機器學習工具可幫助腫瘤學家做出決策

麻省理工學院和哈佛大學布羅德研究所以及丹娜—法伯癌癥研究所的研究人員，開發了一種新模型，可以區分致死性前列腺癌和不太可能引起癥狀、或死亡的前列腺癌的基因組譜。它還可以幫助臨床醫生預測前列腺癌患者的腫瘤，是否隨著時間的推移，會擴散到身體的其他部位或變得對治療更具抵抗力。

該模型稱為 P-NET，還可以識別可能與疾病進展相關的分子特征、基因和生物學途徑。P-NET 使用基于機器學習的算法來分析腫瘤的已知分子特征，并指示腫瘤是否已經或可能會擴散到身體的不同部位，這是一種侵襲性和潛在致命癌癥的跡象。

該研究的資深作者、Broad 的副成員、Dana-Farber 癌癥研究所和哈佛醫學院的副教授 Eliezer (Eli) Van Allen 說，P-NET 不僅僅是為患者提供預后。“我們不僅提高了預測癌癥是否會轉移以及哪些基因可能與該狀態相關的能力，而且作為癌癥研究人員，我們可以利用該模型的可解釋性來了解這些疾病狀態的生物學，”他說。

為了構建一個可以區分早期和晚期前列腺癌腫瘤的模型，研究人員開發了一種專門的深度學習模型，與其他算法相比，該模型具有自定義架構和改進的可解釋性。

在深度學習模型中，多層神經網絡從大型數據集中“學習”以識別模式，就像人腦一樣。使用這種方法，由丹娜—法伯癌癥研究所講師、Broad 附屬研究員、該研究的第一作者 Haitham Elmarakeby 領導的團隊直接編碼生物信息，例如基因與代謝或信號通路之間的已知關系進入他們的模型。

然后，他們訓練 P-NET 使用來自 1,000 多名前列腺癌患者的基因組序列和體細胞或非遺傳性突變等數據，來預測腫瘤是否具有侵襲性。

當該團隊根據來自其他前列腺癌患者的數據測試他們的模型時，他們發現它可以正確地區分 80% 的轉移性腫瘤與原發的、不太晚期的腫瘤。這表明，經過訓練的模型能夠對新數據執行相同的功能。