پیش‌بینی درمان مناسب سرطان ریه با کمک یادگیری عمیق

پژوهشگران آمریکایی در بررسی جدید خود تلاش کردند تا با کمک یک مدل مبتنی بر یادگیری عمیق، بهترین روش درمان را برای بیماران مبتلا به سرطان ریه انتخاب کنند.

به گزارش ایسنا و به نقل از نیوزبریک، درمان‌های شخصی‌سازی شده برای بیماران مبتلا به سرطان ریه، در دو دهه گذشته پیشرفت بسیاری داشته است. برای بیماران مبتلا به "سرطان ریه سلول غیر کوچک"(NSCLC) که از متداول‌ترین انواع سرطان ریه است، دو راهبرد درمانی مهم وجود دارد. این دو راهبرد، مهارکننده‌های "تیروزین کیناز"(tyrosine kinase) و مهارکننده‌های "وارسی ایمنی" (Immune checkpoint) هستند. در هر حال انتخاب یک درمان درست برای سرطان ریه سلول غیر کوچک، همیشه تصمیم ساده‌ای نیست زیرا نشانگرهای زیستی می‌توانند طی درمان تغییر کنند و به بی‌اثر شدن درمان  بیانجامند.

"پژوهشگران آمریکایی در بررسی جدید خود تلاش کردند تا با کمک یک مدل مبتنی بر یادگیری عمیق، بهترین روش درمان را برای بیماران مبتلا به سرطان ریه انتخاب کنند"پژوهشگران "مرکز درمانی موتیف"(Moffitt Cancer Center) آمریکا سعی دارند یک روش غیرتهاجمی و دقیق برای ارزیابی جهش‌های تومور بیماران و نشانگرهای زیستی ابداع کنند تا بهترین روش درمان را تشخیص دهند.

پژوهشگران در این پروژه نشان دادند که چگونه یک مدل مبتنی بر یادگیری عمیق با استفاده از "برش‌نگاری با گسیل پوزیترون"(Positron emission tomography) می‌تواند به شناسایی بیماران مبتلا به سرطان ریه سلول غیر کوچک بپردازد که ممکن است نسبت به مهارکننده‌های تیروزین کیناز حساس باشند و یا از مهارکننده‌های وارسی ایمنی سود ببرند. این مدل، از فناوری تصویربرداری "پت-سی‌تی"(PET-CT) استفاده می‌شود و نوعی مولکول قندی موسوم به "18F-Fluorodeoxyglucose" را به کار می گیرد. تصویربرداری با روش پت-سی‌تی و با کمک این مولکول قندی می‌تواند بخش‌هایی از مکانیسم غیرعادی گلوکز را مشخص کند و تومورها را به دقت نشان دهد.

"متیو اسکاباس"(Matthew Schabath)، از پژوهشگران این پروژه گفت: این روش تصویربرداری، به صورت گسترده برای تعیین مرحله‌ای که بیماران مبتلا به سرطان ریه سلول غیر کوچک در آن قرار دارند، به کار می‌رود. این رادیوتراکر گلوکز، تحت تاثیر فعالیت "گیرنده فاکتور رشد اپیدرمی"(EGFR) و التهاب آن نیز قرار می‌گیرد. EGFR، یک v,a متداول در بیماران مبتلا به سرطان ریه سلول غیر کوچک است.

جهش EGFR می‌تواند پیش‌بینی‌کننده درمان باشد زیرا بیماران مبتلا به جهش EGFR، واکنش بهتری نسبت به درمان با مهارکننده‌های تیروزین کیناز نشان می‌دهند.

این گروه پژوهشی، مدلی مبتنی بر یادگیری عمیق ارائه دادند و داده‌های مربوط به بیماران مبتلا به سرطان ریه سلول غیر کوچک را در دو بیمارستان بررسی کردند. آنها با استفاده از این داده‌ها توانستند اعتبار بیشتری به مدل خود ببخشند.

"وی مو"(Wei Mu)، پژوهشگر ارشد این پروژه گفت: بررسی‌های ما در مقایسه با پژوهش‌های دیگر، دقت بیشتری برای پیش‌بینی جهش EGFR دارد.

"رابرت گیلیس"(Robert Gillies)، از پژوهشگران این پروژه گفت: ما باید بررسی‌های بیشتری در این مورد انجام دهیم اما باور داریم که این مدل می‌تواند ابزار خوبی برای تصمیم‌گیری در مورد انتخاب بهترین درمان باشد.

این پژوهش، در مجله "Nature Communications" به چاپ رسید.

انتهای پیام