Za mali procenat pacijenata sa rakom, lekari nisu u mogućnosti da utvrde odakle je njihov rak nastao. Ovo znatno otežava izbor tretmana za te pacijente, jer se mnogi lekovi protiv raka obično razvijaju za specifične tipove raka.
Novi pristup koji su razvili istraživači sa MIT-a i Dana-Farber Instituta za rak može olakšati identifikaciju mesta porekla tih zagonetnih karcinoma. Koristeći mašinsko učenje, istraživači su kreirali računarski model koji može analizirati sekvencu od oko 400 gena i koristiti te informacije da predvide odakle je određeni tumor nastao u telu.
Koristeći ovaj model, istraživači su pokazali da mogu tačno da klasifikuju najmanje 40% tumora nepoznatog porekla sa velikom pouzdanošću, u skupu podataka od oko 900 pacijenata. Ovaj pristup je omogućio 2,2 puta povećanje broja pacijenata koji su mogli biti podobni za genomski vođeni, ciljani tretman, na osnovu toga odakle je njihov rak nastao.
„To je bio najvažniji nalaz u našem radu, da se ovaj model potencijalno može koristiti za pomoć pri donošenju odluka o lečenju, usmeravajući lekare ka personalizovanim tretmanima za pacijente sa kancerom nepoznatog primarnog porekla“, kaže Intae Moon, diplomirani student elektrotehnike na MIT-u i informatike koji je vodeći autor nove studije.
Aleksandar Gusev, vanredni profesor medicine na Harvardskoj medicinskoj školi i Institutu za rak Dana-Farber, stariji je autor rada, koji se danas pojavljuje u Nature Medicine.
Kod 3% do 5% pacijenata sa rakom, posebno u slučajevima kada su tumori metastazirali po celom telu, onkolozi nemaju lak način da utvrde odakle je rak nastao. Ovi tumori su klasifikovani kao kanceri nepoznate primarne (CUP).
Ovaj nedostatak znanja često sprečava doktore da budu u mogućnosti da pacijentima daju „precizne“ lekove, koji su tipično odobreni za specifične tipove raka gde se zna da rade. Ovi ciljani tretmani imaju tendenciju da budu efikasniji i imaju manje neželjenih efekata od tretmana koji se koriste za širok spektar karcinoma, koji se obično propisuju pacijentima sa CUP-om.
„Veliki broj pojedinaca svake godine razvije ove vrste raka nepoznate primarne, a pošto je većina terapija odobrena na način specifičan za lokaciju, gde morate da znate primarno mesto da biste ih primenili, oni imaju veoma ograničene mogućnosti lečenja“, kaže Gusev. .
Mun, filijala Laboratorije za kompjuterske nauke i veštačku inteligenciju, koju savetuje Gusev, odlučio je da analizira genetske podatke koji se rutinski prikupljaju u Dana-Farberu da vidi da li se mogu koristiti za predviđanje tipa raka. Podaci se sastoje od genetskih sekvenci za oko 400 gena koji su često mutirani u raku.
Istraživači su obučili model mašinskog učenja na podacima od skoro 30.000 pacijenata kojima je dijagnostikovan jedan od 22 poznata tipa raka. Taj skup podataka uključivao je pacijente iz Memorijalnog centra za rak Sloan Ketering i Centra za rak Vanderbilt-Ingram, kao i Dana-Farber.
Istraživači su zatim testirali rezultujući model na oko 7.000 tumora koje ranije nisu videli, ali čije je mesto porekla poznato. Model, koji su istraživači nazvali OncoNPC, bio je u stanju da predvidi njihovo poreklo sa oko 80% tačnosti. Za tumore sa visokom pouzdanošću predviđanja, koji su činili oko 65% ukupnog broja, njegova preciznost je porasla na otprilike 95%.
Nakon tih ohrabrujućih rezultata, istraživači su koristili model za analizu skupa od oko 900 tumora pacijenata sa CUP-om, koji su svi bili iz Dana-Farber. Otkrili su da je za 40% ovih tumora model bio u stanju da napravi predviđanja sa visokom pouzdanošću.
Istraživači su zatim uporedili predviđanja modela sa analizom zametne linije, ili nasleđenih, mutacija u podskupu tumora sa dostupnim podacima, koji mogu otkriti da li pacijenti imaju genetsku predispoziciju za razvoj određene vrste raka. Istraživači su otkrili da je mnogo veća verovatnoća da će predviđanja modela odgovarati tipu raka koji je najjače predviđen mutacijama zametne linije nego bilo koji drugi tip raka.
Da bi dodatno potvrdili predviđanja modela, istraživači su uporedili podatke o vremenu preživljavanja pacijenata sa CUP-om sa tipičnom prognozom za tip raka koji je model predvideo. Otkrili su da su CUP pacijenti za koje je predviđeno da imaju rak sa lošom prognozom, kao što je rak pankreasa, pokazali odgovarajuće kraće vreme preživljavanja. U međuvremenu, pacijenti sa CUP-om za koje se predviđalo da će imati rak koji obično imaju bolje prognoze, kao što su neuroendokrini tumori, imali su duže vreme preživljavanja.
Još jedna indikacija da bi predviđanja modela mogla biti korisna došla je od gledanja na tipove tretmana koje su primili CUP pacijenti analizirani u studiji. Oko 10% ovih pacijenata je dobilo ciljani tretman, na osnovu najboljih pretpostavki njihovih onkologa o tome odakle je njihov rak nastao. Među tim pacijentima, oni koji su primili tretman u skladu sa vrstom raka koji im je model predvideo prošli su bolje od pacijenata koji su primali tretman koji se obično daje za drugu vrstu raka od onoga što je model predvideo za njih.
Koristeći ovaj model, istraživači su takođe identifikovali dodatnih 15% pacijenata (2,2 puta povećanje) koji su mogli da dobiju postojeći ciljani tretman, da je njihov tip raka bio poznat. Umesto toga, ti pacijenti su na kraju primali opštije lekove za hemoterapiju.
„To potencijalno čini ove nalaze klinički praktičnijim jer ne zahtevamo da se novi lek odobri. Ono što mi kažemo je da ova populacija sada može da ispunjava uslove za precizne tretmane koji već postoje“, kaže Gusev.
Istraživači se sada nadaju da će proširiti svoj model kako bi uključili druge tipove podataka, kao što su slike patologije i radiološke slike, kako bi se obezbedilo sveobuhvatnije predviđanje korišćenjem višestrukih modaliteta podataka. Ovo bi takođe obezbedilo modelu sveobuhvatnu perspektivu tumora, omogućavajući mu da predvidi ne samo tip tumora i ishod pacijenta, već potencijalno čak i optimalni tretman.
