هوش مصنوعی میتواند به شخصیسازی درمان با رادیولیگاند برای سرطان پیشرفته پروستات کمک کند
پژوهشگران ایرانی یک رویکرد «یادگیری ماشین» ایجاد کردهاند که ممکن است به پزشکان کمک کند تا قبل از شروع درمان در مردان مبتلا به سرطان پیشرفته پروستات، میزان تابش به تومورها و اندامهای سالم را پیشبینی کنند.
به گزارش علمخوان، این مطالعه بوسیله پژوهشگران دانشگاه علوم پزشکی تهران نشان میدهد که ترکیب دادههای تصویربرداری پزشکی با اطلاعات بالینی معمول میتواند درمان با رادیولیگاند را شخصیسازیشدهتر و بهطور بالقوه ایمنتر کند.
چرا این تحقیق اهمیت دارد
مردان مبتلا به «سرطان پروستات انتشاریافته مقاوم به اختگی» (mCRPC) اغلب یک درمان هدفمند به نام درمان با رادیولیگاند لوتتیوم-۱۷۷ PSMA-۶۱۷ دریافت میکنند. این درمان پرتوتابی را مستقیماً به سلولهای سرطانی پروستات که پروتئینی به نام PSMA را بیان میکنند، میرساند.
در حال حاضر، اکثر بیماران دوزهای درمانی مشابهی دریافت میکنند. با این حال، افراد میتوانند مقادیر بسیار متفاوتی از پرتوتابی را هم در تومورها و هم در اندامهای سالم مانند کلیهها جذب کنند. پرتوتابی خیلی کم ممکن است اثربخشی درمان را کاهش دهد، در حالی که پرتوتابی خیلی زیاد ممکن است عوارض جانبی را افزایش دهد. این پژوهشگران میخواستند بدانند که آیا هوش مصنوعی میتواند این دوزهای پرتوتابی را قبل از شروع درمان پیشبینی کند.
نحوه انجام مطالعه
این مطالعه شامل 20 مرد مبتلا به سرطان پروستات پیشرفته بود که قبل از درمان سیتی/پت اسکن تخصصی با استفاده از گالیوم-68 PSMA-11 قرار گرفتند. پژوهشگران همچنین اطلاعات بالینی مانند سن، درمانهای قبلی، نتایج آزمایش خون، نشانگرهای عملکرد کلیه و سطح «آنتیژن اختصاصی پروستات» (PSA) را جمعآوری کردند.
سپس این تیم تصویربرداری دقیق پس از درمان و محاسبات پیچیده دوز پرتوتابی را برای تعیین میزان واقعی تابش جذب شده توسط موارد زیر انجام داد:
-کلیهها (یک عضو مهم در معرض خطر)
-130 ضایعه سرطانی در سراسر بدن
با استفاده از این دادهها، آنها چندین مدل یادگیری ماشینی را برای پیشبینی دوزهای پرتوتابی صرفاً بر اساس اطلاعات موجود قبل از درمان آموزش دادند.
ویژگیهای رادیومیک چیست؟
پژوهشگران صدها «ویژگی رادیومیک» را از سیتی/پیتی اسکن استخراج کردند. اینها اندازهگیریهای ریاضی هستند که ویژگیهایی مانند موارد زیر را توصیف میکنند:
-شکل تومور
-شدت جذب ردیاب
-بافت بافت
-ناهمگونی تومور
بسیاری از این ویژگیها توسط چشم انسان قابل تشخیص نیستند، اما میتوانند توسط الگوریتمهای رایانهای تشخیص داده شوند.
یافتههای کلیدی
ترکیب دادههای تصویربرداری و بالینی بهترین عملکرد را داشت.
دقیقترین پیشبینیها زمانی رخ داد که مدلهای یادگیری ماشین، ویژگیهای رادیومیک سیتی/ پیتی اسکن را با نشانگرهای زیستی بالینی مانند نتایج آزمایش خون ترکیب کردند.
برای پیشبینی دوز تابش به کلیه، بهترین مدل به موارد زیر دست یافت:
- R² (معیار دقت): 0.87
- جذر میانگین مربعات خطا (RMSE): 0.11 Gy/GBq
برای پیشبینی دوز تابش به ضایعه توموری، بهترین مدل به موارد زیر دست یافت:
- R²: 0.77
- RMSE: 1.04 Gy/GBq
این نتایج به طور قابل توجهی بهتر از مدلهایی بودند که فقط از دادههای تصویربرداری یا بالینی استفاده میکردند.
نشانگرهای مهم خون پدیدار شدند
چندین اندازهگیری آزمایشگاهی معمول به بهبود پیشبینیها کمک کردند.
برای کلیهها، تأثیرگذارترین نشانگرهای زیستی شامل موارد زیر بودند:
- تعداد گلبولهای قرمز خون
- کراتینین (نشانگر عملکرد کلیه)
- هماتوکریت
- آلکالین فسفاتاز (ALP)
برای ضایعات تومور، مهمترین نشانگرهای زیستی عبارت بودند از:
- PSA
- ALP
به نظر میرسد این نشانگرها عوامل بیولوژیکی خاص بیمار را ثبت میکنند که تصویربرداری به تنهایی نمیتواند آنها را به طور کامل توضیح دهد.
هوش مصنوعی از رویکردهای سادهتر پیشی گرفت
محققان دریافتند که روشهای پیشرفته یادگیری ماشین مبتنی بر درخت، عملکرد بهتری نسبت به مدلهای خطی سنتی دارند. این الگوریتمها بهتر توانستند روابط پیچیده بین ویژگیهای تصویربرداری، نتایج آزمایشگاهی و توزیع دوز تابش را شناسایی کنند.
- مزایای بالقوه برای بیماران
در صورت تأیید در مطالعات بزرگتر، این رویکرد میتواند به پزشکان کمک کند:
- تخمین دوزهای تابش قبل از شروع درمان.
- انتخاب بیمارانی که به احتمال زیاد از آن سود میبرند.
- تنظیم برنامههای درمانی برای به حداکثر رساندن تابش تومور در عین محافظت از اندامهای سالم.
- کاهش نیاز به جلسات متعدد تصویربرداری پس از درمان.
- حرکت به سمت درمان رادیولیگاند واقعاً شخصیسازی شده.
محدودیتهای مهم
محققان تأکید میکنند که یافتهها مقدماتی هستند. این مطالعه تنها شامل 20 بیمار بود و در یک مرکز واحد انجام شد. مدلها در یک گروه بیمار مستقل آزمایش نشدند، به این معنی که قبل از اینکه این تکنیک در عمل بالینی معمول به کار گرفته شود، اعتبارسنجی بیشتری لازم است.
خلاصه کلام
این مطالعه نشان میدهد که یادگیری ماشین میتواند از اطلاعات سیتی/پت اسکنهای PSMA قبل از درمان به همراه نشانگرهای زیستی بالینی معمول برای پیشبینی میزان تابش به تومورها و کلیهها در طول درمان با لوتتیوم-177 PSMA استفاده کند. اگرچه مطالعات بزرگتری مورد نیاز است، اما این یافتهها گامی مهم به سوی درمان رادیولیگاند شخصیسازی شده برای مردان مبتلا به سرطان پروستات پیشرفته است که به طور بالقوه امکان تنظیم درمانها را با زیستشناسی منحصر به فرد هر بیمار قبل از شروع درمان فراهم میکند.
منبع:
ارسال نظر