- Một phương pháp học máy được phát triển bởi các nhà nghiên cứu tại Viện Koch của MIT và Bệnh viện Đa khoa Massachusetts (MGH) có thể hỗ trợ chẩn đoán ung thư nguyên phát chưa xác định bằng cách kiểm tra các chương trình biểu hiện gen liên quan đến sự phát triển và biệt hóa tế bào sớm.
- Các nhà khoa học đã tập trung mô hình vào các chỉ số về con đường phát triển bị gián đoạn trong tế bào ung thư để tìm ra sự dung hòa giữa việc giảm số lượng đặc điểm trong khi vẫn thu được thông tin cần thiết nhất.
- Sau đó, các nhà nghiên cứu đã tạo ra Perceptron đa lớp phát triển (D-MLP), một mô hình học máy đánh giá khối u dựa trên các thành phần phát triển của nó và dự đoán nguồn gốc của nó.
- Sau khi đào tạo, D-MLP đã được áp dụng cho 52 mẫu mới chứa các khối u ác tính đặc biệt khó, không rõ nguồn gốc và không thể phân loại bằng các kỹ thuật hiện có.
- Hơn nữa, những so sánh toàn diện về khối u và tế bào phôi trong nghiên cứu mang lại nhiều hứa hẹn và đôi khi đáng ngạc nhiên. hiểu biết sâu sắc về mô hình biểu hiện gen của các loại khối u khác nhau.
Giai đoạn đầu tiên trong việc quyết định liệu pháp tốt nhất cho bệnh nhân ung thư là xác định chính xác dạng ung thư của họ, bao gồm xác định vị trí chính, cơ quan hoặc bộ phận của cơ thể nơi bệnh phát triển.
Ngay cả khi thử nghiệm nghiêm ngặt, nguyên nhân gây ung thư không phải lúc nào cũng được xác định. Mặc dù những bệnh ung thư không rõ nguồn gốc này thường có tính xâm lấn cao nhưng các bác sĩ ung thư phải điều trị chúng bằng các loại thuốc không nhắm mục tiêu, thường có tác dụng phụ nghiêm trọng và dẫn đến tỷ lệ sống sót thấp.
Sử dụng máy học để chẩn đoán ung thư
Một phương pháp học máy mới được phát triển bởi các nhà nghiên cứu tại Viện Nghiên cứu Ung thư Tích hợp Koch của MIT và Bệnh viện Đa khoa Massachusetts (MGH) có thể hỗ trợ phân loại ung thư nguyên phát chưa xác định bằng cách kiểm tra các chương trình biểu hiện gen liên quan đến sự phát triển và biệt hóa tế bào sớm.
Salil Garg, một nhà nghiên cứu bệnh học tại MGH và Charles W. (1955) và Jennifer C. Johnson, nhà điều tra lâm sàng tại Viện Koch, đã phát biểu: “Đôi khi bạn có thể áp dụng tất cả các công cụ mà các nhà nghiên cứu bệnh học phải cung cấp, nhưng bạn vẫn không có được một giải pháp hữu ích nào. trả lời. Các công cụ học máy như thế này có thể trao quyền cho các bác sĩ ung thư lựa chọn các phương pháp điều trị hiệu quả hơn và đưa ra nhiều hướng dẫn hơn cho bệnh nhân của họ.”
Garg là tác giả cấp cao của cuốn sách mới nghiên cứu được xuất bản vào ngày 30 tháng 8 trên tạp chí Cancer Discovery, và tác giả chính là tiến sĩ Enrico Moiso của MIT. Kỹ thuật trí tuệ nhân tạo có độ nhạy và độ chính xác cao trong việc nhận biết các loại ung thư.
Phân tích những thay đổi trong biểu hiện gen ở các bệnh ung thư khác nhau từ một nguồn không xác định là một thách thức lớn đối với việc xử lý máy học. Các tế bào ung thư xuất hiện và hoạt động hoàn toàn khác so với các tế bào bình thường, một phần là do những thay đổi đáng kể trong cách biểu hiện gen của chúng.
Những tiến bộ trong việc lập hồ sơ tế bào đơn và nỗ lực phân loại các mẫu biểu hiện tế bào riêng biệt trong tập bản đồ tế bào đã dẫn đến rất nhiều dữ liệu, mặc dù đôi khi áp đảo, bao gồm cả manh mối về cách thức và nơi các khối u ác tính khác nhau bắt đầu.
Mặt khác, việc xây dựng một mô hình học máy tận dụng sự khác biệt giữa các tế bào khỏe mạnh và bình thường, cũng như giữa các loại ung thư khác nhau, thành một công cụ chẩn đoán, là một hành động cân bằng. Giả sử một mô hình rất phức tạp giải thích được quá nhiều khía cạnh của biểu hiện gen ung thư. Trong trường hợp đó, nó có thể học dữ liệu huấn luyện một cách hoàn hảo nhưng lại vấp ngã khi gặp dữ liệu mới.
Tuy nhiên, bằng cách đơn giản hóa mô hình bằng cách giảm số lượng đặc điểm, mô hình có thể mất thông tin có thể dẫn đến việc phân loại ung thư chính xác.
Phân loại kích thích thị giác dựa trên mạng lưới thần kinh mở đường cho chẩn đoán sớm bệnh Alzheimer
Các nhà khoa học đã tập trung mô hình vào các chỉ số về con đường phát triển bị gián đoạn trong tế bào ung thư để tìm ra sự dung hòa giữa việc giảm số lượng đặc điểm trong khi vẫn thu được thông tin cần thiết nhất. Nhiều con đường chỉ đạo cách các tế bào sinh sản, mở rộng, thay đổi hình dạng và di chuyển khi phôi phát triển, khi các tế bào chưa biệt hóa chuyên biệt thành các cơ quan riêng biệt.
Các tế bào ung thư mất đi nhiều đặc điểm cụ thể khi khối u phát triển. Đồng thời, khi chúng có khả năng nhân lên, thay đổi và di căn sang các mô khác, chúng bắt đầu giống với tế bào phôi thai ở một số khía cạnh. Nhiều chương trình biểu hiện gen kiểm soát quá trình tạo phôi được kích hoạt lại hoặc bị rối loạn điều hòa trong tế bào ung thư.
Tạo thuật toán ML có thể chẩn đoán ung thư
Các nhà nghiên cứu đã so sánh Bản đồ bộ gen ung thư (TCGA), nơi cung cấp dữ liệu biểu hiện gen cho 33 loại khối u, với Bản đồ tế bào cơ quan chuột (MOCA), kiểm tra 56 quỹ đạo riêng biệt của tế bào phôi khi chúng phát triển và biệt hóa.
Moiso giải thích: “Các công cụ phân giải tế bào đơn đã thay đổi đáng kể cách chúng ta nghiên cứu sinh học về bệnh ung thư, nhưng làm thế nào chúng ta có thể tạo ra cuộc cách mạng này có tác động đến bệnh nhân lại là một câu hỏi khác. Với sự xuất hiện của các bản đồ tế bào đang phát triển, đặc biệt là các bản đồ tập trung vào các giai đoạn đầu của quá trình hình thành cơ quan như MOCA, chúng tôi có thể mở rộng các công cụ của mình ngoài thông tin về mô học và gen, đồng thời mở ra những cánh cửa mới để lập hồ sơ và xác định khối u cũng như phát triển các phương pháp điều trị mới.”
Các nhà nghiên cứu tìm ra phương pháp ML mới có khả năng đếm tế bào để chẩn đoán bệnh
Bản đồ mối tương quan giữa các kiểu biểu hiện gen phát triển trong khối u và tế bào phôi thai sau đó được sử dụng để huấn luyện thuật toán học máy. Các nhà nghiên cứu đã chia biểu hiện gen của các mẫu khối u TCGA thành các thành phần riêng biệt tương ứng với một thời điểm nhất định trong quỹ đạo phát triển và gán một giá trị toán học cho từng thành phần. Sau đó, các nhà nghiên cứu đã tạo ra Perceptron đa lớp phát triển (D-MLP), một mô hình học máy đánh giá khối u dựa trên các thành phần phát triển của nó và dự đoán nguồn gốc của nó.
Sau quá trình đào tạo, D-MLP đã được áp dụng cho 52 mẫu mới chứa các khối u ác tính đặc biệt khó, không rõ nguồn gốc mà không thể xác định được bằng các phương pháp hiện có. Đây là những bệnh nhân khó điều trị nhất tại MGH trong khoảng thời gian 4 năm bắt đầu từ năm 2017. Điều thú vị là mô hình đã phân loại các khối u thành bốn nhóm và đưa ra dự báo cũng như dữ liệu khác có thể hỗ trợ chẩn đoán và điều trị cho những bệnh nhân này.
Ví dụ, một mẫu được lấy từ một phụ nữ có tiền sử ung thư vú và có bằng chứng về một khối u ác tính trong khoang dịch xung quanh bụng. Sử dụng các phương pháp có sẵn, các bác sĩ ung thư không thể xác định được khối u hoặc phân loại tế bào ung thư. Tuy nhiên, D-MLP dự đoán mạnh mẽ về ung thư buồng trứng. Sáu tháng sau khi bệnh nhân đến, người ta phát hiện một khối u trong buồng trứng là nguồn gốc của bệnh ác tính.
Hơn nữa, những so sánh toàn diện của nghiên cứu về khối u và tế bào phôi mang lại những hiểu biết đầy hứa hẹn và đôi khi đáng ngạc nhiên về cấu hình biểu hiện gen của các loại khối u khác nhau. Ví dụ, trong giai đoạn đầu của quá trình phát triển phôi thai, một ống ruột thô sơ xuất hiện, với ruột trước tạo ra phổi và các cơ quan lân cận khác còn ruột giữa và ruột sau cấu thành phần lớn đường tiêu hóa.
Học máy giúp cuộc sống của các nhà khoa học dữ liệu dễ dàng hơn
Nghiên cứu cho thấy các tế bào khối u có nguồn gốc từ phổi có sự tương đồng đáng kể không chỉ với ruột trước mà còn với quỹ đạo phát triển có nguồn gốc từ ruột giữa và ruột sau. Những phát hiện này ngụ ý rằng các biến thể trong các chương trình phát triển một ngày nào đó có thể được sử dụng theo cách giống như các đột biến gen thường được sử dụng để tạo ra các liệu pháp điều trị ung thư phù hợp hoặc nhắm mục tiêu.
Mặc dù công trình này cung cấp một kỹ thuật mạnh mẽ để phân loại khối u nhưng nó cũng có những hạn chế nhất định. Trong tương lai, các nhà nghiên cứu dự định cải thiện giá trị dự đoán của mô hình của họ bằng cách đưa vào nhiều dạng dữ liệu hơn, cụ thể là thông tin từ chụp X quang, kính hiển vi và các loại hình ảnh khối u khác.
Garg cho biết: “Biểu hiện gen phát triển chỉ đại diện cho một phần nhỏ của tất cả các yếu tố có thể được sử dụng để chẩn đoán và điều trị ung thư. Việc tích hợp thông tin X quang, bệnh lý và biểu hiện gen với nhau là bước tiếp theo thực sự trong y học cá nhân hóa cho bệnh nhân ung thư.”
