Модель машинного обучения прогнозирует эффективность лечения рака молочной железы

На симпозиуме по раку молочной железы (SABCS), который проходил 10–13 декабря 2024 года в Сан-Антонио, учёные представили результаты исследования, проведённого в Мемориальном онкологическом центре Слоан Кеттеринг. Они разработали модель машинного обучения (ML), способную прогнозировать, у каких пациентов с метастатическим раком молочной железы (мРМЖ) добавление ингибиторов CDK4/6 к эндокринной терапии будет наиболее эффективным.

Ключевые результаты исследования

1. Превосходство мультимодальной модели ML:
   — Модель, включающая клинические и геномные данные, превзошла модели, основанные только на клинических или геномных признаках.
   — Она показала более высокую точность в прогнозировании результатов лечения у пациентов с HR-положительным, HER2-отрицательным мРМЖ.
2. Различия в ответах на лечение:
   — Педрам Разави, научный руководитель Глобальной исследовательской программы центра, отметил, что результаты лечения ингибиторами CDK4/6 сильно различаются. У некоторых пациентов наблюдается значительное улучшение, в то время как другие становятся резистентными к терапии, а у третьих лечение не приносит пользы.
3. Необходимость персонализированного подхода:
   — В клинике существует потребность в выявлении наиболее подходящих кандидатов для лечения ингибиторами CDK4/6. Это позволит избежать ненужных побочных эффектов, финансовой токсичности и разработать стратегии эскалации и деэскалации терапии.
4. Разработка модели ML:
   — Для создания модели использовалась платформа OncoCast-MPM, разработанная в Мемориальном онкологическом центре Слоан Кеттеринг. Модель прогнозирует выживаемость без прогрессирования (PFS) с ингибиторами CDK4/6, учитывая как клинические, так и геномные признаки.
5. Результаты тестирования:
   — Исследование включало обучение модели на когорте из 761 пациентки и тестирование на когорте из 326 пациентов. Модель продемонстрировала высокую точность в прогнозировании PFS и стратификации пациентов на группы риска.
6. Преимущества интегрированной модели:
   — Интегрированная модель ML показала более высокую стратификацию пациентов по сравнению с моделями, основанными только на клинических или геномных данных. Она выявила четыре группы риска, две из которых имеют промежуточные значения PFS.

Клинические и геномные предикторы

Модель ML определила ключевые клинические и геномные факторы, влияющие на исходы лечения. Среди клинических факторов выделяются метастазирование в печень, короткий интервал без лечения, негативная реакция на рецепторы прогестерона и наличие висцеральных метастазов. Геномные предикторы включают изменения в путях TP53, MYC, PTEN, RTK-MAPK, RB1 и другие.

Перспективы применения

Разави и его команда планируют интегрировать модель ML в разработку стратегий лечения и клинических испытаний. Это позволит более точно подбирать пациентов для терапии первой линии и мониторинга заболевания.

Ограничения исследования

Исследование имеет несколько ограничений, включая дизайн для одного учреждения и ретроспективный анализ данных. Для повышения достоверности результатов планируется проверка модели на внешних наборах данных и разработка онлайн-инструмента для врачей.

Заключение

Разработка модели машинного обучения для прогнозирования эффективности лечения рака молочной железы является важным шагом на пути к персонализированной медицине. Она может помочь врачам принимать более обоснованные решения и улучшить результаты лечения пациентов.

Запись Модель машинного обучения прогнозирует эффективность лечения рака молочной железы впервые появилась Medical Insider.