Note salienti
● Il nuovo strumento di intelligenza artificiale dopo la diagnosi di cancro del colon-retto, prevede con precisione sia la sopravvivenza globale sia la sopravvivenza libera da malattia.
● Il modello utilizza marcatori visivi sulle immagini patologiche per raccogliere informazioni sul profilo genomico di un tumore, prevede il comportamento del tumore, la progressione della malattia e la risposta al trattamento.
● Il nuovo modello potrebbe aiutare ad aumentare il processo decisionale clinico.
●Lo strumento di intelligenza artificiale poiché si basa solo sulle immagini, potrebbe essere particolarmente prezioso per gli ospedali che non dispongono della tecnologia o dell’esperienza per eseguire sofisticati profili genomici dei tessuti tumorali.
Il nuovo modello di intelligenza artificiale progettato dai ricercatori della Harvard Medical School e della National Cheng Kung University di Taiwan potrebbe portare la chiarezza tanto necessaria ai medici che forniscono prognosi e decidono sui trattamenti per i pazienti con cancro del colon-retto, il secondo tumore più mortale al mondo.
Il nuovo strumento osservando solo le immagini dei campioni tumorali (rappresentazioni microscopiche delle cellule tumorali), prevede con precisione quanto sia aggressivo un tumore del colon-retto, quanto è probabile che il paziente sopravviva con e senza recidiva della malattia e quale potrebbe essere la terapia ottimale per loro.
Avere uno strumento che risponda a tali domande, potrebbe aiutare medici e pazienti a destreggiarsi in questa astuta malattia, che spesso si comporta in modo diverso anche tra persone con simili profili di malattia, che ricevono lo stesso trattamento, e potrebbe in definitiva risparmiare parte del milione di vite umane che il cancro del colon-retto miete ogni anno.
Lo studio è stato pubblicato nella rivista Nature Communications. I ricercatori hanno affermato che lo strumento ha lo scopo di migliorare, non sostituire, l’esperienza umana.
Kun-Hsing Yu, assistente professore di informatica biomedica presso l’Istituto Blavatnik della Harvard Medical School, coautore dello studio, ha guidato un team internazionale di patologi, oncologi, informatici biomedici e informatici, ha affermato:
«Il nostro modello esegue compiti che i patologi umani non possono svolgere sulla base della sola visualizzazione delle immagini. Ciò che prevediamo non è una sostituzione delle competenze di patologia umana, ma un aumento di ciò che i patologi umani possono fare. Ci aspettiamo pienamente che questo metodo aumenti l’attuale pratica clinica della gestione del cancro».
I ricercatori hanno sottolineato che la prognosi di ogni singolo paziente, dipende da molteplici fattori, e che nessun modello può prevedere perfettamente la sopravvivenza di un dato paziente. Il nuovo modello tuttavia, potrebbe essere utile per guidare i medici a seguire più da vicino, prendere in considerazione trattamenti più aggressivi o raccomandare studi clinici per testare terapie sperimentali, nel caso i loro pazienti avessero prognosi peggiori previste sulla base della valutazione dello strumento.
Lo strumento potrebbe essere particolarmente utile in aree con risorse limitate in tutto il mondo, dove la patologia avanzata e il sequenziamento genetico del tumore potrebbero non essere prontamente disponibili.
Il nuovo strumento va oltre molti attuali strumenti di intelligenza artificiale, che eseguono principalmente attività che replicano o ottimizzano le competenze umane. Il nuovo strumento, al confronto, rileva e interpreta modelli visivi su immagini al microscopio che sono indistinguibili dall’occhio umano.
L’algoritmo di apprendimento dell’attenzione multi-task per dati multi-omics, denominato MOMA (per Multi-omics Multi-cohort Assessment), che cattura importanti processi biologici per elevate prestazioni diagnostiche e interpretabilità è disponibile gratuitamente per ricercatori e clinici.
Ampia formazione e test
Il modello è stato addestrato sulle informazioni ottenute da quasi 2.000 pazienti con cancro del colon-retto proveniente da diverse coorti di pazienti nazionali che insieme includono più di 450.000 partecipanti: lo studio di follow-up dei professionisti della salute, lo studio sulla salute degli infermieri, il programma Cancer Genome Atlas e il programma NIH Prova di screening del cancro PLCO (prostata, polmone, colorettale e ovaia).
I ricercatori durante la fase di addestramento hanno fornito al modello informazioni sull’età, il sesso, lo stadio del cancro e gli esiti dei pazienti. Gli hanno anche fornito informazioni sui profili genomici, epigenetici, proteici e metabolici dei tumori. Hanno mostrato al modello immagini patologiche di campioni tumorali, chiedendo di cercare marcatori visivi relativi a tipi di tumore, mutazioni genetiche, alterazioni epigenetiche, progressione della malattia e sopravvivenza del paziente.
I ricercatori hanno quindi testato come il modello potrebbe funzionare nel “mondo reale”, alimentandolo con una serie di immagini di campioni tumorali di diversi pazienti che non aveva mai visto prima. Hanno confrontato le sue prestazioni con i risultati effettivi del paziente e altre informazioni cliniche disponibili.
Il modello ha predetto con precisione la sopravvivenza globale dei pazienti dopo la diagnosi, nonché quanti di quegli anni sarebbero stati liberi dal cancro.
Lo strumento ha anche previsto con precisione come un singolo paziente potrebbe rispondere a diverse terapie, a seconda che il tumore del paziente ospitasse specifiche mutazioni genetiche che rendevano il cancro più o meno incline alla progressione o alla diffusione. Lo strumento in entrambe queste aree, ha superato i patologi umani e gli attuali modelli di intelligenza artificiale.
I ricercatori hanno affermato che il modello riceverà l’aggiornamento periodico man mano che la scienza si evolve e emergono nuovi dati. Kun-Hsing Yu ha affermato:
«È fondamentale che continuamente con qualsiasi modello di intelligenza artificiale, ne monitoriamo il comportamento e le prestazioni, perché potremmo vedere cambiamenti nella distribuzione del carico di malattia o nuove tossine ambientali che contribuiscono allo sviluppo del cancro. È importante migliorare il modello con nuovi e più dati man mano che arrivano, in modo che le sue prestazioni non restino mai indietro».
Discernenti modelli rivelatori
Il nuovo modello sfrutta i recenti progressi nelle tecniche di imaging del tumore, offrono livelli di dettaglio senza precedenti, tuttavia rimangono indistinguibili per i valutatori umani. Il modello sulla base di questi dettagli, ha identificato con successo gli indicatori di quanto fosse aggressivo un tumore, e quanto fosse probabile che si comportasse in risposta a un particolare trattamento.
Il modello basandosi solo su un’immagine, ha anche individuato le caratteristiche associate alla presenza o all’assenza di specifiche mutazioni genetiche, elemento che in genere richiede il sequenziamento genomico del tumore, ciò può richiedere molto tempo e denaro, in particolare per gli ospedali in cui tali servizi non sono regolarmente disponibili.
Il team di ricercatori ha affermato:
«È proprio in tali situazioni che il modello, in contesti con risorse limitate o in situazioni in cui non è disponibile tessuto tumorale per il sequenziamento genetico, potrebbe fornire un tempestivo supporto decisionale».
Il modello prima di essere implementato per l’uso in cliniche e ospedali, sarà testato in uno studio prospettico randomizzato, per valutare nel tempo le prestazioni dello strumento nei pazienti reali dopo la diagnosi iniziale.
Kun-Hsing Yu ha detto:
«Lo studio di questo tipo fornirebbe la dimostrazione standard delle capacità del modello, confrontando direttamente le prestazioni reali dello strumento, utilizzando solo le immagini con quelle dei medici umani che utilizzano conoscenze e risultati dei test a cui il modello non ha accesso».
I ricercatori hanno affermato che un altro punto di forza del modello è il suo trasparente ragionamento, per esempio, se un clinico che utilizza il modello chiede perché ha fatto una data previsione, lo strumento sarebbe in grado di spiegare il suo ragionamento e le variabili che ha utilizzato.
Kun-Hsing Yu ha aggiunto: «Questa caratteristica è importante per aumentare la fiducia dei medici nei modelli di intelligenza artificiale che utilizzano».
Misurazione della progressione della malattia, trattamento ottimale
Il modello ha individuato con precisione le caratteristiche dell’immagine relative alle differenze nella sopravvivenza, ad esempio, ha identificato tre caratteristiche dell’immagine che facevano presagire risultati peggiori:
– Maggiore densità cellulare all’interno di un tumore.
– La presenza di tessuto connettivo di supporto attorno alle cellule tumorali, noto come stroma.
– Interazioni di cellule tumorali con cellule muscolari lisce.
Il modello ha anche identificato modelli all’interno dello stroma tumorale, indicavano quali pazienti avevano maggiori probabilità di vivere più a lungo senza recidiva del cancro.
Lo strumento ha anche previsto con precisione quali pazienti trarrebbero beneficio da una classe di trattamenti antitumorali noti come inibitori del checkpoint immunitario.
Kun-Hsing Yu ha affermato:
«Sebbene queste terapie funzionino in molti pazienti con cancro al colon, alcune non presentano alcun beneficio misurabile e hanno gravi effetti collaterali. Il modello potrebbe quindi aiutare i medici a personalizzare il trattamento e risparmiare i pazienti che non ne trarrebbero beneficio».
Il modello ha anche rilevato con successo i cambiamenti epigenetici associati al cancro del colon-retto, questi cambiamenti – che si verificano quando le molecole note come gruppi metilici si attaccano al DNA e alterano il comportamento del DNA – sono noti per mettere a tacere i geni che sopprimono i tumori, provocando una rapida crescita dei tumori. La capacità del modello di identificare questi cambiamenti segna un altro modo in cui può informare la scelta del trattamento e la prognosi.
