia gama de cánceres y, a menudo, se utilizan en pacientes con CUP.
"Una cantidad considerable de personas contrae estos cánceres de origen primario desconocido cada año, y debido a que la mayoría de los tratamientos se aprueban en un sitio específico, debe conocer el sitio de origen para usarlos, por lo que sus opciones de tratamiento son muy limitadas".
Moon, parte del Laboratorio de Ciencias de la Computación e Inteligencia Artificial, coasesora a Gusev. Moon decidió analizar los datos genéticos recopilados de forma rutinaria en Dana-Farber para ver si podían usarse para predecir el tipo de cáncer. Los datos incluyeron secuencias genéticas de unos 400 genes que con frecuencia mutan en el cáncer. Los investigadores entrenaron un modelo de aprendizaje automático con datos de casi 30 000 pacientes diagnosticados con uno de los 22 tipos de cáncer conocidos. El conjunto de datos incluyó pacientes de los Centros de Cáncer Memorial Sloan Kettering y Vanderbilt-Ingram, así como de Dana-Farber.
Luego, los investigadores probaron el modelo en aproximadamente 7,000 tumores nunca antes vistos cuya ubicación de origen era conocida. El modelo, que los investigadores llamaron OncoNPC, pudo predecir su origen con un 80 por ciento de precisión. Para tumores predichos con alta confianza (aproximadamente el 65% del total), su precisión se elevó a aproximadamente el 95%.
Tras estos resultados alentadores, los investigadores utilizaron el modelo para analizar aproximadamente 900 tumores de pacientes con CUP, todos de Dana-Farber. Descubrieron que para el 40 por ciento de estos tumores, el modelo podía hacer predicciones con un alto nivel de confianza.
Luego, los investigadores compararon las predicciones del modelo con los análisis de datos existentes de subconjuntos de tumores para la línea germinal o mutaciones genéticas, lo que puede revelar si un paciente tiene una predisposición genética para desarrollar un tipo particular de cáncer. Los investigadores encontraron que las predicciones del modelo tenían más probabilidades de coincidir con el tipo de cáncer más predicho por las mutaciones de la línea germinal que con cualquier otro tipo de cáncer.
Orientación de las decisiones sobre medicamentos
Para validar aún más las predicciones del modelo, los investigadores compararon los datos del tiempo de supervivencia de los pacientes con CUP con un pronóstico típico para el tipo de cáncer previsto por el modelo. Descubrieron que los pacientes con CUP que se predijo que tendrían un cáncer con un peor pronóstico, como el cáncer de páncreas, tenían un tiempo de supervivencia correspondientemente más corto. Al mismo tiempo, se predijo que los pacientes con CUP con cánceres que normalmente tienen un mejor pronóstico, como los tumores neuroendocrinos, vivirían más tiempo.
Otra indicación de que las predicciones del modelo podrían ser útiles provino de los tipos de tratamientos que recibieron los pacientes con CUP analizados en el estudio. Alrededor del 10 por ciento de estos pacientes recibieron terapia dirigida, según las mejores conjeturas de los oncólogos sobre el origen del cáncer. Entre estos pacientes, a los que recibieron un tratamiento consistente con el tipo de cáncer predicho por el modelo les fue mejor que a los que recibieron un tratamiento típico que difería del tipo de cáncer predicho por el modelo.
Utilizando este modelo, los investigadores también identificaron un 15 por ciento adicional de pacientes (un aumento de 2,2 veces) que habrían recibido terapias dirigidas existentes si se hubiera conocido su tipo de cáncer. En cambio, estos pacientes terminaron recibiendo medicamentos de quimioterapia más comunes.
"Esto podría hacer que estos hallazgos sean más procesables clínicamente, porque no necesitamos que se aprueben nuevos medicamentos. Lo que estamos diciendo es que estas personas ahora pueden recibir tratamientos de precisión que ya existen", dijo Gusev.
Los investigadores ahora esperan expandir su modelo para incluir otros tipos de datos, como imágenes de patología y radiología, para proporcionar predicciones más completas utilizando múltiples modalidades de datos. Esto también le dará al modelo una visión integral del tumor, lo que le permitirá predecir no solo el tipo de tumor y el pronóstico del paciente, sino posiblemente incluso las mejores opciones de tratamiento.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Nature Medicine: el modelo de IA puede ayudar a determinar dónde surgió el cáncer de un paciente
Fuente: Biocom
Para un pequeño porcentaje de pacientes con cáncer, los médicos no pueden determinar dónde se originó su cáncer. Esto hace que sea más difícil elegir un tratamiento para estos pacientes, ya que muchos medicamentos contra el cáncer a menudo se desarrollan para tipos de cáncer específicos.
Un nuevo método desarrollado por investigadores del MIT y el Instituto del Cáncer Dana-Farber puede facilitar la identificación de dónde se originan estos misteriosos cánceres. Utilizando el aprendizaje automático, los investigadores crearon un modelo computacional que puede analizar la secuencia de unos 400 genes y usar esta información para predecir en qué parte del cuerpo se origina un tumor determinado.
Usando este modelo, los investigadores demostraron que podían clasificar con precisión al menos el 40 por ciento de los tumores de origen desconocido con alta confianza en un conjunto de datos de aproximadamente 900 pacientes. Este enfoque resultó en un aumento de 2,2 veces en el número de pacientes elegibles para la terapia dirigida guiada por el genoma basada en el origen de su cáncer.
"Este es el hallazgo más importante de nuestro artículo, y el modelo podría usarse potencialmente para ayudar en las decisiones de tratamiento y guiar a los médicos en la personalización del tratamiento para pacientes con cáncer de origen desconocido", dijo Intae Moon, estudiante de posgrado en ingeniería eléctrica e informática del MIT. ., quien es el autor principal del nuevo estudio.
Alexander Gusev, profesor asociado de medicina en la Escuela de Medicina de Harvard y el Instituto del Cáncer Dana-Farber, es el autor principal del artículo publicado en la revista Nature Medicine.
Origen misterioso
En el 3 al 5 por ciento de los pacientes con cáncer, especialmente aquellos cuyos tumores han hecho metástasis en todo el cuerpo, los oncólogos no tienen una manera fácil de determinar el origen del cáncer. Estos tumores se clasificaron como carcinoma de primario desconocido (CUP).
Esta falta de conocimiento a menudo impide que los médicos administren a los pacientes medicamentos "precisos", que a menudo están aprobados para tipos de cáncer específicos que se sabe que son efectivos. Estas terapias dirigidas tienden a ser más efectivas, con menos efectos secundarios, que los tratamientos utilizados para una amplia gama de cánceres y, a menudo, se utilizan en pacientes con CUP.
"Una cantidad considerable de personas contrae estos cánceres de origen primario desconocido cada año, y debido a que la mayoría de los tratamientos se aprueban en un sitio específico, debe conocer el sitio de origen para usarlos, por lo que sus opciones de tratamiento son muy limitadas".
Moon, parte del Laboratorio de Ciencias de la Computación e Inteligencia Artificial, coasesora a Gusev. Moon decidió analizar los datos genéticos recopilados de forma rutinaria en Dana-Farber para ver si podían usarse para predecir el tipo de cáncer. Los datos incluyeron secuencias genéticas de unos 400 genes que con frecuencia mutan en el cáncer. Los investigadores entrenaron un modelo de aprendizaje automático con datos de casi 30 000 pacientes diagnosticados con uno de los 22 tipos de cáncer conocidos. El conjunto de datos incluyó pacientes de los Centros de Cáncer Memorial Sloan Kettering y Vanderbilt-Ingram, así como de Dana-Farber.
Luego, los investigadores probaron el modelo en aproximadamente 7,000 tumores nunca antes vistos cuya ubicación de origen era conocida. El modelo, que los investigadores llamaron OncoNPC, pudo predecir su origen con un 80 por ciento de precisión. Para tumores predichos con alta confianza (aproximadamente el 65% del total), su precisión se elevó a aproximadamente el 95%.
Tras estos resultados alentadores, los investigadores utilizaron el modelo para analizar aproximadamente 900 tumores de pacientes con CUP, todos de Dana-Farber. Descubrieron que para el 40 por ciento de estos tumores, el modelo podía hacer predicciones con un alto nivel de confianza.
Luego, los investigadores compararon las predicciones del modelo con los análisis de datos existentes de subconjuntos de tumores para la línea germinal o mutaciones genéticas, lo que puede revelar si un paciente tiene una predisposición genética para desarrollar un tipo particular de cáncer. Los investigadores encontraron que las predicciones del modelo tenían más probabilidades de coincidir con el tipo de cáncer más predicho por las mutaciones de la línea germinal que con cualquier otro tipo de cáncer.
Orientación de las decisiones sobre medicamentos
Para validar aún más las predicciones del modelo, los investigadores compararon los datos del tiempo de supervivencia de los pacientes con CUP con un pronóstico típico para el tipo de cáncer previsto por el modelo. Descubrieron que los pacientes con CUP que se predijo que tendrían un cáncer con un peor pronóstico, como el cáncer de páncreas, tenían un tiempo de supervivencia correspondientemente más corto. Al mismo tiempo, se predijo que los pacientes con CUP con cánceres que normalmente tienen un mejor pronóstico, como los tumores neuroendocrinos, vivirían más tiempo.
Otra indicación de que las predicciones del modelo podrían ser útiles provino de los tipos de tratamientos que recibieron los pacientes con CUP analizados en el estudio. Alrededor del 10 por ciento de estos pacientes recibieron terapia dirigida, según las mejores conjeturas de los oncólogos sobre el origen del cáncer. Entre estos pacientes, a los que recibieron un tratamiento consistente con el tipo de cáncer predicho por el modelo les fue mejor que a los que recibieron un tratamiento típico que difería del tipo de cáncer predicho por el modelo.
Utilizando este modelo, los investigadores también identificaron un 15 por ciento adicional de pacientes (un aumento de 2,2 veces) que habrían recibido terapias dirigidas existentes si se hubiera conocido su tipo de cáncer. En cambio, estos pacientes terminaron recibiendo medicamentos de quimioterapia más comunes.
"Esto podría hacer que estos hallazgos sean más procesables clínicamente, porque no necesitamos que se aprueben nuevos medicamentos. Lo que estamos diciendo es que estas personas ahora pueden recibir tratamientos de precisión que ya existen", dijo Gusev.
Los investigadores ahora esperan expandir su modelo para incluir otros tipos de datos, como imágenes de patología y radiología, para proporcionar predicciones más completas utilizando múltiples modalidades de datos. Esto también le dará al modelo una visión integral del tumor, lo que le permitirá predecir no solo el tipo de tumor y el pronóstico del paciente, sino posiblemente incluso las mejores opciones de tratamiento.