利用人工智能和机器学习技术的力量，研究人员开发了一种更有效的模型，以预测肌肉浸润性膀胱癌患者对化疗的反应。该模型利用全切片肿瘤成像数据和基因表达分析，以比以往使用单一数据类型的模型更优越的方式进行预测。
这项研究于3月22日发表在《npj数字医学》上，确认了一些可能决定治疗成功的关键基因和肿瘤特征。准确预测个体对这种恶性癌症标准治疗的反应，可能有助于医生个性化治疗，并有可能使那些反应良好的患者避免膀胱切除手术。
“这项工作体现了精准医学的精神，”韦尔康奈尔医学院的群体健康科学教授、数字健康人工智能研究所创始主任的王菲博士说，他是该研究的共同负责人。
“我们希望在正确的时间为正确的患者找到正确的治疗方案，”共同负责人、韦尔康奈尔医学院的血液学和医学肿瘤学Gellert家庭-约翰·P·莱昂纳德医学博士研究学者Faltas博士补充道，他还是韦尔康奈尔医学院医学、细胞与发育生物学的副教授，以及纽约长老会/韦尔康奈尔医学中心的肿瘤学家。
韦尔康奈尔医学院的群体健康科学研究助理白子龙博士和医学博士后研究助理穆罕默德·奥斯曼博士共同主导了这项工作。
**更好的模型，更好的预测**
为了建立更好的预测模型，这两位负责研究的科学家组成了团队。王博士的实验室专注于数据挖掘和前沿机器学习分析，而Faltas博士是一位具有膀胱癌生物学专业知识的医生科学家。
他们求助于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，研究人员将制备的肿瘤样本图像数据与基因表达谱相结合，后者提供了基因“开启”或“关闭”的快照。
“由于以前的研究中单独的表达模式不足以预测患者的反应，因此我们决定为我们的模型引入更多信息，”Faltas博士说，他还是英格兰精准医学研究所的首席研究官，韦尔康奈尔医学院的Sandra和Edward Meyer癌症中心的成员。
为了分析图像，研究人员使用了一种称为图神经网络的专业人工智能方法，从而捕捉癌细胞、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技术，以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在一起，以训练和测试他们的由人工智能驱动的深度学习模型，结果是在临床反应预测方面优于仅使用基因表达或图像的模型。
“在0到1的范围内，1是完美的，0表示没有正确的， 我们的多模态模型接近0.8，而仅依赖单一数据源的单模态模型的准确率约为0.6，”王博士表示。“这已经很令人兴奋，但我们计划进一步改进模型。”
**寻找生物标志物**
研究人员在寻找如能够预测临床结果的基因等生物标志物时，发现了一些合理的线索。“我能看到一些我知道在生物学上相关的基因，而不仅仅是随机基因，”Faltas博士说。“这让人安心，并且表明我们在探索某些重要的内容。”
研究人员计划将更多类型的数据输入模型，例如可以在血液或尿液中检测到的肿瘤DNA的突变分析，或允许更精确识别膀胱中确切细胞类型的空间分析。“这是我们研究的一个关键发现——数据协同作用以改善预测，”Faltas博士表示。
该模型还提出了一些新的假设，Faltas博士和王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）的比例影响对化疗的反应预测。“成纤维细胞的丰富可能会保护肿瘤细胞免受化疗药物的影响，或支持癌细胞的生长。我希望进一步探讨这一生物学，”他补充道。
与此同时，王博士和Faltas博士将致力于在其他临床试验队列中验证他们的发现，并希望扩大合作，以确定他们的模型是否可以在更广泛的患者群体中预测治疗反应。
“我们的梦想是，患者走进我的办公室，我可以将他们的所有数据整合到人工智能框架中，并给出一个预测他们对特定治疗反应的评分，”Faltas博士说。“这将会实现。但像我这样的医生必须学习如何解读这些人工智能预测，并知道可以信任它们——并能够以患者也能信任的方式向他们解释这些预测。”
