Исследовательская группа, возглавляемая Университетом Мэриленда, использовала искусственный интеллект для улучшения иммунотерапии.
Иммунотерапия, использующая собственный иммунитет человека для борьбы с раком, в последние годы показала хорошие результаты, включая лечение людей с ранее неоперабельными заболеваниями. И все же терапия эффективна далеко не во всех случаях.
Улучшение иммунотерапии и снижение затрат на ненужные процедуры заключается в более точном прогнозировании того, для каких пациентов она эффективна.
Исследователи считают, что путь к лучшим прогнозам лежит в новом подходе к компьютерному моделированию, который анализирует данные по нескольким аспектам. В недавнем исследовании, опубликованном в журнале PLOS One, ученые использовали данные клинического испытания пациентов с раком мочевого пузыря, чтобы продемонстрировать, что их подход может идентифицировать набор признаков, которые прогнозируют ответ иммунитета на лечение.
Хотя исследователи иммунотерапии начинают собирать больше информации о больных раком и их ответах на терапию, основное внимание по-прежнему сосредоточено на поиске нескольких ключевых маркеров эффективности лечения.
Чтобы создать компьютерную модель, ученые проанализировали данные клинического испытания с большим набором данных, в котором собрана информация об опухолевых клетках, иммунных клетках и иные сведения о пациенте. Как и многие исследования, работа была направлена на выявление ключевых особенностей, связанных с определенным ответом на препарат.
Полученный алгоритм идентифицировал 20 признаков, которые при совместном анализе объясняли 79% вариаций иммунных реакций пациентов. Эти признаки достаточны для прогнозирования иммунного ответа пациента с высокой точностью.
Эти функции могут быть не единственными, которые можно использовать для прогнозирования реакции пациента. Исследователи рассматривают эту работу как естественную параллель с современными достижениями в области точной онкологии, целью которой является адаптация методов лечения к генетическим и молекулярным профилям опухолей отдельных пациентов.
«Мы пытаемся предсказать, что произойдет с отдельным пациентом, изучая его молекулярный профиль и историю болезни, - пишут исследователи. - Речь идет о построении молекулярного ландшафта, который предоставляет дополнительную информацию вне зависимости от местонахождения опухоли».
Разработанная учеными модель пока не готова для использования в качестве диагностического инструмента, поскольку в нее включены данные только 21 пациента, что слишком мало для прогнозирования всего населения. Исследователи планируют добавлять новые данные по мере поступления. Они надеются, что успех исследования убедит клиники и других исследователей прилагать больше усилий для сбора информации.
Источник: https://medicalxpress.com/news/2019-01-machine-multiple-factors-underlie-cancer.html
