借助AI和机器学习技术的力量，威尔康奈尔医学院的研究人员开发了一种更有效的模型，用于预测肌肉浸润性膀胱癌患者对化疗的反应。该模型通过整合全切片肿瘤图像数据和基因表达分析，其性能优于仅使用单一类型数据的先前模型。
这项研究于3月22日发表在《npj数字医学》杂志上，识别出了可能决定治疗成功的关键基因和肿瘤特征。能够准确预测个体对这种恶性癌症的标准治疗方法的反应，有助于医生制定个性化治疗方案，并可能使那些反应良好的患者免于进行膀胱切除手术。
“这项工作代表了精准医疗的精神，”威尔康奈尔医学院人口健康科学教授、数字健康人工智能研究所创始主任王飞博士说，他共同领导了这项研究。
“我们希望为合适的患者在合适的时间提供合适的治疗，”另一位共同领导者、威尔康奈尔医学院血液学和医学肿瘤学副教授、细胞和发育生物学副教授、纽约长老会/威尔康奈尔医学中心肿瘤学家比绍伊·莫里斯·法塔斯博士补充道。
威尔康奈尔医学院人口健康科学研究员白子龙博士和医学博士后研究员穆罕默德·奥斯曼博士共同主导了这项工作。
更好的模型，更好的预测
为了构建一个更好的预测模型，两位主要研究人员联手合作。王飞博士的实验室专注于数据挖掘和尖端机器学习分析，而法塔斯博士是一位具有膀胱癌生物学专业知识的医师科学家。
他们转向了SWOG癌症研究网络的数据，该网络设计并开展成人癌症的多中心临床试验。具体来说，研究人员将准备好的肿瘤样本图像数据与基因表达谱进行了整合，这些表达谱提供了哪些基因被“开启”或“关闭”的快照。
“由于单独的表达模式在之前的研究中不足以预测患者的反应，我们决定为我们的模型引入更多信息，”法塔斯博士说，他还是威尔康奈尔医学院英格兰精准医学研究所的首席研究官，以及桑德拉和爱德华·迈耶癌症中心的成员。
为了分析图像，研究人员使用了称为图神经网络的专门AI方法，这种方法可以捕捉癌细胞、免疫细胞和成纤维细胞在肿瘤中的组织和相互作用。他们还采用了自动图像分析来识别肿瘤部位的不同细胞类型。
将基于图像的输入与基因表达数据结合起来训练和测试他们的AI驱动深度学习模型，结果比仅使用基因表达或成像数据的模型产生了更好的临床反应预测。
“在0到1的尺度上，1表示完美，0表示完全不正确，我们的多模态模型接近0.8，而单模态模型依赖单一数据源只能达到大约0.6，”王飞博士说。“这已经令人兴奋，但我们计划进一步完善模型。”
寻找生物标志物
随着研究人员寻找如预测临床结果的基因等生物标志物，他们发现了一些有意义的线索。“我可以看到一些我知道在生物学上有意义的基因，而不仅仅是随机的基因，”法塔斯博士说。“这是令人放心的，表明我们正在研究一些重要的东西。”
研究人员计划向模型中输入更多类型的数据，例如可以从血液或尿液中检测到的肿瘤DNA突变分析，或者允许更精确地识别膀胱中存在的细胞类型的空域分析。“这是我们研究的一个关键发现——数据协同作用以改善预测，”法塔斯博士说。
该模型还提出了一些新的假设，法塔斯博士和王飞博士计划进一步测试。例如，肿瘤细胞与正常组织细胞（如成纤维细胞）的比例影响化疗反应的预测。“也许大量成纤维细胞可以保护肿瘤细胞免受化疗药物的影响或支持癌细胞生长。我想进一步研究这一生物学现象，”他补充道。
与此同时，王飞博士和法塔斯博士将在其他临床试验队列中验证他们的发现——并且愿意扩展他们的合作，以确定他们的模型是否可以预测更广泛患者群体的治疗反应。
“我的梦想是，患者走进我的办公室，我可以将他们所有的数据整合到AI框架中，给他们一个评分，预测他们对特定疗法的反应，”法塔斯博士说。“这将会实现。但像我这样的医生需要学会如何解释这些AI预测，并知道我可以信任它们——并且能够以患者也能信任的方式向他们解释。”
(全文结束)
