Модели машинного обучения (ML) все чаще используются в клинической онкологии для диагностики рака, прогнозирования исхода и планирования онкологической терапии. Раннее выявление и оперативное лечение рака, революционизированное благодаря быстрому и точному анализу радиологических и патологических изображений тканей с помощью алгоритмов ML, может повысить вероятность выживания и качество лечения онкологических больных.
В недавнем обзоре, опубликованном в журнале Cell, исследователи из Стэнфордского университета рассматривают применение ОД в улучшении диагностики, лечения и прогнозирования рака.
Распространенные ML-модели в онкологии
Модели ML основаны на контролируемом обучении, при котором каждая точка данных имеет соответствующую метку. Обычно используемые модели ML включают модели случайного леса, машины опорных векторов (SVM), регрессионные модели, нейронные сети, модели рекуррентных нейронных сетей (RNN), сверточных нейронных сетей (CNN), трансформаторы и модели графовых нейронных сетей (GNN).
Модели Random forest производят оценки путем построения деревьев принятия решений на основе нескольких бинарных решений для входов. Модели SVM обеспечивают линии или многомерные гиперплоскости для признаков опухоли, отделяя различные классы точек данных от наибольшей вероятной границы между классами данных. Регрессионные модели объединяют входы линейно для оценки непрерывных меток и бинарных меток с помощью линейной регрессии и логистической регрессии, соответственно.
Нейронные сети состоят из нескольких слоев нейронов, итеративно вычисляющих ассимиляцию входных переменных линейного типа с последующим использованием нелинейных функций для оценки результатов, таких как вероятность рака. Модели RNN обрабатывают последовательную информацию, включая геномные последовательности и серии изображений, путем применения аналогичных слоев нейронных сетей ко всем объектам, присутствующим в последовательностях, и запоминания наблюдаемых объектов.
Модели CNN применяют нейронные участки или "фильтры", которые сканируют изображения и выявляют закономерности. Начальные слои определяют низкоуровневые характеристики, такие как края, в то время как последующие слои определяют высокоуровневые характеристики, такие как морфология опухолевых клеток. Трансформеры анализируют последовательную информацию путем многократного применения операции внимания для сравнения последовательности с другими компонентами и обновления внутренних представлений последовательности.
Модели GNN оценивают граф-структурированную информацию, такую как графы взаимодействия между клетками. Модели кодируют основные характеристики узлов и ребер в графах. Эта информация затем передается слоям нейронных сетей по мере их перемещения по графам ML для обновления соответствующих представлений.
Эти представления используются для оценки меток графа. Все общие классы моделей имеют определенную архитектуру и отличаются размером и количеством слоев нейронной сети.
ML для диагностики, прогнозирования и лечения рака
Для каждого пациента делаются снимки с помощью патологоанатомических, рентгенологических и других методов визуализации. Изображение высокого разрешения разбивается на фрагменты изображения, охватывающие все изображение или только область интереса (ROI) для обработки моделями ML. Модели CNN обрабатывают плитки изображения и генерируют прогнозы на уровне пикселей или плиток, с тепловыми картами, предсказывающими места вероятного возникновения опухолей.
Далее результаты на уровне плиток объединяются в один результат с помощью формул или ML-моделей, таких как RNN. Компоненты окончательной оценки, такие как нейронные сети, используют интегрированный результат плиток для прогнозирования меток, которые оцениваются с помощью метрик. Метки могут быть получены из различных источников, таких как биопсия или радиология, и могут быть нескольких типов, включая бинарные метки для классификации опухолей и метки с реальными значениями для регрессии опухоли.
Радиологические изображения используются для обнаружения потенциально злокачественных образований во время регулярного скрининга или в симптоматических случаях. Если радиологические изображения свидетельствуют о наличии рака, проводится биопсия, и диагноз подтверждается путем анализа гистопатологических изображений. Радиологические и патологические изображения также используются для прогностической оценки и выбора наиболее подходящей терапии.
Общие молекулярные наборы данных, которые могут быть получены с помощью одноклеточной транскриптомики и пространственной протеомики, объемного секвенирования рибонуклеиновой кислоты (РНК) из биопсий опухоли и секвенирования всего генома, включают циркулирующую бесклеточную дезоксирибонуклеиновую кислоту (cfDNA), фрагментомику, эпигенетические модификации и статус метилирования ДНК. Эти наборы данных включаются в SVM, эластичные сетевые модели, классификаторы случайного леса и байесовские модели для выбора типа и прогнозирования ответа на терапию рака.
Классификаторы случайного леса могут определить происхождение опухоли по последовательно появляющимся цитозиновым и гуаниновым (CpG) участкам ДНК и микро-РНК (миРНК). Профили генов, специфичные для конкретного типа клеток, могут быть получены с помощью ML без физического выделения клеток. GNNs могут предсказывать исходы рака на основе пространственной протеомики рака головы и шеи.
Модели упругих сетей могут предсказывать ответ на иммунотерапию по профилям фрагментов ДНК. Данные для ОД включают соотношение сигнал/шум, разреженность, размерность и выбор признаков.
Несколько медицинских устройств ML для лечения рака были одобрены Управлением по контролю за продуктами и лекарствами США (FDA) и поправками по улучшению клинических лабораторий (CLIA) для использования в маммографии рака груди, эндоскопии желудочно-кишечного тракта, обнаружения рака простаты по магнитно-резонансной томографии (МРТ) с помощью SVMs и рака легких по рентгенограммам грудной клетки и компьютерной томографии (КТ) с помощью CNNs. ML-устройства также использовались для обнаружения рака яичников.
Выводы
В настоящем обзоре освещаются модели ML, используемые в онкологии, и регулярный конвейер ML для диагностических, терапевтических и прогностических оценок рака на основе изображений по молекулярным особенностям образцов жидкой и твердой ткани.
ML-прогнозы могут стратифицировать риски развития рака, оценивать факторы риска, такие как плотность молочной железы при раке груди, обнаруживать опухолевые клетки, помогать в выборе лечения и прогнозировать исходы рака, определяя подтип рака, мутационный статус, метастазирование опухоли, микросателлитную нестабильность, выживаемость пациента и ответ на радиотерапию, химиотерапию и иммунотерапию.
Источник: https://www.news-medical.net/news/20230319/Machine-learning-applications-for-the-diagnosis-treatment-and-prognosis-of-cancer.aspx
51.4к
