Il modello offre approfondimenti attuabili per i medici, potrebbe aumentare le decisioni cliniche in aree con risorse limitate.
Genotipizzazione e sequenziamento del DNA. Un tecnico lava gli array utilizzati negli studi di associazione su tutto il genoma (GWAS). Foto illustrativa. Credito immagine: NCI
Un nuovo intelligenza artificiale Il modello progettato dai ricercatori della Harvard Medical School e della National Cheng Kung University di Taiwan potrebbe portare la chiarezza tanto necessaria ai medici che forniscono prognosi e decidono sui trattamenti per i pazienti con cancro del colon-retto, il secondo tumore più mortale al mondo.
Solo guardando le immagini dei campioni tumorali – rappresentazioni microscopiche delle cellule tumorali – il nuovo strumento prevede con precisione quanto sia aggressivo un tumore del colon-retto, quanto è probabile che il paziente sopravviva con e senza recidiva della malattia e quale potrebbe essere la terapia ottimale per loro.
Avere uno strumento che risponda a tali domande potrebbe aiutare medici e pazienti a destreggiarsi in questa malattia astuta, che spesso si comporta in modo diverso anche tra persone con profili di malattia simili che ricevono lo stesso trattamento e potrebbe in definitiva risparmiare parte del milione di vite che il cancro del colon-retto miete ogni anno .
Un rapporto sul lavoro del gruppo è pubblicato in Comunicazioni sulla natura.
I ricercatori affermano che lo strumento ha lo scopo di migliorare, non sostituire, l’esperienza umana.
“Il nostro modello esegue compiti che i patologi umani non possono svolgere sulla base della sola visualizzazione delle immagini”, ha affermato il co-senior dello studio autore Kun-Hsing Yu, assistente professore di informatica biomedica presso l’Istituto Blavatnik presso HMS. Yu ha guidato un team internazionale di patologi, oncologi, informatici biomedici e informatici.
“Ciò che prevediamo non è una sostituzione delle competenze di patologia umana, ma un aumento di ciò che i patologi umani possono fare”, ha aggiunto Yu. “Ci aspettiamo pienamente che questo approccio aumenti l’attuale pratica clinica della gestione del cancro”.
I ricercatori avvertono che la prognosi di ogni singolo paziente dipende da molteplici fattori e che nessun modello può prevedere perfettamente la sopravvivenza di un dato paziente. Tuttavia, aggiungono, il nuovo modello potrebbe essere utile per guidare i medici a seguire più da vicino, prendere in considerazione trattamenti più aggressivi o raccomandare studi clinici per testare terapie sperimentali se i loro pazienti hanno prognosi peggiori previste sulla base della valutazione dello strumento.
Lo strumento potrebbe essere particolarmente utile in aree con risorse limitate sia in questo paese che in tutto il mondo, dove la patologia avanzata e il sequenziamento genetico del tumore potrebbero non essere prontamente disponibili, hanno osservato i ricercatori.
Il nuovo strumento va oltre molti strumenti di intelligenza artificiale attuali, che eseguono principalmente attività che replicano o ottimizzano le competenze umane. Il nuovo strumento, al confronto, rileva e interpreta modelli visivi su immagini al microscopio che sono indistinguibili dall’occhio umano.
Lo strumento, chiamato MOMA (per Multi-omics Multi-cohort Assessment) lo è liberamente disponibile a ricercatori e clinici.
Ampia formazione e test
Il modello è stato addestrato sulle informazioni ottenute da quasi 2.000 pazienti con cancro del colon-retto provenienti da diverse coorti nazionali di pazienti che insieme comprendono più di 450.000 partecipanti: il Studio di follow-up degli operatori sanitariIL Studio sulla salute degli infermieriIL Programma Atlante del genoma del cancroe gli NIH PLCO Prova di screening del cancro (prostata, polmone, colorettale e ovarico).
Durante la fase di addestramento, i ricercatori hanno fornito al modello informazioni sull’età, il sesso, lo stadio del cancro e gli esiti dei pazienti. Gli hanno anche fornito informazioni sui profili genomici, epigenetici, proteici e metabolici dei tumori.
Quindi i ricercatori hanno mostrato al modello immagini patologiche di campioni tumorali e gli hanno chiesto di cercare marcatori visivi relativi a tipi di tumore, mutazioni genetiche, alterazioni epigenetiche, progressione della malattia e sopravvivenza del paziente.
I ricercatori hanno quindi testato come il modello potrebbe funzionare nel “mondo reale” alimentandolo con una serie di immagini che non aveva mai visto prima di campioni tumorali di diversi pazienti. Hanno confrontato le sue prestazioni con i risultati effettivi del paziente e altre informazioni cliniche disponibili.
Il modello ha predetto con precisione la sopravvivenza globale dei pazienti dopo la diagnosi, nonché quanti di quegli anni sarebbero stati liberi dal cancro.
Lo strumento ha anche previsto con precisione come un singolo paziente potrebbe rispondere a diverse terapie, a seconda che il tumore del paziente ospitasse specifiche mutazioni genetiche che rendevano il cancro più o meno incline alla progressione o alla diffusione.
In entrambe queste aree lo strumento ha superato i patologi umani e gli attuali modelli di intelligenza artificiale.
I ricercatori hanno affermato che il modello subirà un aggiornamento periodico man mano che la scienza si evolve e emergono nuovi dati.
“È fondamentale che con qualsiasi modello di intelligenza artificiale ne monitoriamo continuamente il comportamento e le prestazioni perché potremmo vedere cambiamenti nella distribuzione del carico di malattia o nuove tossine ambientali che contribuiscono allo sviluppo del cancro”, ha affermato Yu. “È importante aumentare il modello con nuovi e più dati man mano che arrivano, in modo che le sue prestazioni non restino mai indietro”.
Modelli rivelatori perspicaci
Il nuovo modello sfrutta i recenti progressi nelle tecniche di imaging dei tumori che offrono livelli di dettaglio senza precedenti, che tuttavia rimangono indistinguibili per i valutatori umani. Sulla base di questi dettagli, il modello ha identificato con successo gli indicatori di quanto fosse aggressivo un tumore e quanto fosse probabile che si comportasse in risposta a un particolare trattamento.
Basandosi solo su un’immagine, il modello ha anche individuato le caratteristiche associate alla presenza o all’assenza di specifiche mutazioni genetiche, qualcosa che in genere richiede il sequenziamento genomico del tumore. Il sequenziamento può richiedere molto tempo e denaro, in particolare per gli ospedali in cui tali servizi non sono regolarmente disponibili.
È proprio in tali situazioni che il modello potrebbe fornire un supporto decisionale tempestivo per la scelta del trattamento in contesti con risorse limitate o in situazioni in cui non è disponibile tessuto tumorale per il sequenziamento genetico, hanno affermato i ricercatori.
I ricercatori hanno affermato che prima di implementare il modello per l’uso in cliniche e ospedali, dovrebbe essere testato in uno studio prospettico randomizzato che valuti le prestazioni dello strumento nei pazienti reali nel tempo dopo la diagnosi iniziale. Uno studio del genere fornirebbe la dimostrazione standard delle capacità del modello, ha affermato Yu, confrontando direttamente le prestazioni reali dello strumento utilizzando solo immagini con quelle dei medici umani che utilizzano conoscenze e risultati dei test a cui il modello non ha accesso.
Un altro punto di forza del modello, hanno affermato i ricercatori, è il suo ragionamento trasparente. Se un clinico che utilizza il modello chiede perché ha fatto una data previsione, lo strumento sarebbe in grado di spiegare il suo ragionamento e le variabili che ha utilizzato.
Questa caratteristica è importante per aumentare la fiducia dei medici nei modelli di intelligenza artificiale che utilizzano, ha affermato Yu.
Misurazione della progressione della malattia, trattamento ottimale
Il modello ha individuato con precisione le caratteristiche dell’immagine relative alle differenze nella sopravvivenza.
Ad esempio, ha identificato tre caratteristiche dell’immagine che facevano presagire risultati peggiori:
- Maggiore densità cellulare all’interno di un tumore.
- La presenza di tessuto connettivo di supporto attorno alle cellule tumorali, noto come stroma.
- Interazioni di cellule tumorali con cellule muscolari lisce.
Il modello ha anche identificato modelli all’interno dello stroma tumorale che indicavano quali pazienti avevano maggiori probabilità di vivere più a lungo senza recidiva del cancro.
Lo strumento ha anche previsto con precisione quali pazienti trarrebbero beneficio da una classe di trattamenti antitumorali noti come inibitori del checkpoint immunitario. Sebbene queste terapie funzionino in molti pazienti con cancro al colon, alcune non presentano alcun beneficio misurabile e hanno gravi effetti collaterali. Il modello potrebbe quindi aiutare i medici a personalizzare il trattamento e risparmiare i pazienti che non ne trarrebbero beneficio, ha affermato Yu.
Il modello ha anche rilevato con successo i cambiamenti epigenetici associati al cancro del colon-retto. Questi cambiamenti – che si verificano quando le molecole note come gruppi metilici si attaccano al DNA e alterano il comportamento del DNA – sono noti per mettere a tacere i geni che sopprimono i tumori, provocando una rapida crescita dei tumori. La capacità del modello di identificare questi cambiamenti segna un altro modo in cui può informare la scelta del trattamento e la prognosi.
Da un’altra testata giornalistica news de www.europeantimes.news
