Glioblastom je brz i agresivan rak mozga, sa prosečnim životnim vekom od oko godinu dana nakon dijagnoze. Teško je lečiti, delom zato što ćelijski sastav svakog tumora uveliko varira od osobe do osobe.
„Zbog heterogenosti ove bolesti, naučnici nisu pronašli dobre načine za borbu protiv nje“, rekao je dr Olivije Gevart, vanredni profesor biomedicinske informatike i nauke o podacima.
Doktori i naučnici se takođe bore sa prognozom, jer može biti teško analizirati koje kancerogene ćelije pokreću glioblastom svakog pacijenta.
Ali naučnici iz Stanford Medicine i njihove kolege nedavno su razvili model veštačke inteligencije koji procenjuje obojene slike tkiva glioblastoma da bi predvideo agresivnost tumora pacijenta, odredio genetski sastav tumorskih ćelija i procenio da li su značajne ćelije raka ostale nakon operacije.
„To je neka vrsta sistema za podršku odlučivanju za lekare“, rekao je dr Iuanning Zheng, postdoktorski naučnik u Gevaertovoj laboratoriji. Njihov tim je nedavno objavio studiju u Nature Communications u kojoj je opisano kako bi model mogao pomoći doktorima da identifikuju pacijente sa ćelijskim karakteristikama koje ukazuju na agresivnije tumore i označi ih za ubrzano praćenje.
Čak i nakon što se pacijenti sa glioblastomom podvrgnu operaciji, zračenju i hemoterapiji, neke ćelije raka skoro uvek ostaju. Skoro svi pacijenti sa glioblastomom imaju recidiv – neki pre nego drugi.
Doktori i naučnici obično koriste nešto što se zove histološke slike, ili slike obojenog tkiva bolesti, kako bi im pomogli da identifikuju tumorske ćelije i osmisle planove lečenja. Iako slike često otkrivaju oblik i lokaciju ćelija raka, one ne daju potpunu sliku tumora. Poslednjih godina razvijena je naprednija tehnika koja se zove prostorna transkriptomika. Otkriva lokaciju i genetski sastav desetina tipova ćelija, koristeći specifične molekule za identifikaciju genetskog materijala u tumorskom tkivu.
„Podaci prostorne transkriptomije omogućavaju nam da pogledamo ove vrste tumora na način koji ranije nije bio moguć“, rekao je Gevaert. „Ali to je trenutno skupa tehnologija. Potrebno je nekoliko hiljada dolara da se generišu podaci za jednog pacijenta.“
Gevaert i Zheng su se okrenuli veštačkoj inteligenciji da bi uštedeli proces, razvijajući model za izvlačenje iz prostorne transkriptomike i poboljšanje osnovnih histoloških slika, stvarajući detaljniju mapu tumora.
„Model je pokazao koje ćelije vole da budu zajedno, koje ćelije ne žele da komuniciraju i kako je to u korelaciji sa ishodima pacijenata“, rekao je Gevaert.
Istraživači su obučili model na slikama prostorne transkriptomije i genetskim podacima od više od 20 pacijenata sa glioblastomom. Iz ovih detaljnih slika, model je saznao koji tipovi ćelija, interakcije ćelija i ćelije i profili su povezani sa povoljnijim (ili nepovoljnijim) ishodima raka.
Na primer, model je otkrio da kada se tumorske ćelije koje podsećaju na ćelije podrške neuronima, nazvane astrociti, nenormalno grupišu zajedno, čini se da pacijenti imaju brže, agresivnije karcinome. Druge studije su otkrile da kada se astrociti spoje zajedno, oni komuniciraju biološke signale koji pokreću rast tumora.
Otkrivanjem ćelijskih obrazaca kao što je ova izdajnička grupisanja, model može pomoći programerima lekova da osmisle efikasnije tretmane za ciljanje glioblastoma, rekao je Gevaert.
Podaci o prostornoj transkriptomiji istih pacijenata sa glioblastomom takođe su naučili model da identifikuje različite tumorske ćelije u odgovarajućim histološkim slikama sa tačnošću od 78% ili više. U suštini, koristio je oblik ćelija da predvidi koji su geni uključeni i isključeni, informacije koje otkrivaju identitet ćelije.
Dženg se takođe nada da kliničari mogu da koriste ovu aplikaciju da zaključe koliko je tumora uspešno uklonjeno tokom operacije, a koliko je ostalo u mozgu. Njihov model je pokazao da se tumorske ćelije sa genetskim tragovima nedostatka kiseonika često nalaze u centru tumora pacijenta. Kada su ove ćelije viđene u većoj proporciji, to je odgovaralo lošijim ishodima raka.
Osvetljavanjem ćelija lišenih kiseonika u uzorcima hirurgije obojenim histološkim pregledom, model može pomoći hirurzima da shvate koliko ćelija raka može ostati u mozgu i koliko brzo nastaviti sa lečenjem nakon operacije, rekao je Dženg.
Kada je model bio obučen da identifikuje lokaciju različitih tipova ćelija sa osnovnih slika, istraživači su procenili njegovu korisnost na većem, odvojenom skupu podataka histoloških slika od 410 pacijenata. Iz tih slika, model je počeo da zaključuje ishode raka. Istraživači su videli da je model bio u stanju da identifikuje ćelijske obrasce koji odgovaraju agresiji raka.
Ideja je da bi model jednog dana mogao pomoći lekarima da identifikuju one pacijente koji imaju ćelijski uzorak koji ukazuje na agresivniji tumor i mogao bi predstavljati neposrednu pretnju, bilo da se radi o recidivu ili brzom rastu.
Dženg je uzbuđen zbog potencijala za predviđanje modela, ali treba ga obučiti na više pacijenata pre nego što ga pusti lekarima, rekao je on. Planira da usavrši model kako bi mogao da stvori još granularnije ćelijske mape tumora glioblastoma.
Upravo sada, verzija njihovog modela, GBM360, sa dokazom koncepta, dostupna je istraživačima da otpreme dijagnostičke slike i predvide ishode pacijenata sa glioblastomom. Dženg, međutim, naglašava da je model još uvek u fazi istraživanja i da rezultati algoritma još uvek ne bi trebalo da vode brigu o pacijentima.
Dženg se nada da bi algoritam jednog dana mogao da predvidi ishode za druga stanja, kao što su rak dojke ili pluća. „Mislim da ove multimodalne integracije podataka mogu oblikovati poboljšanje personalizovane medicine u budućnosti.“
Istraživači povezani sa Univerzitetom u Granadi, Univerzitetom u Gentu i Univerzitetom u Frajburgu doprineli su radu.