Tumore colon: intelligenza artificiale prevede sopravvivenza e risposta al trattamento

 

 

Il modello offre informazioni fruibili per i medici e potrebbe aumentare le decisioni cliniche in aree con risorse limitate.

 

Un nuovo modello di intelligenza artificiale progettato dai ricercatori della Harvard Medical School e della National Cheng Kung University di Taiwan potrebbe portare la necessaria chiarezza ai medici che forniscono prognosi e decidono i trattamenti per i pazienti con cancro del colon-retto, il secondo cancro più mortale in tutto il mondo.

Esclusivamente osservando le immagini di campioni tumorali – rappresentazioni microscopiche di 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 navigare in questa astuta malattia, che spesso si comporta in modo diverso anche tra persone con profili di malattia simili che ricevono lo stesso trattamento – e potrebbe alla fine risparmiare alcune delle oltre un milione di vite che il cancro del colon-retto rivendica ogni anno.

Un rapporto sul lavoro del team è pubblicato il 13 aprile su Nature Communications.

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 basandosi solo sulla visualizzazione delle immagini”, ha detto l’autore co-senior dello studio Kun-Hsing Yu, assistente professore di informatica biomedica presso l’Istituto Blavatnik di HMS. Yu ha guidato un team internazionale di patologi, oncologi, informatici biomedici e informatici.

“Quello 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 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 determinato 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 che testano terapie sperimentali se i loro pazienti hanno prognosi peggiori in base alla 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 compiti che replicano o ottimizzano le competenze umane.

Il nuovo strumento, per confronto, rileva e interpreta modelli visivi su immagini al microscopio che sono indiscernibili per l’occhio umano.

Lo strumento, chiamato MOMA (Multi-omics Multi-cohort Assessment) è liberamente disponibile per ricercatori e clinici.

Il modello è stato addestrato su informazioni ottenute da quasi 2.000 pazienti con cancro del colon-retto da diverse coorti di pazienti nazionali che insieme includono più di 450.000 partecipanti: lo studio di follow-up dei professionisti della salute, lo studio sulla salute degli infermieri, il programma Atlas del genoma del cancro e lo studio di screening del cancro PLCO (prostata, polmone, colorettale e ovarico) del NIH.

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.

Hanno anche fornito informazioni sui profili genomici, epigenetici, proteici e metabolici dei tumori.

Quindi i ricercatori hanno mostrato le immagini patologiche del modello di campioni tumorali e 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 di tumore di diversi pazienti.

Hanno confrontato le sue prestazioni con i risultati effettivi dei pazienti e altre informazioni cliniche disponibili.

Il modello ha previsto 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, in base al fatto 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 detto 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, monitoriamo continuamente il suo comportamento e le sue prestazioni perché potremmo vedere cambiamenti nelle distribuzioni del carico di malattia o nuove tossine ambientali che contribuiscono allo sviluppo del cancro”, ha detto Yu.

“È importante aumentare il modello con nuovi e più dati man mano che arrivano, in modo che le sue prestazioni non rimangano mai indietro”.

Il nuovo modello sfrutta i recenti progressi nelle tecniche di imaging tumorale che offrono livelli di dettaglio senza precedenti, che tuttavia rimangono indiscernibili 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.

Sulla base di una sola 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 disponibili di routine.

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 vi è tessuto tumorale disponibile per il sequenziamento genetico, hanno detto 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 valuta le prestazioni dello strumento nei pazienti reali nel tempo dopo la diagnosi iniziale.

Tale studio fornirebbe la dimostrazione standard delle capacità del modello, ha detto Yu, confrontando direttamente le prestazioni reali dello strumento utilizzando solo le immagini con quelle dei medici umani che usano conoscenze e risultati dei test a cui il modello non ha accesso.

Un altro punto di forza del modello, hanno detto i ricercatori, è il suo ragionamento trasparente. Se un clinico che utilizza il modello chiede perché ha fatto una determinata previsione, lo strumento sarebbe in grado di spiegare il suo ragionamento e le variabili che ha usato.

Questa funzione è importante per aumentare la fiducia dei medici nei modelli di intelligenza artificiale che utilizzano, ha detto Yu.

Il modello ha individuato con precisione le caratteristiche dell’immagine relative alle differenze di sopravvivenza. Ad esempio, ha identificato tre caratteristiche dell’immagine che presagivano risultati peggiori: maggiore densità cellulare all’interno di un tumore; la presenza di tessuto connettivo di supporto intorno alle cellule tumorali, noto come stroma; interazioni delle cellule tumorali con le cellule muscolari lisce.

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 avrebbero beneficiato di una classe di trattamenti contro il cancro noti come inibitori del checkpoint immunitario.

Mentre queste terapie funzionano in molti pazienti con cancro del colon, alcuni non sperimentano 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 detto Yu.

Il modello ha anche rilevato con successo i cambiamenti epigenetici associati al cancro del colon-retto. Questi cambiamenti – che si verificano quando molecole note come gruppi metilici si attaccano al DNA e alterano il modo in cui il DNA si comporta – sono noti per silenziare i geni che sopprimono i tumori, causando la 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.

Immagine: Mohammed Haneefa Nizamudeen/iStock/Getty Images Plus