ИИ-модель предсказывает успех иммунотерапии, сокращая время лечения рака

Новая модель машинного обучения может сократить время до лечения, быстро идентифицируя пациентов, наиболее вероятно отреагирующих на ICB, вместо текущего метода проб и ошибок.

Исследователи Эйндховенского технологического университета обращаются к машинному обучению, чтобы лучше предсказать, поможет ли конкретная иммунотерапия онкологическим пациентам. Модель в последней статье показывает обещание и даже превосходит традиционные клинические подходы до сих пор.

Использование иммунотерапии в борьбе с раком

Раковые клетки скрываются от естественных защит организма, делая рак неориентированно трудным для таргетинга и лечения. Раковые клетки блокируют естественный иммунный ответ организма, но иммунотерапия может разбудить его снова для некоторых пациентов. Проблема — обнаружить рано, какие пациенты наиболее вероятно отреагируют.

Одна такая терапия, иммунные чекпоинт-блокаторы (ICB), говорит иммунным клеткам игнорировать любые приказы о завершении работы, выпущенные раковыми клетками, пытающимися скрыться. Хотя это революционное открытие, только около трети онкологических пациентов отреагируют на лечение.

Новая модель машинного обучения может сократить время до лечения, быстро идентифицируя пациентов, наиболее вероятно отреагирующих на ICB, вместо текущего метода проб и ошибок. Эта модель также может помочь обеспечить, что пациенты, которые, вероятно, не отреагируют, получат своевременное лечение вместо. Модель может также раскрыть точно, почему те другие две трети пациентов не отреагируют.

Смотрите также: ИИ может открыть новую эру клинических испытаний

Как работает модель машинного обучения

Машинное обучение исследует биомаркеры опухолей из образцов пациентов. Оно исследует, как эти маркеры коммуницируют с другими клетками, вызывая либо ответ на ICB, либо отвергая его. Оттуда машина способна учиться на образцах пациентов для идентификации, какие будущие пациенты несут те же биомаркеры, указывающие на успех ICB.

Использование машинного обучения не новый метод, но исследователи добавили маленький трюк, чтобы разобрать постоянную проблему доступа к данным. Хотя датасеты RNA-секвенинга широко доступны, те, специфичные для ракового ответа, ограничены. Исследователи использовали несколько замещающих иммунных ответов. Вместе они могли указывать на позитивный ICB ответ.

Когда протестирована против текущего обнаружения биомаркеров, модель выполнила лучше. Она также могла быть полезна для идентификации, какие маркеры самые важные в получении желаемого иммунного ответа. Это еще шаг в доставке персонализированной медицины в партнерстве с врачами и zdravоохранительными профессионалами.