AI segítség a daganatkezelés megkezdéséhez

A University of California San Diego kutatóinak a Journal of Clinical Oncology folyóiratban július 31-én megjelent cikke egy olyan mesterséges intelligencia alapú eszközcsaládot kifejlesztéséről ad hírt, amely lehetővé teszi a klinikailag alkalmazható genomikai elváltozások gyors és olcsó kimutatását közvetlenül a daganatokból vett biopsziás mintákból. A DeepHRD nevű eszközzel a szerzők szerint értékes heteket, illetve betegenként több ezer dollárt lehet megtakarítani emlő- és petefészekrák esetében. A kutatók további célja olyan új mesterséges intelligencia alapú eszközök kifejlesztése, amelyek kiegészíthetik vagy helyettesíthetik a drága és időigényes genomikai vizsgálatokat, amelyek az egyes betegek számára specifikusan a legjobb első vonalbeli terápia meghatározásához szükségesek.

“Egy rákos beteg ma arra számíthat, hogy az első tumordiagnózis után hosszú heteket kell várnia egy standard genomikai tesztre, ami életveszély, hiszen késedelmet okoz a terápia megkezdésében” - nyilatkozta Ludmil Alexandrov, a cikk első szerzője. “Nagyon aggasztó, hogy a magas költségek és az időbeli késedelmek miatt a legtöbb beteg számára elérhetetlenné válnak az életmentő kezelési protokollok, ami ezek következtében ráadásul aránytalanul nagy hatással lesz az amúgy is szűkös erőforrásokkal rendelkező egészségügyi ellátórendszerre.”

“Sajnos a magas költségek és a lassú átfutási idő akadályozza a precíziós onkológia széles körű alkalmazását, ami a rákos betegek számára azt is jelenti, hogy nem optimális - potenciálisan káros - kezelésekben részesülhetnek” - fejtette ki Erik Bergstrom, a tanulmány egyik társszerzője. “A mostani kutatás során arra voltunk kíváncsiak, hogy ki tudunk-e dolgozni egy teljesen más megközelítést ennek a súlyos problémának a megoldására azáltal, hogy olyan mesterséges intelligencia alapú módszert tervezünk, amelynek alkalmazásával megkerülhetővé válnak a genomikai vizsgálatok.”

A kutatók alapötlete az volt, hogy a diagnosztikai folyamat korai szakaszában kihasználják a rendelkezésre álló minimális beteginformációkat. Ez azért lehetséges, mert gyakorlatilag minden rákos betegnél végeznek tumorbiopsziát, azaz szövetminta levételére kerül sor, amelyet rutinszerűen feldolgoznak és fénymikroszkópon keresztül vizsgálnak. Ezt az eljárást a 19. század végén fejlesztették ki, és ma is a korai klinikai onkológiai munkafolyamatok gerincét képezi.

“A hagyományos mintákon közvetlenül alkalmazható mesterséges intelligencia alapú algoritmusunk lehetővé teszi a rák genomikus biomarkereinek pontos, azonnali kimutatását” - foglalta össze a fejlesztés lényegét Bergstrom. A kutatók az algoritmus létrehozásakor kizárólag a homológ rekombinációs hiány (HRD; homologous recombination deficiency) specifikus biomarkerének mesterséges intelligencia általi azonosítására összpontosítottak. A HRD egy olyan állapot, amelyben a rákos sejt elveszíti egy specifikus DNS-károsodást javító mechanizmusát.

Ez azért fontos, mert a HRD-t hordozó petefészek- vagy emlőrákos betegek általában jól reagálnak a platina- és PARP (poli-ADP ribóz-polimeráz) terápiákra, a kemoterápia két gyakran alkalmazott formájára.

”Mesterséges intelligencia alapú megközelítésünk ezért értékes, kritikus időt takarít meg a beteg számára” - tette hozzá Alexandrov. “Az onkológusok a kezdeti szövettani vizsgálat után azonnal felírhatják a kezelést. Figyelemre méltó, hogy az AI-tesztnek elhanyagolható a hibaaránya, míg a jelenlegi genomikai teszteknél ez 20-30 százalékos, ami újbóli vizsgálatot, vagy akár újbóli invazív biopsziát tesz szükségessé.”

A precíziós onkológia korszaka az Egyesült Államokban az 1990-es évek végén indult el, de a legújabb amerikai tanulmányok azt mutatják, hogy a rákos betegek túlnyomó többsége nem részesül az FDA által jóváhagyott precíziós terápiában. Ennek elsődleges oka az, hogy nem végzik el időben, vagy egyáltalán nem végzik el ezeket a teszteket, így a most leírt AI-alapú megközelítés jelentősen kiszélesítheti a precíziós onkológiai kezelésben részesülők körét, különösen, hogy a szerzők szerint a technológia a legtöbb más genomikus biomarkerre és a rák számos formájára is alkalmazható lesz.

Írásunk az alábbi közlemények alapján készült:

AI tool 'DeepHRD' accelerates cancer treatment decisions

Deep Learning Artificial Intelligence Predicts Homologous Recombination Deficiency and Platinum Response From Histologic Slides

Irodalmi hivatkozás:

Erik N. Bergstrom et al, Deep Learning Artificial Intelligence Predicts Homologous Recombination Deficiency and Platinum Response From Histologic Slides, Journal of Clinical Oncology (2024). DOI: 10.1200/JCO.23.02641