Τα κύτταρα και οι ιστοί που περιβάλλουν έναν όγκο καρκίνου του μαστού μπορεί να περιέχουν κρίσιμες πληροφορίες σχετικά με το πώς οι ασθενείς θα ανταποκριθούν στη θεραπεία, σύμφωνα με νέα μελέτη του Πανεπιστημίου Johns Hopkins.

Η έρευνα αποτελεί ένα σημαντικό βήμα προς την ανάπτυξη εργαλείων τεχνητής νοημοσύνης που θα μπορούσαν να βοηθήσουν τους ογκολόγους να προσδιορίσουν με μεγαλύτερη ακρίβεια τις προγνώσεις και να αποφασίσουν ποιες θεραπείες μπορεί να είναι πιο αποτελεσματικές κατά περίπτωση.

Βασικά σημεία

Τα καρκινικά και μη καρκινικά κύτταρα που περιβάλλουν έναν όγκο αποτελούν το μικροπεριβάλλον του.

Οι ερευνητές ανέπτυξαν ένα εργαλείο τεχνητής νοημοσύνης που θα μπορούσε να αναλύσει εκατοντάδες μικροπεριβάλλοντα όγκων καρκίνου του μαστού και να ανιχνεύσει επαναλαμβανόμενα μοτίβα.

Ασθενείς με παρόμοια μικροπεριβάλλοντα όγκων είχαν συχνά παρόμοια προγνωστικά αποτελέσματα.

«Όταν μπορούμε να εντοπίσουμε επαναλαμβανόμενα στοιχεία στα μικροπεριβάλλοντα – καρκινικά κύτταρα, συγκεκριμένους τύπους μη καρκινικών κυττάρων και τα πρότυπα χωρικής οργάνωσής τους – είναι σαν μικρές σημαίες που λένε: «Στρέψτε την προσοχή σας εδώ, μπορεί να είμαστε σημαντικοί», δήλωσε ο επικεφαλής συγγραφέας Jeremias Sulam , επίκουρος καθηγητής βιοϊατρικής μηχανικής που μελετά τη μηχανική μάθηση στο Πανεπιστήμιο Johns Hopkins. «Η μελέτη μας αφορά τον εντοπισμό προτύπων και βιοδεικτών που θα μπορούσαν να μας βοηθήσουν να κατανοήσουμε πώς εξελίσσεται η ασθένεια».

Η έρευνα παρουσιάστηκε στο εξώφυλλο του τεύχους Μαρτίου του περιοδικού Patterns. Ενώ οι ερευνητές τόνισαν ότι η τεχνολογία απέχει ακόμη αρκετό χρόνο από την άμεση βελτίωση της φροντίδας των ασθενών, δήλωσαν ότι είναι πολλά υποσχόμενη για τη βελτίωση των θεραπειών για τον καρκίνο του μαστού.

Για να κατανοήσουν καλύτερα το περιβάλλον των όγκων, οι ερευνητές δημιούργησαν ένα ερμηνεύσιμο μοντέλο μηχανικής μάθησης που ανέλυε εικόνες μικροσκοπικών ιστών και δειγμάτων βιοψίας από 579 ασθενείς με καρκίνο του μαστού που υποβάλλονταν σε τυπικές θεραπείες όπως η χημειοθεραπεία. Το μοντέλο αναζήτησε μοτίβα στον ιστό εντός και γύρω από τους όγκους, σημειώνοντας τη θέση κάθε κυττάρου σε σχέση με τους όγκους και τις αλληλεπιδράσεις τους με άλλα γειτονικά κύτταρα.

«Η μελέτη μας αφορά τον εντοπισμό μοτίβων και βιοδεικτών που θα μπορούσαν να μας βοηθήσουν να κατανοήσουμε πως εξελίσσεται η νόσος».

Ο αλγόριθμος βρήκε 66 διακριτά κυτταρικά μοτίβα στα μικροπεριβάλλοντα του όγκου και ομαδοποίησε ασθενείς με παρόμοια μοτίβα σε επτά ομάδες, μερικές από τις οποίες κατέληξαν να έχουν καλύτερα προγνωστικά αποτελέσματα από άλλες.

Οι ασθενείς στην ομάδα με τα καλύτερα αποτελέσματα επιβίωσης είχαν ένα κοινό χαρακτηριστικό: ένα μείγμα τριών διαφορετικών κυττάρων (CK8-18high, CXCL12high και CK+CXCL12+). Εν τω μεταξύ, οι ασθενείς με αυτοσυσσωματωμένα καρκινικά κύτταρα HER2+ είχαν τα χειρότερα αποτελέσματα θεραπείας – κάτι που δεν αποτελεί έκπληξη αλλά είναι καθησυχαστικό, ανέφεραν οι ερευνητές, επειδή το γονίδιο HER2 έχει συσχετιστεί με επιθετικούς καρκίνους του μαστού και χαμηλά ποσοστά επιβίωσης.

Οι ασθενείς με τριπλά αρνητικό καρκίνο του μαστού που είχαν παρόμοιο μοτίβο καλά οργανωμένων ανοσοκυττάρων που περιβάλλουν τους όγκους τους είχαν καλύτερα ποσοστά επιβίωσης από άλλες με την ίδια νόσο. Τα ευρήματα υποδηλώνουν ότι μπορεί να υπάρχουν κρίσιμες πληροφορίες σε αυτά τα μοτίβα που οι ογκολόγοι θα μπορούσαν να χρησιμοποιήσουν για προγνώσεις, ανέφεραν οι ερευνητές.

Επειδή οι ερευνητές ανέπτυξαν ένα ερμηνεύσιμο μοντέλο μηχανικής μάθησης, ήταν σε θέση να προσδιορίσουν τα συγκεκριμένα στοιχεία που αποτελούσαν τα μοτίβα στα μικροπεριβάλλοντα.

Οι περισσότεροι σύγχρονοι αλγόριθμοι είναι σαν μαύρα κουτιά — μπορούν να ομαδοποιήσουν ή να ταξινομήσουν δεδομένα, αλλά είναι δύσκολο να ερμηνευθούν και δεν μπορούν να σας πουν ποια μέρη των δεδομένων καθοδηγούν τις αποφάσεις του αλγορίθμου, ανέφεραν οι ερευνητές. Είναι σαν να ρίχνεις ένα σωρό υλικά σούπας σε μια κατσαρόλα και να μην ξέρεις ποια είναι τα πιο σημαντικά για τη γεύση. Αυτή η νέα μεθοδολογία επέτρεψε στους ερευνητές να επιστρέψουν στα αποτελέσματα και να εντοπίσουν ακριβώς ποια χαρακτηριστικά επηρεάζουν τα αποτελέσματα.

«Αναπτύσσουμε μια εργαλειοθήκη που μπορείτε να χρησιμοποιήσετε οποτεδήποτε έχετε ένα τεράστιο σύνολο δεδομένων και δεν θέλετε να ξεκινήσετε με μια σαφή υπόθεση», δήλωσε ο πρώτος συγγραφέας Zhenzhen Wang, υποψήφιος διδάκτορας βιοϊατρικής μηχανικής στο Πανεπιστήμιο Johns Hopkins. «Συνήθως, θα πρέπει να σχεδιάσετε μια μελέτη για να ρωτήσετε εάν ένα συγκεκριμένο μοτίβο κυττάρων είναι σημαντικό και να ελέγξετε αν η απάντηση είναι ναι ή όχι. Αλλά με το μοντέλο μας, μπορούμε να εξοικονομήσουμε χρόνο θέτοντας ανοιχτές ερωτήσεις σχετικά με το ποια μοτίβα είναι σημαντικά όταν προσπαθούμε να κατανοήσουμε πώς οι ασθενείς θα ανταποκριθούν στη θεραπεία ή θα έχουν καλύτερες [πιθανότητες] επιβίωσης».

Ο Sulam πρόσθεσε: «Μόλις εντοπίσουμε τα μοτίβα, οι ογκολόγοι και οι επιστήμονες υγρών εργαστηρίων μπορούν να παρακολουθήσουν για να δουν ποιοι μηχανισμοί θα μπορούσαν να κρύβονται πίσω από αυτά τα μοτίβα, κάτι που θα μπορούσε με τη σειρά του να δώσει οδηγίες για το πώς να παρέμβουμε με μια πιο στοχευμένη θεραπεία».

Στο μέλλον, η ερευνητική ομάδα σχεδιάζει να χρησιμοποιήσει αυτήν τη μεθοδολογία για άλλους τύπους τεχνολογιών απεικόνισης και να εντοπίσει παράγοντες που προκαλούν άλλους τύπους καρκίνου.

Άλλοι συγγραφείς περιλαμβάνουν τον Cesar Santa-Maria , αναπληρωτή καθηγητή ογκολογίας, και τον Aleksander Popel, καθηγητή βιοϊατρικής μηχανικής και ογκολογίας, και οι δύο από την Ιατρική Σχολή του Πανεπιστημίου Johns Hopkins.

Το έργο χρηματοδοτήθηκε από την επιχορήγηση R01CA138264 των Εθνικών Ινστιτούτων Υγείας και το βραβείο NCF CAREER Award CCF 2239787.

Πηγή: www.hub.jhu.edu