机器学习AI工具:帮助肿瘤学家做出更好的治疗决策

Broad研究所建立计算模型P-NET，通过分析前列腺癌相关的肿瘤数据进行深度学习训练，可预测前列腺癌患者的疾病状态，数据验证其准确率可达80%。将机器学习和已有肿瘤图谱信息关联起来辅助诊断，AI和生理医学结合可能是继阿尔法GO等多种AI软件之后的重要方向

　　

在治疗癌症患者时，肿瘤学家的目标是预测患者的病情进程，从而做出关键的治疗决定。了解肿瘤独特的分子特征可以帮助指导这些决定，为分辨癌症是生长缓慢、还是侵袭性强并且致命、是否会抵抗治疗提供线索。新的分子图谱技术已经产生了大量关于肿瘤的信息，但医生们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Broad研究所、哈佛大学和Dana-Farber癌症研究所的研究人员开发了一种新模型，可以区分致命的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特征。它还可以帮助临床医生预测前列腺癌患者的肿瘤是否会扩散到身体的其他部位，或者随着时间的推移是否会对治疗产生更大的耐药性。该模型被称为P-NET，还可以识别可能与疾病进展有关的分子特征、基因和生物途径。P-NET使用基于机器学习的算法来分析肿瘤已知的分子特征，分辨肿瘤是否是属于侵略性的、可能致命的类型、是否有扩散到身体的其他部位的迹象，还可以帮助癌症研究人员了解更多关于耐药疾病的生物学知识，并可能适用于其他癌症。该模型发表在《自然》杂志上。

该研究的资深作者、Broad的副教授、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这种状态相关”的能力，而且作为癌症研究人员，我们可以利用这个模型的可解释性来了解这些疾病状态的生物学。”

建立一个更好的模型

为了建立一个能够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，该模型具有定制的架构，与其他算法相比，可解释性更好。在深度学习模型中，多层神经网络以“像人类大脑一样的识别模式”从大数据集中“学习”。

使用这种方法，由Dana-Farber癌症研究所讲师、Broad研究所附属研究员、该研究的第一作者Haitham Elmarakeby领导的团队将相关的生物信息——比如已知的基因与代谢或信号通路之间的关系——添加到他们的模型中。然后，他们训练P-NET，利用1000多名前列腺癌患者的基因组序列和体细胞或非遗传突变等数据，预测肿瘤是否具有侵袭性。当研究小组用其他前列腺癌患者的数据测试他们的模型时，他们发现该模型正确地区分了80%的转移性肿瘤和原发的、进展较慢的肿瘤。这表明经过训练的模型能够对新数据执行相同的功能。

在按权重将相关基因和信号通路进行基于重要性的排序分析和验证P-NET的过程中，该团队还确定了MDM4基因可能与前列腺癌进展和耐药性有关。此前，科学家们认为该基因与其他癌症有关，但与前列腺癌无关。在与Broad研究所成员William Hahn的实验室合作中，该团队发现前列腺肿瘤细胞中MDM4过表达与耐药性有关。当他们使用基因编辑关闭该基因时，细胞增殖减少，这表明癌细胞可能对治疗更加敏感。这些结果表明，科学家可以重新利用抑制MDM4的药物来治疗前列腺肿瘤——目前有一些这类药物目前正在研究用于治疗其他癌症。

研究人员说，通过修饰，P-NET也可以帮助肿瘤学家预测其他癌症的疾病进展和治疗反应。“这种结构并不局限于前列腺癌，”Elmarakeby说。“我们的模式有很大的潜力，可以以不同的方式扩展。”P-NET将继续改进，他和他的团队正在将其他类型的数据——包括更多的遗传和成像数据——整合到模型中。他说:“这只是我们实现癌症生物学和机器学习融合的开始。”“我们相信，通过这种融合，我们可以真正为癌症患者提供更多的发现。”