Použití hlubokého učení pro precizním terapii rakoviny

Každý rok je schváleno téměř 50 nových terapií rakoviny. To je dobrá zpráva. „Ale pro pacienty a jejich léčbu lékařů je stále obtížnější sledovat a vybírat metody léčby, z nichž lidé postihli-každý s jejich velmi individuálními charakteristikami nádorů-bude mít nejvíce prospěch,“ říká Dr. Altuna Akalin, vedoucí bioinformatiky a omics Data Science Technology Platform Platform pro biologii lékařských systémů (Mdc-BIMSB).

Výzkumník již nějakou dobu pracuje na vývoji nástrojů, které používají Umělá inteligence Pro vytvoření přesnějších diagnóz a také určující nejlepší formu terapie přizpůsobené jednotlivým pacientům.

Tým Akalinů nyní vyvinul sadu nástrojů s názvem Flexynesis, která se nespoléhá pouze na klasické strojové učení, ale také používá hluboké učení k vyhodnocení velmi odlišných typů dat současně-například multi-omics dat, jakož i speciálně zpracované texty a obrázky, jako jsou CT nebo MRI sken.

„Tímto způsobem umožňuje lékařům pro své pacienty lepší diagnózy, prognózy a léčebné strategie,“ říká Akalin. Flexynesis je podrobně popsána v papíru Publikováno v Přírodní komunikace.

„Provozujeme několik translačních projektů s lékaři, kteří chtějí identifikovat biomarkery z více omilů, které jsou v souladu s výsledky nemocí,“ říká Dr. Bora Uyar, nejprve a spolupracoval autor publikace.

„Ačkoli pro tento účel bylo zveřejněno mnoho metod založených na hlubokém učení, většina se ukázala jako nepružná, vázaná na specifické modelovací úkoly nebo obtížně instalovatelné a opětovné použití. Tato mezera nás motivovala k budování flexyneze jako správné sady nástrojů, což je flexibilní pro různé modelovací úkoly, které si ji ostatní mohou přihlásit v jejich vlastním pilitě, a tak si jiní, a tak si jiní, a ostatní si mohou přihlásit v jejich vlastních vlastních pipelích, ať už je to v jejich vlastních vlastních pipelích, a tak si jiní v jejich vlastních pipelích, ať už je to flexibilní, a to je v jejich vlastním vlastním pilitě.

Nástroj najde kořen nemoci

Deep Learning je subfieldem strojového učení, které přesahuje jednoduché neuronové sítě s jednou nebo dvěma výpočetními vrstvami, místo toho pomocí hlubokých sítí, které pracují se stovkami nebo dokonce tisíci vrstev. „Rakovina a další komplexní onemocnění vyplývají z souhry různých biologických faktorů, například na hladinách DNA, RNA a proteinu,“ vysvětluje Akalin.

Charakteristické změny na těchto úrovních – jako je množství proteinu HER2 produkovaného v prsu nebo Rakovina žaludku-Často jsou zaznamenány, ale obvykle dosud nebyly analyzovány ve spojení se všemi ostatními faktory relevantními terapií.

To je místo, kde přichází Flexynesis. “Doposud se často obtížně používají, nebo jsou užitečné pouze pro zodpovězení určitých otázek,“ říká Akalin. „Naproti tomu Flexynesis může odpovědět na různé lékařské otázky současně: například jaký typ rakoviny je v tomto případě zvláště účinný a jak to ovlivní šance pacienta na přežití.“

Tento nástroj také pomáhá identifikovat vhodné biomarkery pro diagnostiku a prognózu, nebo – pokud jsou objeveny metastázy neznámého původu – identifikovat – Primární nádor. „Usnadňuje to vývoj komplexních a osobních léčebných strategií pro všechny druhy pacientů s rakovinou,“ říká Akalin.

Integrace dat na klinice – i bez zkušeností s AI

V loňském roce Akalin představil další nástroj založený na AI zvaném OnConaut, který podobně pomáhá identifikovat správnou terapii rakoviny. „Onconaut se spoléhá na známé biomarkery, výsledky klinických hodnocení a současné pokyny – takže funguje na úplně jiném principu,“ vysvětluje Akalin. „Tento nástroj nebude zastaralý, ale může být užitečným doplňkem flexyneze.“

Jednou z překážek, které musí nový nástroj stále překonat, alespoň v Německu, je skutečnost, že údaje o multimicích nejsou dosud v nemocnicích běžně shromažďovány. „Na druhé straně v USA jsou tato data často diskutována v nádorových deskách v nemocnici, kde lékaři z různých specialit společně plánují léčbu svých pacientů,“ říká Akalin.

A jeho tým ukázal, že data mohou být použita k přesnému předpovědi, zda bude určitá léčba účinná. „V Německu se podrobná data o více omitech dosud používala pouze v vlajkových programech, jako je hlavní program pro vzácné rakoviny,“ dodává. Ale to se může brzy změnit.

Akalin zdůrazňuje, že uživatelé svého nástroje, který je v současné době zaměřen především na lékaře a klinické vědce a je neustále aktualizován, nemusí mít žádné zvláštní zázemí v práci hluboké učení.

„Doufám, že snižuje překážky pro nemocnice a výzkumné skupiny, aby prováděly multimodální integraci dat – tj. Současná analýza omicsových dat, písemných zpráv a obrázků – i bez odborníků na AI na jejich straně,“ říká. Flexynesis je Snadno přístupné onlinespolu s pokyny pro použití nástroje.