ขั้นตอนแรกในการเลือกวิธีการรักษาที่เหมาะสมสำหรับผู้ป่วยมะเร็งคือการระบุชนิดของมะเร็ง ซึ่งรวมถึงการระบุตำแหน่งหลัก — อวัยวะหรือส่วนใดส่วนหนึ่งของร่างกายที่มะเร็งเริ่มต้น
ในบางกรณีซึ่งพบไม่บ่อยนัก จะไม่สามารถระบุที่มาของมะเร็งได้ แม้ว่าจะมีการทดสอบอย่างละเอียด แม้ว่ามะเร็งที่ไม่ทราบสาเหตุหลักเหล่านี้มีแนวโน้มที่จะก้าวร้าว แต่ผู้เชี่ยวชาญด้านเนื้องอกวิทยาต้องรักษาด้วยการรักษาที่ไม่ตรงเป้าหมาย ซึ่งมักมีความเป็นพิษรุนแรงและส่งผลให้อัตราการรอดชีวิตต่ำ
แนวทางการเรียนรู้เชิงลึกแบบใหม่ที่พัฒนาขึ้นโดยนักวิจัยจากสถาบัน Koch Institute for Integrative Cancer Research ที่ MIT และโรงพยาบาล Massachusetts General Hospital (MGH) อาจช่วยจำแนกมะเร็งที่ไม่ทราบสาเหตุหลักได้โดยการดูโปรแกรมการแสดงออกของยีนที่เกี่ยวข้องกับการพัฒนาและการสร้างความแตกต่างของเซลล์ในระยะแรก
“บางครั้ง คุณสามารถใช้เครื่องมือทั้งหมดที่นักพยาธิวิทยาเสนอได้ และคุณยังถูกทิ้งไว้โดยไม่มีคำตอบ” Salil Garg, Charles W. (1955) และ Jennifer C. Johnson Clinical Investigator จาก Koch Institute และนักพยาธิวิทยาที่ เอ็มจีเอช. “เครื่องมือการเรียนรู้ของเครื่องเช่นนี้สามารถช่วยให้ผู้เชี่ยวชาญด้านเนื้องอกวิทยาเลือกการรักษาที่มีประสิทธิภาพมากขึ้นและให้คำแนะนำแก่ผู้ป่วยได้มากขึ้น”
Garg เป็นผู้เขียนอาวุโสของการศึกษาใหม่ที่ ตีพิมพ์ เมื่อวันที่ 30 สิงหาคมในCancer Discovery เครื่องมือปัญญาประดิษฐ์สามารถระบุชนิดของมะเร็งด้วยระดับความไวและความแม่นยำในระดับสูง Garg เป็นผู้เขียนอาวุโสของการศึกษานี้ และ MIT postdoc Enrico Moiso เป็นผู้เขียนนำ
การเรียนรู้ของเครื่องในการพัฒนา
การแยกวิเคราะห์ความแตกต่างในการแสดงออกของยีนในเนื้องอกชนิดต่างๆ ที่ไม่ทราบสาเหตุหลักเป็นปัญหาในอุดมคติสำหรับการเรียนรู้ด้วยเครื่องเพื่อแก้ปัญหา เซลล์มะเร็งมีลักษณะและพฤติกรรมค่อนข้างแตกต่างจากเซลล์ปกติ ส่วนหนึ่งเป็นเพราะการเปลี่ยนแปลงอย่างมากในการแสดงออกของยีน ต้องขอบคุณความก้าวหน้าในการทำโปรไฟล์เซลล์เดียวและความพยายามในการจัดทำรายการรูปแบบการแสดงออกของเซลล์ที่แตกต่างกันใน Atlases ของเซลล์ ทำให้มีข้อมูลมากมายที่บ่งชี้ว่ามะเร็งชนิดต่างๆ เกิดขึ้นได้อย่างไรและจากที่ใดในสายตามนุษย์
อย่างไรก็ตาม การสร้างแบบจำลองแมชชีนเลิร์นนิงที่ใช้ประโยชน์จากความแตกต่างระหว่างเซลล์ปกติและเซลล์ปกติ และมะเร็งชนิดต่างๆ เป็นเครื่องมือในการวินิจฉัยคือการรักษาสมดุล หากแบบจำลองซับซ้อนเกินไปและแสดงถึงลักษณะเฉพาะของการแสดงออกของยีนมะเร็งมากเกินไป แบบจำลองอาจดูเหมือนเรียนรู้ข้อมูลการฝึกอบรมได้อย่างสมบูรณ์ แต่จะสะดุดเมื่อพบข้อมูลใหม่ อย่างไรก็ตาม ด้วยการลดความซับซ้อนของแบบจำลองโดยการลดจำนวนคุณลักษณะ แบบจำลองอาจพลาดข้อมูลประเภทต่าง ๆ ที่จะนำไปสู่การจำแนกประเภทมะเร็งได้อย่างแม่นยำ
เพื่อสร้างสมดุลระหว่างการลดจำนวนคุณลักษณะในขณะที่ยังคงดึงข้อมูลที่เกี่ยวข้องมากที่สุด ทีมงานได้เน้นรูปแบบที่สัญญาณของวิถีการพัฒนาที่เปลี่ยนแปลงไปในเซลล์มะเร็ง ในขณะที่ตัวอ่อนพัฒนาและเซลล์ที่ไม่แตกต่างกันนั้นมีความเชี่ยวชาญเป็นพิเศษในอวัยวะต่างๆ เส้นทางที่หลากหลายชี้นำวิธีที่เซลล์แบ่ง เติบโต เปลี่ยนรูปร่าง และโยกย้าย เมื่อเนื้องอกพัฒนาขึ้น เซลล์มะเร็งจะสูญเสียลักษณะเฉพาะหลายอย่างของเซลล์ที่โตเต็มที่ ในเวลาเดียวกัน พวกมันเริ่มมีลักษณะคล้ายเซลล์ตัวอ่อนในบางวิธี เนื่องจากพวกมันมีความสามารถในการขยาย เปลี่ยนแปลง และแพร่กระจายไปยังเนื้อเยื่อใหม่ โปรแกรมการแสดงออกของยีนจำนวนมากที่ขับเคลื่อนการสร้างตัวอ่อนเป็นที่ทราบกันดีว่ามีการเปิดใช้งานใหม่หรือควบคุมผิดปกติในเซลล์มะเร็ง
นักวิจัยได้เปรียบเทียบ Atlases เซลล์ขนาดใหญ่ 2 อัน โดยระบุความสัมพันธ์ระหว่างเซลล์เนื้องอกและเซลล์ตัวอ่อน ได้แก่ Cancer Genome Atlas (TCGA) ซึ่งมีข้อมูลการแสดงออกของยีนสำหรับเนื้องอก 33 ชนิด และ Mouse Organogenesis Cell Atlas (MOCA) ซึ่งกำหนดเส้นทาง 56 แบบแยกจากกัน เซลล์ตัวอ่อนในขณะที่พวกมันพัฒนาและแยกความแตกต่าง
“เครื่องมือแก้ปัญหาแบบเซลล์เดียวได้เปลี่ยนวิธีการศึกษาชีววิทยาของมะเร็งไปอย่างมาก แต่วิธีที่เราทำให้การปฏิวัตินี้ส่งผลกระทบสำหรับผู้ป่วยนั้นเป็นอีกคำถามหนึ่ง” Moiso อธิบาย “ด้วยการเกิดขึ้นของ Atlases เซลล์พัฒนาการ โดยเฉพาะอย่างยิ่งที่มุ่งเน้นไปที่ระยะเริ่มต้นของการสร้างอวัยวะเช่น MOCA เราสามารถขยายเครื่องมือของเรานอกเหนือจากข้อมูลทางเนื้อเยื่อวิทยาและจีโนมและเปิดประตูสู่วิธีการใหม่ในการทำโปรไฟล์และระบุเนื้องอกและพัฒนาวิธีการรักษาใหม่ ๆ “
แผนที่ผลลัพธ์ของความสัมพันธ์ระหว่างรูปแบบการแสดงออกของยีนพัฒนาการในเนื้องอกและเซลล์ตัวอ่อนถูกแปลงเป็นรูปแบบการเรียนรู้ด้วยเครื่อง นักวิจัยได้แยกการแสดงออกของยีนของตัวอย่างเนื้องอกจาก TCGA ออกเป็นส่วนประกอบแต่ละส่วนซึ่งสอดคล้องกับจุดเฉพาะของเวลาในวิถีการพัฒนา และกำหนดค่าทางคณิตศาสตร์ให้แต่ละองค์ประกอบเหล่านี้ จากนั้นนักวิจัยได้สร้างแบบจำลองการเรียนรู้ด้วยเครื่องที่เรียกว่า Developmental Multilayer Perceptron (D-MLP) ซึ่งให้คะแนนเนื้องอกสำหรับส่วนประกอบในการพัฒนาและคาดการณ์ที่มาของมัน
การจำแนกเนื้องอก
หลังการฝึกอบรม D-MLP ถูกนำไปใช้กับตัวอย่างใหม่ 52 ตัวอย่างของมะเร็งที่ท้าทายโดยเฉพาะอย่างยิ่งของมะเร็งปฐมภูมิที่ไม่รู้จักซึ่งไม่สามารถวินิจฉัยได้โดยใช้เครื่องมือที่มีอยู่ กรณีเหล่านี้แสดงถึงความท้าทายที่สุดที่พบใน MGH ในช่วงสี่ปีที่เริ่มต้นในปี 2560 แบบจำลองนี้จำแนกเนื้องอกออกเป็นสี่ประเภทและให้ผลการคาดการณ์และข้อมูลอื่น ๆ ที่สามารถชี้นำการวินิจฉัยและการรักษาผู้ป่วยเหล่านี้
ตัวอย่างเช่น ตัวอย่างหนึ่งมาจากผู้ป่วยที่มีประวัติมะเร็งเต้านมซึ่งแสดงสัญญาณของมะเร็งที่ลุกลามในบริเวณของเหลวรอบช่องท้อง ในขั้นต้น ผู้เชี่ยวชาญด้านเนื้องอกวิทยาไม่พบก้อนเนื้องอก และไม่สามารถจำแนกเซลล์มะเร็งโดยใช้เครื่องมือที่มีอยู่ในขณะนั้น อย่างไรก็ตาม D-MLP คาดการณ์อย่างมากเกี่ยวกับมะเร็งรังไข่ หกเดือนหลังจากที่ผู้ป่วยนำเสนอครั้งแรก ในที่สุดก็พบก้อนเนื้อในรังไข่ที่พิสูจน์แล้วว่าเป็นต้นกำเนิดของเนื้องอก
นอกจากนี้ การเปรียบเทียบอย่างเป็นระบบของการศึกษาระหว่างเนื้องอกและเซลล์ของตัวอ่อนยังเผยให้เห็นข้อมูลเชิงลึกที่มีแนวโน้มและบางครั้งก็น่าประหลาดใจในโปรไฟล์การแสดงออกของยีนของเนื้องอกบางชนิด ตัวอย่างเช่น ในระยะแรกของการพัฒนาของตัวอ่อน ท่อลำไส้พื้นฐานจะก่อตัว โดยมีปอดและอวัยวะใกล้เคียงอื่นๆ เกิดขึ้นจากส่วนหน้า และทางเดินอาหารส่วนใหญ่ก่อตัวจากส่วนตรงกลางและส่วนหลัง การศึกษาแสดงให้เห็นว่าเซลล์เนื้องอกที่มาจากปอดมีความคล้ายคลึงกันอย่างมาก ไม่เพียงแต่กับส่วนหน้าอย่างที่คาดไว้เท่านั้น แต่ยังรวมถึงวิถีการพัฒนาที่ได้มาจากระยะกลางถึงปานกลางและระยะหลังด้วย การค้นพบเช่นนี้ชี้ให้เห็นว่า วันหนึ่งความแตกต่างในโปรแกรมการพัฒนาสามารถใช้ประโยชน์ได้ในลักษณะเดียวกับที่การกลายพันธุ์ทางพันธุกรรมมักใช้ในการออกแบบการรักษามะเร็งเฉพาะบุคคลหรือเป้าหมาย
แม้ว่าการศึกษาจะนำเสนอวิธีการที่มีประสิทธิภาพในการจำแนกเนื้องอก แต่ก็มีข้อจำกัดบางประการ ในการทำงานในอนาคต นักวิจัยวางแผนที่จะเพิ่มพลังการทำนายของแบบจำลองด้วยการรวมข้อมูลประเภทอื่นๆ โดยเฉพาะอย่างยิ่งข้อมูลที่รวบรวมจากรังสีวิทยา กล้องจุลทรรศน์ และการถ่ายภาพเนื้องอกประเภทอื่นๆ
Garg กล่าวว่า “การแสดงออกของยีนพัฒนาการเป็นเพียงส่วนเล็ก ๆ ของปัจจัยทั้งหมดที่สามารถนำมาใช้ในการวินิจฉัยและรักษาโรคมะเร็งได้ “การรวมข้อมูลรังสีวิทยา พยาธิวิทยา และการแสดงออกของยีนเข้าด้วยกันเป็นขั้นตอนต่อไปที่แท้จริงในการแพทย์เฉพาะบุคคลสำหรับผู้ป่วยโรคมะเร็ง”
การศึกษานี้ได้รับทุนบางส่วนจากทุนสนับสนุนสถาบัน Koch (หลัก) จากสถาบันมะเร็งแห่งชาติและสถาบันมะเร็งแห่งชาติ
