Nowe narzędzie sztucznej inteligencji może zaoszczędzić pacjentkom z rakiem piersi niepotrzebnej chemioterapii poprzez zastosowanie bardziej precyzyjnej metody przewidywania przebiegu ich choroby, od którego zależy dobór metody leczenia - wynika z artykułu opublikowanego w „Nature Medicine”.

Ocena tkanek wykonywana przez sztuczną inteligencję wypadła zdecydowanie lepiej niż ocena przeprowadzana przez doświadczonych patologów.

Rak piersi jest bardzo niejednorodną chorobą o zmiennych wynikach przeżycia. Obecnie, aby określić stopień złośliwości nowotworu i dobrać odpowiednią metodę terapii, patolodzy oceniają mikroskopowy wygląd tkanki piersi. Proces ten koncentruje się jednak wyłącznie na wyglądzie komórek nowotworowych i pozostaje w dużej mierze niezmieniony od dziesięcioleci. Omawiane badanie pokazuje natomiast, że wzorce komórek nienowotworowych są równie ważne w przewidywaniu wyników danej osoby, a obecnie zupełnie pomijane w procesie diagnostycznym.

Tymczasem precyzyjna identyfikacja grupy ryzyka, do jakiej należy konkretna pacjentka, i określenie jej szans na długoterminowe przeżycie determinują dobór czasu trwania i intensywność chemioterapii. To ważne, ponieważ chemioterapia wiąże się z nieprzyjemnymi i szkodliwymi skutkami ubocznymi.

„Nasze badanie pokazuje znaczenie czynników nienowotworowych w prognozowaniu wyniku leczenia pacjenta - mówi prof. Lee Cooper z Northwestern University, główny autor badania. - Ich rola była znana już wcześniej z badań biologicznych, ale wiedza ta nie została skutecznie przełożona na zastosowanie kliniczne”.

Wiele badań z zakresu biologii raka piersi wykazało, że komórki nienowotworowe, w tym komórki układu odpornościowego oraz komórki nadające kształt i strukturę tkance, mogą odgrywać ważną rolę w podtrzymywaniu lub hamowaniu rozwoju nowotworu.

Cooper i jego współpracownicy zbudowali więc model sztucznej inteligencji do oceny tkanki rakowej na podstawie wyglądu zarówno komórek nowotworowych, jak i nienowotworowych, a także interakcji między nimi.

„Ocena tych wzorców jest trudna dla patologa, ponieważ ludzkie oko może mieć trudności z ich wiarygodną kategoryzacją - wyjaśnia prof. Cooper. - Model sztucznej inteligencji mierzy je zaś szybko i przedstawia patologowi gotowe informacje w sposób, który sprawia, że proces decyzyjny staje się dla niego łatwiejszy”.

System AI analizuje 26 różnych właściwości tkanki piersi pacjentek w celu wygenerowania ogólnego wyniku prognostycznego. Dodatkowo prezentuje on wyniki uzyskane dla poszczególnych rodzajów komórek (np. nowotworowych, odpornościowych i zrębowych), aby wyjaśnić patologowi, jak powstała dana prognoza. To istotne, ponieważ np. u niektórych pacjentów korzystne rokowanie wynika z właściwości ich komórek odpornościowych, podczas gdy u innych z właściwości komórek nowotworowych. Informacje te mogą zostać wykorzystane przez zespół lekarski do tworzeniu zindywidualizowanego planu leczenia.

Wprowadzenie nowego modelu do praktyki klinicznej mogłoby - zdaniem autorów publikacji - zapewnić pacjentkom, u których zdiagnozowano raka piersi, dokładniejsze oszacowanie ryzyka związanego z chorobą, umożliwiając im podejmowanie świadomych decyzji dotyczących opieki klinicznej.

Dodatkowo model AI pomóc w ocenie odpowiedzi terapeutycznej, umożliwiając wydłużenie lub skrócenie leczenia w zależności od tego, jak mikroskopijny wygląd tkanki zmienia się w czasie.

„Mamy również nadzieję, że model ten pomoże zmniejszyć dysproporcje między pacjentami z dużych i mniejszych miejscowości - mówi prof. Cooper. - Ci ostatni bowiem często nie mają dostępu do patologa specjalizującego się w raku piersi, a nasz model sztucznej inteligencji może go zastąpić”.

Teraz naukowcy z tego samego zespołu pracują nad kolejnymi modelami stworzonymi do bardziej specyficznych typów raka piersi, takich jak rak potrójnie ujemny lub HER2-dodatni. Nowotwór ten obejmuje bowiem kilka różnych kategorii, a ważne wzorce tkanki mogą się między nimi dość mocno różnić.

„Poprawi to naszą zdolność przewidywania wyników i zapewni dalszy wgląd w biologię raka piersi” – podsumowuje prof. Cooper.(PAP)

Źródło: www.naukawpolsce.pap.pl | Katarzyna Czechowicz