Više od tri decenije, veoma precizan rani dijagnostički test za rak jajnika je izmicao lekarima. Sada su naučnici u Georgia Tech Integrated Cancer Research Center (ICRC) kombinovali mašinsko učenje sa informacijama o metabolitima u krvi kako bi razvili novi test koji može da otkrije rak jajnika sa tačnošću od 93% među uzorcima iz studijske grupe tima.
Rezultati i metodologije tima su detaljno opisani u novom radu objavljenom u časopisu Ginekološka onkologija.
Džon Mekdonald, profesor emeritus na Školi bioloških nauka, osnivački direktor MKCK-a i odgovarajući autor studije, objašnjava da je tačnost novog testa bolja u otkrivanju raka jajnika od postojećih testova za žene koje su klinički klasifikovane kao normalne, sa posebno poboljšanje u otkrivanju bolesti jajnika u ranoj fazi u toj kohorti.
Na osnovu svojih kompjuterskih modela, istraživači su razvili ono što veruju da će biti klinički korisniji pristup dijagnozi karcinoma jajnika – pri čemu se individualni metabolički profil pacijenta može koristiti za određivanje tačnije verovatnoće prisustva ili odsustva bolesti.
„Ovaj personalizovani, probabilistički pristup dijagnostici raka je klinički informativniji i tačniji od tradicionalnih binarnih (da/ne) testova“, kaže McDonald. „To predstavlja obećavajući novi pravac u ranom otkrivanju raka jajnika, a možda i drugih karcinoma.“
Rak jajnika se često naziva tihim ubicom jer je bolest obično asimptomatska kada se prvi put pojavi – i obično se ne otkriva do kasnijih faza razvoja, kada je teško lečiti. Dok je prosečna petogodišnja stopa preživljavanja pacijenata sa rakom jajnika u kasnoj fazi, čak i nakon lečenja, oko 31%, Mekdonald objašnjava da ako se rak jajnika otkrije i leči rano, prosečna petogodišnja stopa preživljavanja je više od 90%.
„Jasno je da postoji ogromna potreba za tačnim ranim dijagnostičkim testom za ovu podmuklu bolest“, kaže Mekdonald.
I iako se razvoj testa za rano otkrivanje raka jajnika energično sprovodi više od tri decenije, razvoj ranih, tačnih dijagnostičkih testova se pokazao neuhvatljivim. Pošto rak počinje na molekularnom nivou, objašnjava Mekdonald, postoji više mogućih puteva koji mogu dovesti do čak i istog tipa raka.
„Zbog ove molekularne heterogenosti visokog nivoa među pacijentima, identifikacija jednog univerzalnog dijagnostičkog biomarkera raka jajnika nije bila moguća“, kaže Mekdonald. „Iz tog razloga, odlučili smo da koristimo granu veštačke inteligencije — mašinsko učenje — da bismo razvili alternativni probabilistički pristup izazovu dijagnostike raka jajnika.
Koautor Georgia Tech-a Dongjo Ban, čije je istraživanje teze doprinelo studiji, objašnjava da „pošto je poznato da promene u krajnjoj tački na metaboličkom nivou odražavaju osnovne promene koje deluju zajedno na više molekularnih nivoa, mi smo izabrali metaboličke profile kao okosnicu naše analize“.
„Skup ljudskih metabolita je kolektivna mera zdravlja ćelija“, dodaje koautor Džefri Skolnik, „i time što se ne bira unapred bilo koji podskup, omogućava se veštačkoj inteligenciji da shvati koji su ključni igrači za dati pojedinac.“
Masena spektrometrija može da identifikuje prisustvo metabolita u krvi otkrivanjem njihove mase i potpisa naelektrisanja. Međutim, kaže Ban, precizan hemijski sastav metabolita zahteva mnogo opsežniju karakterizaciju.
Ban objašnjava da je precizan hemijski sastav manje od 7% metabolita koji cirkulišu u ljudskoj krvi do sada bio hemijski okarakterisan, trenutno je nemoguće precizno odrediti specifične molekularne procese koji doprinose metaboličkom profilu pojedinca.
Međutim, istraživački tim je prepoznao da čak i bez poznavanja preciznog hemijskog sastava svakog pojedinačnog metabolita, samo prisustvo različitih metabolita u krvi različitih pojedinaca, kao što je otkriveno masovnom spektrometrijom, može biti uključeno kao karakteristike u izgradnji tačnih metabolita. prediktivni modeli zasnovani na mašinskom učenju (slično korišćenju pojedinačnih crta lica u izgradnji algoritama za prepoznavanje obrazaca lica).
„Poznato je da hiljade metabolita cirkuliše ljudskim krvotokom i mogu se lako i precizno otkriti masovnom spektrometrijom i kombinovati sa mašinskim učenjem kako bi se uspostavila tačna dijagnostika raka jajnika“, kaže Ban.
