Il Koch Institute for Integrative Cancer Research del MIT e del Massachusetts General Hospital (MGH) ha implementato un sistema deep learning per valutare i geni in modi molto specifici per trovare il miglior piano di trattamento per i pazienti affetti da tumore. Le espressioni geniche trovate nella differenziazione e nello sviluppo precoce delle cellule potrebbero essere la chiave per identificare tumori difficili da diagnosticare. I risultati sono stati pubblicati su Cancer Discovery.
Quando a un paziente viene diagnosticato per la prima volta il cancro, gli oncologi tentano di individuare dove ha avuto origine. Se il clinico non è in grado di determinare il punto iniziale, i medici iniziano con terapie non mirate, che spesso producono bassi tassi di sopravvivenza del paziente.
“A volte si possono applicare tutti gli strumenti che i patologi hanno da offrire e rimanere senza una risposta. Strumenti di apprendimento automatico come questo potrebbero consentire agli oncologi di scegliere trattamenti più efficaci e dare più indicazioni ai loro pazienti”, ha dichiarato Salil Garg, patologo presso MGH e ricercatore clinico presso il Koch Institute, principale autore dello studio
Con l’AI diagnosi più precise
Lo sviluppo di un modello di apprendimento automatico che tenga conto delle differenze tra cellule normali e sane, insieme alle caratteristiche di varie forme di cancro, può essere impegnativo. Un modello complesso con un sovraccarico di caratteristiche di espressione genica del cancro può bloccarsi quando si acquisiscono nuovi dati, anche se sembra che li stia acquisendo. L’eccessiva semplificazione del modello potrebbe portare a diagnosi imprecise dei tipi di cancro.
Il dottor Garg e il suo team hanno ristretto le loro ricerche sui segni di percorsi di sviluppo alterati nelle cellule tumorali. Hanno usato i dati di due robusti atlanti cellulari per identificare le correlazioni tra cellule embrionali e tumorali. Il Mouse Organogenesis Cell Atlas ha esaminato 56 traiettorie distinte di cellule embrionali. L’Atlante del genoma del cancro ha profilato 33 tipi di tumori.
I dati correlativi sono stati poi utilizzati nel loro modello di apprendimento automatico chiamato Developmental Multilayer Perceptron (D-MLP), che ha analizzato il tumore e ne ha previsto l’origine. L’algoritmo è stato utilizzato su 52 nuovi campioni. La piattaforma è stata in grado di classificare i tipi di cancro in quattro categorie, che possono essere di aiuto nella diagnosi e nei piani di trattamento del paziente.
In futuro, gli scienziati prevedono di utilizzare dati aggiuntivi dall’imaging tumorale, dalla microscopia e dalla radiologia per migliorare ulteriormente il modello predittivo per trattamenti medici personalizzati per i malati di cancro.
