Onderzoekers van Weill Cornell Medicine hebben een innovatieve oplossing ontwikkeld waarmee beter voorspeld kan worden wat het effect is van chemotherapie bij patiënten met spierinvasieve – waarbij tumorweefsel ook in de spierlaag aanwezig is - blaaskanker. Bij de ontwikkeling van het nieuwe voorspelmodel is gebruik gemaakt van AI en machine learning technologieën.
Bij de bestaande modellen voor het bepalen van de behandeling van spierinvasieve blaaskanker wordt voor het voorspellen van de uitkomst gebruik gemaakt van een enkele databron. Door AI en machine learning-technologie in te zetten, konden voor dit nieuwe onderzoek alle beeldgegevens van de gehele tumor en genexpressieanalyses gebruikt worden. Dat resulteerde in de ontdekking van belangrijke genen en tumorkarakteristieken die bepalend kunnen zijn voor het succes van een behandeling.
Gepersonaliseerde behandeling
De mogelijkheid om nauwkeurig te voorspellen hoe een patiënt zal reageren op de standaardbehandeling voor dit type kanker kan artsen helpen om de behandeling te personaliseren. Zo kan mogelijk ook voorkomen worden dat patiënten bij wie blijkt dat de behandeling effectief zal zijn, een blaasverwijdering moeten ondergaan. “Dit werk vertegenwoordigt de geest van precisiegeneeskunde. We willen de juiste behandeling voor de juiste patiënt op het juiste moment kunnen toepassen”, aldus de onderzoekers, wiens werk onlangs gepubliceerd is in Digital Medicine.
De onderzoekers van Weill Cornell Medicine zijn niet de enigen die de potentie van AI en machine learning inzetten in de zoektocht naar betere behandelvormen en -voorspelmodellen voor kanker. Enkele weken geleden berichtten wij over Duitse onderzoekers die een AI-model ontwikkelden dat de personalisatie van kankerbehandelingen verbetert door 350 parameters te analyseren, waaronder medische voorgeschiedenis, laboratoriumwaarden, beeldvorming en genetische analyses.
Analyse beeldgegevens
Voor het analyseren van de beelden, beschikbaar gesteld door het SWOG Cancer Research Network, gebruikten de onderzoekers van Weill Cornell Medicine gespecialiseerde AI-methoden genaamd grafisch neurale netwerken. Daarmee kont vastgelegd worden hoe kankercellen, immuuncellen en fibroblasten georganiseerd zijn en op elkaar inwerken binnen de tumor. Daarnaast zetten de onderzoekers ook geautomatiseerde beeldanalyse in om deze verschillende celtypen op de plaats van de tumor te identificeren.
Het combineren van de op afbeeldingen gebaseerde invoer met de genexpressiegegevens om hun AI-gestuurde deep learning-model te trainen en te testen, resulteerde in betere voorspellingen van de klinische respons dan modellen die alleen genexpressie of beeldvorming gebruikten. “Op een schaal van 0 tot 1, waarbij 1 perfect is en 0 betekent dat niets correct is, komt ons multimodale model in de buurt van 0,8, terwijl unimodale modellen die zich baseren op slechts één gegevensbron ongeveer 0,6 halen. Dat is op zich al veelbelovend, maar we zijn van plan om het model aan te scherpen voor verdere verbeteringen”, vertelt dr. Fei Wang, hoogleraar gezondheidswetenschappen aan Weill Cornell Medicine.
De onderzoekers zijn van plan om meer soorten gegevens in het model in te voeren, zoals mutatieanalyses van tumor-DNA dat kan worden opgepikt in bloed of urine, of ruimtelijke analyses waarmee nauwkeuriger kan worden vastgesteld welke soorten cellen er precies aanwezig zijn in de blaas.
