Para uma pequena porcentagem de pacientes com câncer, os médicos não podem determinar a origem do câncer. Isso torna mais difícil escolher um tratamento para esses pacientes, uma vez que muitas drogas contra o câncer são frequentemente desenvolvidas para tipos específicos de câncer.
Um novo método desenvolvido por pesquisadores do MIT e do Dana-Farber Cancer Institute pode facilitar a identificação da origem desses cânceres misteriosos. Usando aprendizado de máquina, os pesquisadores criaram um modelo computacional que pode analisar a sequência de cerca de 400 genes e usar essa informação para prever onde no corpo um determinado tumor se origina.
Usando esse modelo, os pesquisadores mostraram que podiam classificar com precisão pelo menos 40% dos tumores de origem desconhecida com alta confiança em um conjunto de dados de aproximadamente 900 pacientes. Essa abordagem resultou em um aumento de 2,2 vezes no número de pacientes elegíveis para terapia direcionada guiada pelo genoma com base na origem do câncer.
“Esta é a descoberta mais importante em nosso artigo, e o modelo pode potencialmente ser usado para auxiliar nas decisões de tratamento e orientar os médicos na personalização do tratamento para pacientes com câncer de origem desconhecida”, disse Intae Moon, estudante de pós-graduação do MIT em engenharia elétrica e ciência da computação. . , que é o principal autor do novo estudo.
Alexander Gusev, professor associado de medicina na Harvard Medical School e no Dana-Farber Cancer Institute, é o autor sênior do artigo publicado na revista Nature Medicine.
Origem Misteriosa
Nos 3 a 5 por cento dos pacientes com câncer, especialmente aqueles cujos tumores se espalharam por todo o corpo, os oncologistas não têm uma maneira fácil de determinar a origem do câncer. Esses tumores foram classificados como carcinoma de primário desconhecido (CUP).
Esta falta de conhecimento muitas vezes impede os médicos de dar aos pacientes medicamentos "precisos", que muitas vezes são aprovados para tipos específicos de câncer que são conhecidos por serem eficazes. Essas terapias direcionadas tendem a ser mais eficazes, com menos efeitos colaterais, do que os tratamentos usados para uma ampla gama de cânceres e são frequentemente usadas em pacientes com CUP.
"Um número considerável de pessoas contrai esses cânceres de origem desconhecida a cada ano e, como a maioria dos tratamentos é aprovada de maneira específica para o local, é necessário conhecer o local de origem para usá-los, portanto, as opções de tratamento são muito limitadas".
Moon, parte do Laboratório de Ciência da Computação e Inteligência Artificial, co-orienta Gusev. Moon decidiu analisar os dados genéticos coletados rotineiramente em Dana-Farber para ver se eles poderiam ser usados para prever o tipo de câncer. Os dados incluíram sequências genéticas para cerca de 400 genes que são frequentemente mutados no câncer. Os pesquisadores treinaram um modelo de aprendizado de máquina com dados de quase 30.000 pacientes diagnosticados com um dos 22 tipos de câncer conhecidos. O conjunto de dados incluiu pacientes dos Centros de Câncer Memorial Sloan Kettering e Vanderbilt-Ingram, bem como Dana-Farber.
Os pesquisadores então testaram o modelo em cerca de 7.000 tumores nunca antes vistos cuja localização de origem era conhecida. O modelo, que os pesquisadores chamaram de OncoNPC, foi capaz de prever sua origem com cerca de 80% de precisão. Para tumores previstos com alta confiança (aproximadamente 65% do total), sua precisão subiu para aproximadamente 95%.
Após esses resultados encorajadores, os pesquisadores usaram o modelo para analisar aproximadamente 900 tumores de pacientes com CUP, todos da Dana-Farber. Eles descobriram que, para 40% desses tumores, o modelo foi capaz de fazer previsões com alta confiança.
Os pesquisadores então compararam as previsões do modelo com análises de dados existentes de subconjuntos de tumores para linhagem germinativa ou mutações genéticas, que podem revelar se um paciente tem uma predisposição genética para desenvolver um determinado tipo de câncer. Os pesquisadores descobriram que as previsões do modelo eram mais propensas a corresponder ao tipo de câncer mais fortemente previsto por mutações germinativas do que qualquer outro tipo de câncer.
Orientando decisões sobre medicamentos
Para validar ainda mais as previsões do modelo, os pesquisadores compararam os dados de tempo de sobrevivência de pacientes com CUP com prognóstico típico para o tipo de câncer previsto pelo modelo. Eles descobriram que os pacientes com CUP que previam ter um câncer com prognóstico pior, como o câncer pancreático, tiveram um tempo de sobrevida correspondentemente menor. Ao mesmo tempo, previu-se que pacientes com CUP com cânceres que normalmente têm um prognóstico melhor, como tumores neuroendócrinos, viveriam mais.
Outra indicação de que as previsões do modelo podem ser úteis veio dos tipos de tratamentos recebidos pelos pacientes do CUP analisados no estudo. Cerca de 10% desses pacientes receberam terapia direcionada, com base nas melhores suposições dos oncologistas sobre a origem do câncer. Entre esses pacientes, aqueles que receberam um tratamento consistente com o tipo de câncer previsto pelo modelo se saíram melhor do que aqueles que receberam um tratamento típico diferente do tipo de câncer previsto pelo modelo.
Usando esse modelo, os pesquisadores também identificaram um adicional de 15% dos pacientes (um aumento de 2,2 vezes) que teriam recebido terapias direcionadas existentes se seu tipo de câncer fosse conhecido. Em vez disso, esses pacientes acabaram recebendo medicamentos quimioterápicos mais comuns.
"Isso pode tornar essas descobertas mais acionáveis clinicamente porque não precisamos que novos medicamentos sejam aprovados. O que estamos dizendo é que essas pessoas agora podem receber tratamentos de precisão que já existem", disse Gusev.
Os pesquisadores agora esperam expandir seu modelo para incluir outros tipos de dados, como imagens de patologia e radiologia, para fornecer previsões mais abrangentes usando várias modalidades de dados. Isso também dará ao modelo uma visão abrangente do tumor, permitindo prever não apenas o tipo de tumor e o prognóstico do paciente, mas possivelmente até as melhores opções de tratamento.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Nature Medicine: modelo de IA pode ajudar a determinar onde surgiu o câncer de um paciente
Fonte: Biocom See More
Para uma pequena porcentagem de pacientes com câncer, os médicos não podem determinar a origem do câncer. Isso torna mais difícil escolher um tratamento para esses pacientes, uma vez que muitas drogas contra o câncer são frequentemente desenvolvidas para tipos específicos de câncer.
Um novo método desenvolvido por pesquisadores do MIT e do Dana-Farber Cancer Institute pode facilitar a identificação da origem desses cânceres misteriosos. Usando aprendizado de máquina, os pesquisadores criaram um modelo computacional que pode analisar a sequência de cerca de 400 genes e usar essa informação para prever onde no corpo um determinado tumor se origina.
Usando esse modelo, os pesquisadores mostraram que podiam classificar com precisão pelo menos 40% dos tumores de origem desconhecida com alta confiança em um conjunto de dados de aproximadamente 900 pacientes. Essa abordagem resultou em um aumento de 2,2 vezes no número de pacientes elegíveis para terapia direcionada guiada pelo genoma com base na origem do câncer.
“Esta é a descoberta mais importante em nosso artigo, e o modelo pode potencialmente ser usado para auxiliar nas decisões de tratamento e orientar os médicos na personalização do tratamento para pacientes com câncer de origem desconhecida”, disse Intae Moon, estudante de pós-graduação do MIT em engenharia elétrica e ciência da computação. . , que é o principal autor do novo estudo.
Alexander Gusev, professor associado de medicina na Harvard Medical School e no Dana-Farber Cancer Institute, é o autor sênior do artigo publicado na revista Nature Medicine.
Origem Misteriosa
Nos 3 a 5 por cento dos pacientes com câncer, especialmente aqueles cujos tumores se espalharam por todo o corpo, os oncologistas não têm uma maneira fácil de determinar a origem do câncer. Esses tumores foram classificados como carcinoma de primário desconhecido (CUP).
Esta falta de conhecimento muitas vezes impede os médicos de dar aos pacientes medicamentos "precisos", que muitas vezes são aprovados para tipos específicos de câncer que são conhecidos por serem eficazes. Essas terapias direcionadas tendem a ser mais eficazes, com menos efeitos colaterais, do que os tratamentos usados para uma ampla gama de cânceres e são frequentemente usadas em pacientes com CUP.
"Um número considerável de pessoas contrai esses cânceres de origem desconhecida a cada ano e, como a maioria dos tratamentos é aprovada de maneira específica para o local, é necessário conhecer o local de origem para usá-los, portanto, as opções de tratamento são muito limitadas".
Moon, parte do Laboratório de Ciência da Computação e Inteligência Artificial, co-orienta Gusev. Moon decidiu analisar os dados genéticos coletados rotineiramente em Dana-Farber para ver se eles poderiam ser usados para prever o tipo de câncer. Os dados incluíram sequências genéticas para cerca de 400 genes que são frequentemente mutados no câncer. Os pesquisadores treinaram um modelo de aprendizado de máquina com dados de quase 30.000 pacientes diagnosticados com um dos 22 tipos de câncer conhecidos. O conjunto de dados incluiu pacientes dos Centros de Câncer Memorial Sloan Kettering e Vanderbilt-Ingram, bem como Dana-Farber.
Os pesquisadores então testaram o modelo em cerca de 7.000 tumores nunca antes vistos cuja localização de origem era conhecida. O modelo, que os pesquisadores chamaram de OncoNPC, foi capaz de prever sua origem com cerca de 80% de precisão. Para tumores previstos com alta confiança (aproximadamente 65% do total), sua precisão subiu para aproximadamente 95%.
Após esses resultados encorajadores, os pesquisadores usaram o modelo para analisar aproximadamente 900 tumores de pacientes com CUP, todos da Dana-Farber. Eles descobriram que, para 40% desses tumores, o modelo foi capaz de fazer previsões com alta confiança.
Os pesquisadores então compararam as previsões do modelo com análises de dados existentes de subconjuntos de tumores para linhagem germinativa ou mutações genéticas, que podem revelar se um paciente tem uma predisposição genética para desenvolver um determinado tipo de câncer. Os pesquisadores descobriram que as previsões do modelo eram mais propensas a corresponder ao tipo de câncer mais fortemente previsto por mutações germinativas do que qualquer outro tipo de câncer.
Orientando decisões sobre medicamentos
Para validar ainda mais as previsões do modelo, os pesquisadores compararam os dados de tempo de sobrevivência de pacientes com CUP com prognóstico típico para o tipo de câncer previsto pelo modelo. Eles descobriram que os pacientes com CUP que previam ter um câncer com prognóstico pior, como o câncer pancreático, tiveram um tempo de sobrevida correspondentemente menor. Ao mesmo tempo, previu-se que pacientes com CUP com cânceres que normalmente têm um prognóstico melhor, como tumores neuroendócrinos, viveriam mais.
Outra indicação de que as previsões do modelo podem ser úteis veio dos tipos de tratamentos recebidos pelos pacientes do CUP analisados no estudo. Cerca de 10% desses pacientes receberam terapia direcionada, com base nas melhores suposições dos oncologistas sobre a origem do câncer. Entre esses pacientes, aqueles que receberam um tratamento consistente com o tipo de câncer previsto pelo modelo se saíram melhor do que aqueles que receberam um tratamento típico diferente do tipo de câncer previsto pelo modelo.
Usando esse modelo, os pesquisadores também identificaram um adicional de 15% dos pacientes (um aumento de 2,2 vezes) que teriam recebido terapias direcionadas existentes se seu tipo de câncer fosse conhecido. Em vez disso, esses pacientes acabaram recebendo medicamentos quimioterápicos mais comuns.
"Isso pode tornar essas descobertas mais acionáveis clinicamente porque não precisamos que novos medicamentos sejam aprovados. O que estamos dizendo é que essas pessoas agora podem receber tratamentos de precisão que já existem", disse Gusev.
Os pesquisadores agora esperam expandir seu modelo para incluir outros tipos de dados, como imagens de patologia e radiologia, para fornecer previsões mais abrangentes usando várias modalidades de dados. Isso também dará ao modelo uma visão abrangente do tumor, permitindo prever não apenas o tipo de tumor e o prognóstico do paciente, mas possivelmente até as melhores opções de tratamento.