机器学习工具可以帮助肿瘤学家做出更好的治疗决策

在治疗癌症患者时，肿瘤学家旨在预测患者的病程，以做出关键的治疗决策。了解肿瘤独特的分子特征可以通过提供有关癌症是生长缓慢、侵袭性和致命性还是会抵抗治疗的线索来帮助指导这些决定。新的分子分析技术产生了大量关于肿瘤的信息，但医生一直在努力将所有这些数据转化为有意义的预后。

麻省理工学院和哈佛大学布罗德研究所以及丹娜—法伯癌症研究所的研究人员开发了一种新模型，可以区分致死性前列腺癌和不太可能引起症状或死亡的前列腺癌的基因组谱。它还可以帮助临床医生预测前列腺癌患者的肿瘤是否随着时间的推移，会扩散到身体的其他部位或变得对治疗更具抵抗力。该模型称为 P-NET，还可以识别可能与疾病进展相关的分子特征、基因和生物学途径。P-NET 使用基于机器学习的算法来分析肿瘤的已知分子特征，并指示肿瘤是否已经或可能会扩散到身体的不同部位——这是一种侵袭性和潜在致命癌症的迹象。该模型发表在Nature 上，还可以帮助癌症研究人员更多地了解耐药性疾病的生物学，并且可以推广到其他癌症。

该研究的资深作者、Broad 的副成员、Dana-Farber 癌症研究所和哈佛医学院的副教授 Eliezer (Eli) Van Allen 说，P-NET 不仅仅是为患者提供预后。“我们不仅提高了预测癌症是否会转移以及哪些基因可能与该状态相关的能力，而且作为癌症研究人员，我们可以利用该模型的可解释性来了解这些疾病状态的生物学， “ 他说。

构建更好的模型

为了构建一个可以区分早期和晚期前列腺癌肿瘤的模型，研究人员开发了一种专门的深度学习模型，与其他算法相比，该模型具有自定义架构和改进的可解释性。在深度学习模型中，多层神经网络从大型数据集中“学习”以识别模式，就像人脑一样。

使用这种方法，由丹娜—法伯癌症研究所讲师、Broad 的附属研究员、该研究的第一作者 Haitham Elmarakeby 领导的团队直接编码生物信息，例如基因与代谢或信号通路之间的已知关系。进入他们的模型。然后，他们训练 P-NET 使用来自 1,000 多名前列腺癌患者的基因组序列和体细胞或非遗传性突变等数据来预测肿瘤是否具有侵袭性。当该团队根据来自其他前列腺癌患者的数据测试他们的模型时，他们发现它可以正确地区分 80% 的转移性肿瘤与原发的、不太晚期的肿瘤。这表明经过训练的模型能够对新数据执行相同的功能。

标签：