Nature Medicine：人工智慧模型可以幫助確定患者的癌症發生在哪裡

（示意圖/取自pixabay）

對於一小部分癌症患者，醫生無法確定他們的癌症起源於何處，這使得為這些患者選擇治療方法變得更加困難，因為許多癌症藥物通常是針對特定癌症類型開發的。

麻省理工學院(MIT)和丹娜法伯癌症研究所(Dana-Farber Cancer Institute)的研究人員開發的一種新方法，可能會讓人們更容易確定這些神秘癌症的起源位置。

利用機器學習，研究人員創建了一個運算模型，可以分析大約400個基因的序列，並利用這些資訊來預測給定腫瘤在體內的起源位置。

使用這個模型，研究人員表明，在大約900名患者的數據集中，他們可以準確地對至少40%的未知來源的腫瘤進行高可信度的分類。

這種方法使有資格接受基因組指導的靶向治療的患者數量增加了2.2倍，這是基於他們的癌症起源。

「這是我們論文中最重要的發現，這個模型可以潛在地用於幫助治療決策，指導醫生對原發不明的癌症患者進行個性化治療。」麻省理工學院電子工程和電腦科學研究生Intae Moon說，他是這項新研究的主要作者。

哈佛醫學院和丹娜-法伯癌症研究所的醫學副教授亞古謝夫(Alexander Gusev)是這篇發表在《自然醫學》雜誌上的論文的資深作者。

神秘的起源

在3%到5%的癌症患者中，特別是那些腫瘤已經全身轉移的患者，腫瘤學家沒有一種簡單的方法來確定癌症的起源。這些腫瘤被歸類為未知原位癌(CUP)。

這種知識的缺乏常常使醫生無法給病人提供「精確」的藥物，這些藥物通常被批准用於已知有效的特定癌症類型。

這些靶向治療往往比用於廣泛癌症的治療更有效、副作用更少，這些治療通常用於CUP患者。

Gusev說：「每年都有相當多的人患上這些原發不明的癌症，因為大多數治療方法都是以特定部位的方式獲得批准的，你必須知道原發部位才能使用它們，所以它們的治療選擇非常有限。」

穆恩是電腦科學與人工智慧實驗室（Computer Science and Artificial Intelligence Laboratory）的下屬機構，他與古謝夫共同擔任顧問。

穆恩決定分析丹娜-法伯醫院例行收集的基因數據，看看它是否可以用來預測癌症類型，這些數據包括大約400個基因的基因序列，這些基因在癌症中經常發生突變。

研究人員根據近3萬名被診斷患有22種已知癌症類型之一的患者數據，訓練了一個機器學習模型，這組數據包括來自紀念史隆·凱特琳癌症研究中心和范德比爾特-英格拉姆癌症中心以及丹娜-法伯的患者。

然後，研究人員在大約7000個以前從未見過的腫瘤上測試了這個模型，這些腫瘤的起源位置是已知的，研究人員將該模型命名為OncoNPC，該模型能夠預測它們的起源，準確率約為80%。

對於高可信度預測的腫瘤(約佔總數的65%)，其準確率上升到大約95%。

在這些令人鼓舞的結果之後，研究人員使用該模型分析了大約900例CUP患者的腫瘤，這些腫瘤都來自達納-法伯。

他們發現，對於其中40%的腫瘤，該模型能夠做出高可信度的預測。

然後，研究人員將該模型的預測與現有數據中對腫瘤子集的種系或遺傳突變的分析進行了比較，這可以揭示患者是否具有遺傳易感性，從而患上某種特定類型的癌症。

研究人員發現，與任何其他類型的癌症相比，該模型的預測更有可能與生殖系突變最強烈預測的癌症類型相匹配。

指導藥物決策

為了進一步驗證模型的預測，研究人員將CUP患者的生存時間數據與模型預測的癌症類型的典型預後進行了比較。

他們發現，被預測患有預後較差的癌症(如胰腺癌)的CUP患者的生存時間相應較短；與此同時，預測患有通常預後較好的癌症(如神經內分泌腫瘤)的CUP患者的生存時間更長。

該模型的預測可能有用的另一個跡象，來自研究中分析的CUP患者接受的治療類型，根據腫瘤學家對癌症起源的最佳猜測，這些患者中約有10%接受了標靶治療。

在這些患者中，那些接受了與模型預測的癌症類型一致的治療的患者，比那些接受了與模型預測的癌症類型不同的典型治療的患者表現得更好。

利用這個模型，研究人員還確定了另外15%的患者(增加2.2倍)，如果他們的癌症類型已知，他們本可以接受現有的靶向治療；相反，這些患者最終接受了更普通的化療藥物。

「這可能使這些發現更具臨床可操作性，因為我們不需要新藥獲得批准，我們要說的是，這些人現在可以接受已經存在的精確治療。」Gusev說。

研究人員現在希望擴展他們的模型，包括其他類型的數據，如病理圖像和放射學圖像，以使用多種數據模式提供更全面的預測。

這也將為該模型提供腫瘤的全面視角，使其不僅能夠預測腫瘤的類型和患者的預後，甚至可能預測最佳治療方案。