بیشتر مرگ‌های ناشی از ملانوم – کشنده‌ترین شکل سرطان پوست – در بیمارانی رخ می‌دهد که در ابتدا ملانوم در مراحل اولیه تشخیص داده شد و بعداً عود آن را تجربه کردند که معمولاً تا زمانی که گسترش نیافته یا متاستاز پیدا کند، تشخیص داده نمی‌شود.
تیمی به رهبری محققان در بیمارستان عمومی ماساچوست اخیراً یک روش مبتنی بر هوش مصنوعی را برای پیش‌بینی اینکه کدام بیماران بیشتر احتمال دارد عود بیماری را تجربه کنند و بنابراین انتظار می‌رود از درمان تهاجمی سود ببرند، توسعه داده‌اند.
اکثر بیماران مبتلا به ملانوم در مراحل اولیه با جراحی برای برداشتن سلول‌های سرطانی درمان می‌شوند، اما بیماران مبتلا به سرطان پیشرفته‌تر اغلب مهارکننده‌های ایست بازرسی دریافت می‌کنند که به طور موثر پاسخ ایمنی در برابر سلول‌های تومور را تقویت می‌کند، اما عوارض جانبی قابل‌توجهی نیز دارد.
پیش‌بینی قابل اعتماد عود ملانوم می‌تواند انتخاب دقیق‌تری از درمان برای ایمونوتراپی را امکان‌پذیر کند، پیشرفت بیماری متاستاتیک را کاهش دهد و بقای ملانوم را بهبود بخشد در حالی که قرار گرفتن در معرض سمیت‌های درمانی را به حداقل می‌رساند.
برای کمک به دستیابی به این هدف، سمنوف و همکارانش اثربخشی الگوریتم‌های مبتنی بر یادگیری ماشین، شاخه‌ای از هوش مصنوعی را ارزیابی کردند که از داده‌های سوابق الکترونیکی سلامت بیماران برای پیش‌بینی عود ملانوم استفاده می‌کرد.
به طور خاص، این تیم ۱۷۲۰ ملانوم در مراحل اولیه را جمع آوری کردند و ۳۶ ویژگی بالینی و پاتولوژیک این سرطان ها را از سلامت الکترونیک استخراج کردند. الگوریتم‌ها با مجموعه‌های مختلف بیماران MGB و DFCI توسعه و اعتبارسنجی شدند و ضخامت تومور و سرعت تقسیم سلول‌های سرطانی به عنوان پیش‌بینی‌کننده‌ترین ویژگی‌ها شناسایی شدند.
سیمونو می‌گوید: «پلت‌فرم پیش‌بینی خطر جامع ما با استفاده از رویکردهای جدید یادگیری ماشینی برای تعیین خطر عود ملانوما در مراحل اولیه به سطوح بالایی از طبقه‌بندی و دقت پیش‌بینی رویداد رسیده است. نتایج ما نشان می‌دهد که الگوریتم‌های یادگیری ماشینی می‌توانند سیگنال‌های پیش‌بینی‌کننده را از ویژگی‌های بالینی آسیب‌شناسی برای پیش‌بینی عود ملانوما در مراحل اولیه استخراج کنند، که شناسایی بیمارانی را که ممکن است از ایمونوتراپی کمکی بهره‌مند شوند، ممکن می‌سازد.»
تیمی به رهبری محققان در بیمارستان عمومی ماساچوست اخیراً یک روش مبتنی بر هوش مصنوعی را برای پیش‌بینی اینکه کدام بیماران بیشتر احتمال دارد عود بیماری را تجربه کنند و بنابراین انتظار می‌رود از درمان تهاجمی سود ببرند، توسعه داده‌اند.
اکثر بیماران مبتلا به ملانوم در مراحل اولیه با جراحی برای برداشتن سلول‌های سرطانی درمان می‌شوند، اما بیماران مبتلا به سرطان پیشرفته‌تر اغلب مهارکننده‌های ایست بازرسی دریافت می‌کنند که به طور موثر پاسخ ایمنی در برابر سلول‌های تومور را تقویت می‌کند، اما عوارض جانبی قابل‌توجهی نیز دارد.
پیش‌بینی قابل اعتماد عود ملانوم می‌تواند انتخاب دقیق‌تری از درمان برای ایمونوتراپی را امکان‌پذیر کند، پیشرفت بیماری متاستاتیک را کاهش دهد و بقای ملانوم را بهبود بخشد در حالی که قرار گرفتن در معرض سمیت‌های درمانی را به حداقل می‌رساند.
برای کمک به دستیابی به این هدف، سمنوف و همکارانش اثربخشی الگوریتم‌های مبتنی بر یادگیری ماشین، شاخه‌ای از هوش مصنوعی را ارزیابی کردند که از داده‌های سوابق الکترونیکی سلامت بیماران برای پیش‌بینی عود ملانوم استفاده می‌کرد.
به طور خاص، این تیم ۱۷۲۰ ملانوم در مراحل اولیه را جمع آوری کردند و ۳۶ ویژگی بالینی و پاتولوژیک این سرطان ها را از سلامت الکترونیک استخراج کردند. الگوریتم‌ها با مجموعه‌های مختلف بیماران MGB و DFCI توسعه و اعتبارسنجی شدند و ضخامت تومور و سرعت تقسیم سلول‌های سرطانی به عنوان پیش‌بینی‌کننده‌ترین ویژگی‌ها شناسایی شدند.
سیمونو می‌گوید: «پلت‌فرم پیش‌بینی خطر جامع ما با استفاده از رویکردهای جدید یادگیری ماشینی برای تعیین خطر عود ملانوما در مراحل اولیه به سطوح بالایی از طبقه‌بندی و دقت پیش‌بینی رویداد رسیده است. نتایج ما نشان می‌دهد که الگوریتم‌های یادگیری ماشینی می‌توانند سیگنال‌های پیش‌بینی‌کننده را از ویژگی‌های بالینی آسیب‌شناسی برای پیش‌بینی عود ملانوما در مراحل اولیه استخراج کنند، که شناسایی بیمارانی را که ممکن است از ایمونوتراپی کمکی بهره‌مند شوند، ممکن می‌سازد.»
کد خبر ۲۰۱۰۱۰۸۱۰.۰۴۷
