Voor patiënten die behandeld moeten worden voor een bepaalde (chronische) ziekte of aandoening kan een gepersonaliseerde behandeling, afgestemd op het individu, veel meerwaarde bieden. Minder bijwerkingen, sneller herstel minder onnodige inname van medicatie zijn een paar voorbeelden. Bij de behandeling van kanker worden behandelingen tot nu toe gepersonaliseerd op basis van enkele parameters waarmee het verloop van de ziekte voorspeld wordt. Echter, door de complexiteit van kanker zijn een paar parameters vaak niet voldoende. Duitse onderzoekers hebben met behulp van AI een nieuwe benadering van dit probleem ontwikkeld.
Het team van onderzoekers hebben ter ondersteuning van de klinische besluitvorming verschillende modaliteiten geïntegreerd, zoals medische voorgeschiedenis, laboratoriumwaarden, beeldvorming en genetische analyses. “Hoewel er in de moderne geneeskunde grote hoeveelheden klinische gegevens beschikbaar zijn, blijft de belofte van echt gepersonaliseerde geneeskunde vaak onvervuld,” vertelt professor Jens Kleesiek van het Instituut voor Kunstmatige Intelligentie in de Geneeskunde (IKIM) van het academisch ziekenhuis Essen en het Cancer Research Center Cologne Essen (CCCE).
AI-aanpak
De oncologische klinische praktijk maakt momenteel gebruik van tamelijk rigide beoordelingssystemen, zoals de classificatie van kankerstadia, die weinig rekening houden met individuele verschillen zoals geslacht, voedingsstatus of comorbiditeiten.
“Moderne AI-technologieën, in het bijzonder ‘explainable’ kunstmatige intelligentie (xAI), kunnen worden gebruikt om deze complexe onderlinge verbanden te ontcijferen en de kankergeneeskunde in veel grotere mate te personaliseren,” aldus Prof. Frederick Klauschen, directeur van het Instituut voor Pathologie aan de LMU en onderzoeksgroepleider bij BIFOLD. Daar werd de nieuwe AI-aanpak ontwikkeld.
350 parameters
Voor het recente onderzoek, gepubliceerd in Nature Cancer, werd de AI getraind met gegevens van meer dan 15.000 patiënten met in totaal 38 verschillende vaste tumoren. De interactie van 350 parameters werd onderzocht, waaronder klinische gegevens, laboratoriumwaarden, gegevens van beeldvormingsprocedures en genetische tumorprofielen.
“We hebben sleutelfactoren geïdentificeerd die verantwoordelijk zijn voor het merendeel van de besluitvormingsprocessen in het neurale netwerk, evenals een groot aantal prognostisch relevante interacties tussen de parameters”, legt Dr. Julius Keyl, klinisch wetenschapper aan het Instituut voor Kunstmatige Intelligentie in de Geneeskunde (IKIM), uit.
Transparante beslissingen
Het AI-model werd vervolgens met succes getest op de gegevens van meer dan 3000 longkankerpatiënten om de geïdentificeerde interacties te valideren. De AI combineert de gegevens en berekent een algemene prognose voor elke individuele patiënt. Als verklaarbare AI maakt het model zijn beslissingen transparant voor clinici door te laten zien hoe elke parameter bijdroeg aan de prognose.
“Onze resultaten tonen het potentieel van kunstmatige intelligentie om klinische gegevens niet geïsoleerd maar in context te bekijken, opnieuw te evalueren en zo een gepersonaliseerde, datagestuurde kankertherapie mogelijk te maken,” zegt Dr. Philipp Keyl van LMU. Een AI-methode als deze zou ook gebruikt kunnen worden in noodgevallen waar het van vitaal belang is om diagnostische parameters zo snel mogelijk in hun geheel te kunnen beoordelen.
Onderlinge verbanden
De onderzoekers willen ook complexe onderlinge verbanden tussen verschillende vormen van kanker blootleggen, die tot nu toe onopgemerkt zijn gebleven met conventionele statistische methoden.
“In het National Center for Tumor Diseases (NCT), samen met andere oncologische netwerken zoals het Beierse Centrum voor Kankeronderzoek (BZKF), hebben we de ideale omstandigheden om de volgende stap te zetten: het bewijzen van het werkelijke voordeel voor patiënten van onze technologie in klinische onderzoeken,” voegt Prof. Martin Schuler, Managing Director van de NCT West site en hoofd van de afdeling Medische Oncologie van het Universitair Ziekenhuis Essen, toe.
