Модель машинного обучения предсказывает эффективность терапии

Новая модель машинного обучения может сократить время до лечения, быстро определяя, какие пациенты с наибольшей вероятностью отреагируют на ICB, вместо текущего метода проб и ошибок.

Исследователи из Эйндховенского технологического университета обращаются к машинному обучению, чтобы лучше прогнозировать, поможет ли конкретная иммунотерапия больным раком. Модель в последней статье показывает многообещающие результаты и даже превосходит традиционные клинические подходы.

Использование иммунотерапии в борьбе с раком

Опухолевые клетки прячутся от естественных защитных сил организма, что, как известно, затрудняет выявление и лечение рака. Опухолевые клетки блокируют естественный иммунный ответ организма, но иммунотерапия может снова разбудить его у некоторых пациентов. Проблема заключается в том, чтобы заранее определить, какие пациенты с наибольшей вероятностью ответят.

Одна из таких терапий, блокаторы иммунных контрольных точек (ICB), приказывает иммунным клеткам игнорировать любые приказы о выключении, отдаваемые раковыми клетками, пытающимися скрыться. Хотя это революционное открытие, только около трети больных раком реагируют на лечение.

Новая модель машинного обучения может сократить время до лечения, быстро определяя, какие пациенты с наибольшей вероятностью отреагируют на ICB, вместо текущего метода проб и ошибок. Эта модель также может помочь обеспечить своевременное лечение пациентов, которые, скорее всего, не ответят на лечение. Модель также может точно определить, почему эти две трети пациентов не реагируют.

См. также: ИИ может открыть новую эру клинических испытаний

Как работает модель машинного обучения

Машинное обучение исследует биомаркеры опухолей из образцов пациентов. Он исследует, как эти маркеры взаимодействуют с другими клетками, вызывая либо ответ на ICB, либо его отторжение. Оттуда машина может изучить образцы пациентов, чтобы определить, какие будущие пациенты несут те же биомаркеры, которые указывают на успех ICB.

Использование машинного обучения — не новый метод, но исследователи добавили небольшой трюк, чтобы решить постоянную проблему с доступом к данным. Хотя наборы данных секвенирования РНК широко доступны, наборы данных, специфичных для реакции рака, ограничены. Исследователи использовали несколько замещающих иммунных ответов. Вместе они могут указывать на положительный ответ ICB.

При тестировании с обнаружением текущего биомаркера модель работала лучше. Это также может быть полезно для определения того, какие маркеры наиболее важны для получения желаемого иммунного ответа. Это еще один шаг к созданию персонализированной медицины в сотрудничестве с врачами и медицинскими работниками.