نموذج للذكاء الاصطناعي يمكن أن يساعد في تحديد مكان نشأة السرطان لدى المريض

يعاني الأطباء مع نسبة صغيرة من مرضى السرطان من تحديد مكان نشأة السرطان. وهذا يزيد من صعوبة اختيار العلاج لهؤلاء المرضى، لأن العديد من أدوية السرطان يتم تطويرها عادةً لأنواع محددة من السرطان.

إن النهج الجديد الذي طوره الباحثون في معهد ماساتشوستس للتكنولوجيا ومعهد دانا فاربر للسرطان قد يسهل تحديد المواقع الأصلية لتلك السرطانات الغامضة. باستخدام التعلم الآلي، أنشأ الباحثون نموذجًا حسابيًا يمكنه تحليل تسلسل حوالي 400 جين واستخدام تلك المعلومات للتنبؤ بمكان نشأة ورم معين في الجسم.

وباستخدام هذا النموذج، أظهر الباحثون أنهم قادرون على تصنيف ما لا يقل عن 40% من الأورام مجهولة المصدر بدقة وبثقة عالية، في مجموعة بيانات تضم حوالي 900 مريض. وقد أتاح هذا النهج زيادة بمقدار 2.2 ضعف في عدد المرضى الذين كان من الممكن أن يكونوا مؤهلين للحصول على علاج مستهدف موجه جينيًا، بناءً على مكان نشأة السرطان.

يقول Intae Moon، وهو طالب دراسات عليا في معهد ماساتشوستس للتكنولوجيا في الهندسة الكهربائية وعلوم الكمبيوتر: “كان هذا هو أهم اكتشاف في ورقتنا البحثية، وهو أن هذا النموذج يمكن استخدامه للمساعدة في اتخاذ قرارات العلاج، وتوجيه الأطباء نحو علاجات شخصية للمرضى الذين يعانون من سرطانات مجهولة المنشأ الأولي”.

نشأة السرطان الغامضة

في 3 إلى 5 بالمائة من مرضى السرطان، خاصة في الحالات التي تنتشر فيها الأورام في جميع أنحاء الجسم، لا يكون لدى أطباء الأورام طريقة سهلة لتحديد مكان نشأة السرطان. تصنف هذه الأورام على أنها سرطانات مجهولة المنشأ (CUP).

غالبًا ما يمنع هذا الأطباء من القدرة على إعطاء المرضى أدوية “دقيقة”، والتي تتم الموافقة عليها عادةً لأنواع معينة من السرطان حيث من المعروف أنها ستكون فعالة. تميل هذه العلاجات المستهدفة إلى أن تكون أكثر فعالية ولها آثار جانبية أقل من العلاجات المستخدمة لمجموعة واسعة من السرطانات، والتي توصف عادة لمرضى CUP.

يقول جوسيف: “يصاب عدد كبير من الأفراد بهذه السرطانات مجهولة الهوية كل عام، ونظرًا لأن معظم العلاجات تتم الموافقة عليها بطريقة خاصة بالموقع، حيث يتعين عليك معرفة الموقع الرئيسي لنشرها، فإن خيارات العلاج لديهم محدودة للغاية”. .

قرر مون تحليل البيانات الجينية التي يتم جمعها بشكل روتيني في دانا فاربر لمعرفة ما إذا كان من الممكن استخدامها للتنبؤ بنوع السرطان. تتكون البيانات من تسلسلات جينية لحوالي 400 جين غالبًا ما تتحور في السرطان. وقام الباحثون بتدريب نموذج للتعلم الآلي على بيانات من ما يقرب من 30 ألف مريض تم تشخيص إصابتهم بواحد من 22 نوعًا معروفًا من السرطان.

ثم اختبر الباحثون النموذج الناتج على حوالي 7000 ورم لم يروه من قبل، ولكن موقعه الأصلي كان معروفًا. وتمكن النموذج، الذي أطلق عليه الباحثون اسم OncoNPC، من التنبؤ بأصولهم بدقة تبلغ حوالي 80%. بالنسبة للأورام ذات التنبؤات عالية الثقة، والتي تشكل حوالي 65% من الإجمالي، ارتفعت دقتها إلى ما يقرب من 95%.

بعد هذه النتائج المشجعة، استخدم الباحثون النموذج لتحليل مجموعة من حوالي 900 ورم من مرضى CUP، وجميعهم من دانا فاربر. ووجدوا أنه بالنسبة لـ 40% من هذه الأورام، كان النموذج قادرًا على تقديم تنبؤات عالية الثقة.

ثم قارن الباحثون تنبؤات النموذج بتحليل السلالة الجرثومية، أو الطفرات الموروثة في مجموعة فرعية من الأورام مع البيانات المتاحة، والتي يمكن أن تكشف ما إذا كان المرضى لديهم استعداد وراثي لتطوير نوع معين من السرطان. ووجد الباحثون أن تنبؤات النموذج كانت أكثر احتمالا لمطابقة نوع السرطان الذي تنبأت به طفرات السلالة الجرثومية أكثر من أي نوع آخر من السرطان.

الاستفادة من نموذج الذكاء الاصطناعي في اختيار الأدوية

لمزيد من التحقق من صحة تنبؤات النموذج، قارن الباحثون البيانات المتعلقة بمدة بقاء مرضى CUP على قيد الحياة مع التشخيص النموذجي لنوع السرطان الذي تنبأ به النموذج. ووجدوا أن مرضى CUP الذين كان من المتوقع إصابتهم بالسرطان مع تشخيص سيئ، مثل سرطان البنكرياس، أظهروا فترات بقاء أقصر في المقابل. وفي الوقت نفسه، فإن مرضى CUP الذين كان من المتوقع إصابتهم بالسرطان الذي عادة ما يكون لديهم تشخيص أفضل، مثل أورام الغدد الصم العصبية، كان لديهم فترات بقاء أطول.

هناك إشارة أخرى إلى أن تنبؤات النموذج يمكن أن تكون مفيدة جاءت من خلال النظر في أنواع العلاجات التي تلقاها مرضى CUP الذين تم تحليلهم في الدراسة. وقد تلقى حوالي 10% من هؤلاء المرضى علاجًا مستهدفًا، بناءً على أفضل تخمينات أطباء الأورام حول مكان نشأة السرطان. ومن بين هؤلاء المرضى، كان أداء أولئك الذين تلقوا علاجًا يتوافق مع نوع السرطان الذي تنبأ به النموذج لهم أفضل من المرضى الذين تلقوا علاجًا يُعطى عادةً لنوع مختلف من السرطان عما تنبأ به النموذج لهم.

وباستخدام هذا النموذج، حدد الباحثون أيضًا 15% إضافية من المرضى (زيادة بمقدار 2.2 ضعفًا) الذين كان من الممكن أن يتلقوا علاجًا مستهدفًا موجودًا، إذا كان نوع السرطان لديهم معروفًا. وبدلاً من ذلك، انتهى الأمر بهؤلاء المرضى إلى تلقي المزيد من أدوية العلاج الكيميائي العامة.

ويأمل الباحثون الآن في توسيع نموذجهم ليشمل أنواعًا أخرى من البيانات، مثل صور علم الأمراض وصور الأشعة، لتوفير تنبؤ أكثر شمولاً باستخدام طرق بيانات متعددة. وهذا من شأنه أيضًا أن يوفر للنموذج منظورًا شاملاً للأورام، مما يمكنه من التنبؤ ليس فقط بنوع الورم ونتائج المريض، ولكن أيضًا بالعلاج الأمثل.