Обзор рака

Рак — это группа заболеваний, связанных с аномальным ростом клеток, которые могут проникать в другие части тела или распространяться на них. Клетки растут и размножаются в процессе клеточного деления (митоз в соматических клетках) по мере потребности организма. Затем они стареют или повреждаются и умирают, и в процессе их место занимают дочерние клетки. Иногда процесс митоза нарушается, что может включать в себя что угодно, от неправильной транскрипции генов до неравномерного деления хромосом, что в конечном итоге приводит к образованию аномальных или поврежденных клеток, которые растут и размножаются, когда не должны. Это тип клеток, которые могут образовывать опухоли, которые по определению являются скоплениями клеток. Так что же отличает раковые клетки от правильно сформированных? Во-первых, вопреки самой основе митоза, они растут без каких-либо инструктивных сигналов, а следовательно, игнорируют и сигналы к апоптозу, который часто называют программируемой гибелью клеток.

Раковые клетки могут вторгаться в близлежащие области, в отличие от нормальных клеток, которые рассматривают другие клетки как препятствия, а не как хозяева, и перестают расти, когда сталкиваются с другими клетками. Вместо этого раковые клетки распространяются по разным частям тела. Их паразитическая природа также означает, что они приказывают кровеносным сосудам расти по направлению к опухолям и снабжать их кислородом и питательными веществами, удалять продукты жизнедеятельности и т. д. Они могут даже прятаться от иммунной системы, которая устраняет поврежденные или аномальные клетки, и вместо этого обманывают иммунную систему, помогая раковым клеткам оставаться живыми и расти. Например, некоторые раковые клетки убеждают иммунные клетки защищать опухоль, а не атаковать ее. В контексте генетики раковые клетки накапливают множественные изменения в своих хромосомах, такие как дупликации и делеции частей хромосом, при этом некоторые раковые клетки имеют удвоенное количество хромосом по сравнению с нормальной соматической клеткой.

При том, насколько по-разному они устроены, очевидно, что они также зависят от другого питания, чем нормальные клетки, а некоторые даже получают энергию из питательных веществ по-другому, довольно часто с легкодоступными для них ресурсами, а может быть, даже с минимальными затратами. питательный вклад из любой внешней среды, что позволяет им расти гораздо быстрее, чем нормальные клетки.

Существует почти 100 различных типов рака, которые классифицируются по расположению в организме, типу образующихся клеток (например, эпителиальные, плоскоклеточные). Основываясь на конкретных типах клеток, рак подразделяют на карциному, саркому, меланому, лейкемию и лимфому. Карциномы являются наиболее распространенным типом и представляют собой солидные опухоли. Обычно они образованы эпителиальными клетками, которые представляют собой клетки, покрывающие внутреннюю и внешнюю поверхности тела. Даже у карцином есть много типов, но обычно они имеют форму столбца. Аденокарцинома – это рак, который формируется в эпителиальных клетках, вырабатывающих жидкости или слизь, то есть в железистой ткани.

Большинство случаев рака молочной железы, толстой кишки и простаты попадают в эту категорию. Другие примеры включают базально-клеточную карциному, которая развивается в нижнем базальном слое эпидермиса (внешнем слое кожи). Другим типом рака на основе клеточного типа являются саркомы, которые развиваются в костях и мягких тканях, таких как мышцы, жир, кровеносные сосуды, лимфатические сосуды и т. д. Остеосаркома является наиболее распространенным раком костей. Саркомы мягких тканей включают лейомиосаркому, саркому Капоши, злокачественную фиброзную гистиоцитому, липосаркому и выбухающую дерматофибросаркому. Лимфомы начинаются в лимфоцитах (лейкоциты, борющиеся с болезнью, часть иммунной системы) и накапливаются в основном в лимфатических узлах и сосудах. Лейкемия, последний тип, начинается в кроветворной ткани, то есть в костном мозге, и, следовательно, не показывает солидных опухолей, но вместо этого накапливается большое количество аномальных лейкоцитов, что означает, что у нас меньше нормальных клеток крови. Это вызывает проблемы с транспортом кислорода, переносом питательных веществ, остановкой кровотечения, иммунитетом и борьбой с инфекциями. Наконец, меланомы — это виды рака, которые начинаются в клетках кожи, которые позже становятся меланоцитами (клетками, вырабатывающими меланин).

Некоторые виды рака кожи связаны с меланомой.

Рак молочной железы

Рак молочной железы представляет собой разновидность аденокарциномы, которая образуется в клетках долек молочной железы. Это наиболее распространенный вид рака у женщин и вторая по значимости причина смерти женщин в целом. Они начинаются с молочных протоков (так называемая инвазивная протоковая карцинома).

Их можно разделить на рак, который распространяется, то есть инвазивный рак, и неинвазивный, то есть рак, который не распространяется за пределы молочной железы. Большинство случаев рака молочной железы на самом деле вполне поддаются лечению, но их необходимо выявлять на ранних стадиях, поскольку они в конечном итоге распространяются, поскольку инвазивная протоковая карцинома составляет 70–80% всех случаев. части тела.

Раковые клетки имеют определенные белки, которые действуют как гормональные рецепторы для эстрогена, прогестерона. Как правило, статус гормональных рецепторов был основным показателем вероятности рака, и в идеале соотношение гормональные рецепторы/гормоны должно составлять 60% — эстроген + ве, 20% — HER2 + ве, 20% — тройной отрицательный результат. ‹Гормон› положительный означает, что этот ‹Гормон› подпитывает рост рака, и указывает на то, что эти виды рака растут быстрее. Статус используется, чтобы определить, как его можно лечить и понять, какие гормоны подавлять.

Говоря о раннем выявлении рака, это можно сделать несколькими способами. Проверка физических симптомов (припухлости, утолщения, втянутые соски, изменение цвета, формы, размера, шелушение, корки и т. д.), регулярные самостоятельные осмотры, регулярные маммограммы и скрининги, выявление генетического риска, изменение образа жизни и, возможно, даже ограничение постменопаузы гормональная терапия при крайней необходимости. Поддержание здорового веса также помогает.

Понимание риска рака

Когда выявляются случаи высокого риска, в таких случаях, как сильный семейный анамнез, обнаружение связанных мутаций и т. д., основной целью является снижение риска. Профилактические препараты или химиопрофилактика являются эффективным методом, таким как использование препаратов, блокирующих эстроген, таких как селективные модуляторы рецепторов эстрогена и ингибиторы ароматазы, которые снижают риск рака молочной железы у женщин с высоким риском заболевания. Но их обычно избегают. из-за риска побочных эффектов и зарезервированы только для высокого риска рака молочной железы. Лучшим и более безопасным вариантом является профилактическая хирургия, при которой женщины выбирают профилактическую мастэктомию, то есть удаляют хирургическим путем здоровую грудь. Профилактическая овариэктомия также проводится по той же причине, и здоровые яичники удаляются, чтобы снизить риск как рака молочной железы, так и рака яичников.

Генетически унаследованные виды рака, хотя и составляют всего 5–10% всех видов рака, по-прежнему весьма опасны для носителей ответственных мутаций — BRCA1 и 2. Как правило, если они правильно сформированы, это гены, которые помогают восстанавливать поврежденную ДНК. У каждого человека есть по две копии каждого из этих генов —

по одной копии, унаследованной от каждого родителя и иногда называемой генами-супрессорами опухолей. Но при определенных изменениях, называемых вредными мутациями, может развиться рак. Если кто-то унаследовал вредный вариант BRCA1 или BRCA2 от одного родителя, он унаследовал бы нормальную копию этого гена от другого родителя. Почему? потому что в большинстве случаев эмбрионы с вредным вариантом от каждого родителя не могут развиваться, но нормальная копия может быть потеряна или изменена в некоторых клетках тела в течение жизни этого человека в процессе, называемом соматическим изменением.

Клетки, в которых нет функционирующих белков BRCA1 или BRCA2, могут выйти из-под контроля и стать раковыми. У женщин с положительным результатом теста на мутацию BRCA риск развития рака молочной железы на 80% выше, чем у женщин без этой мутации. На самом деле, вопреки распространенному мнению, женщины с этой мутацией могут заболеть раком молочной железы в очень молодом возрасте. Часто женщины предпочитают избавиться от груди, то есть сделать мастэктомию, вместо того, чтобы жить в страхе.

Машинное обучение при раке

Машинное обучение — это раздел искусственного интеллекта и компьютерных наук, который фокусируется на использовании данных и алгоритмов для имитации того, как мы учимся, то есть путем обучения на ошибках и постепенного повышения точности. Мы используем статистические методы для обучения алгоритмов и учим их классифицировать, прогнозировать или понимать данные. Глубокое обучение — это его подполе, которое автоматизирует большую часть процесса извлечения признаков (процесс уменьшения размерности, с помощью которого исходный набор необработанных данных сводится к более управляемым группам для обработки). Это позволяет использовать большие наборы данных, т. е. Deep Learning — это масштабируемое машинное обучение. Благодаря глубокому обучению мы можем использовать помеченные наборы данных (обучение с учителем) и обучать наши алгоритмы. Загвоздка в том, что нам не обязательно нужны маркированные наборы данных, мы можем классифицировать необработанные данные на основе их характеристик, с минимальным вмешательством человека для обработки данных или вообще без него, что означает отличную масштабируемость.

Диагностика на основе изображений

Сегодня основное применение глубокого обучения находится в диагностике — анализе изображений с помощью сверточных нейронных сетей. На самом деле, большая часть приложений машинного обучения в здравоохранении была такой в ​​течение последних нескольких лет. Это изображение модели для анализа мазка крови, которую я разработал -

Очень полезной и растущей областью, относящейся к нашим предыдущим наблюдениям, является прогнозирование таких заболеваний, как рак молочной железы. Прогнозирование может быть сделано на основе демографической информации, тенденций образа жизни, результатов анализа крови, алгоритмически обнаруженных биомаркеров и помогает определить риск развития рака молочной железы у кого-то и, следовательно, дает им преимущество.

Некоторые виды рака молочной железы очень сложно обнаружить, просто основываясь на ручном наблюдении за записями, и часто они могут не проявлять физических симптомов, но машинное обучение оказалось весьма полезным в этом отношении. Некоторые ML, зависящие от генетического состава пациента, способны выявлять закономерности, общие для определенных мутаций, в то время как другие основаны на реакции определенных биомаркеров на определенные химические тесты.

Прогнозирование риска рака

Почему необходимо прогнозирование рисков? В современном мире рак молочной железы является одной из самых распространенных причин смерти женщин. Тревожно высокое число смертей может быть снижено, если рак будет диагностирован на ранней стадии. С появлением технологий делать такие прогнозы стало проще. Машинное обучение позволяет нам делать прогнозы, связанные с заболеваниями, на основе физических или поведенческих характеристик. Способность компьютеров «учиться» на прошлых примерах, выявлять трудноразличимые закономерности из больших, зашумленных или сложных наборов данных хорошо подходят для медицинских приложений, особенно те, которые зависят от сложных протеомных и геномных измерений. Если рак молочной железы обнаружен на ранней стадии, существует больше вариантов лечения и больше шансов на выживание.

У женщин, у которых рак молочной железы обнаружен на ранней стадии, выживаемость составляет 93 процента или выше в течение первых пяти лет. Рак молочной железы, который обнаруживается из-за того, что он вызывает симптомы, имеет тенденцию быть более крупным и запущенным. Напротив, рак молочной железы, обнаруженный во время скрининговых обследований, с большей вероятностью будет меньше и все еще ограничен грудью. Размер рака молочной железы и то, насколько далеко он распространился, являются двумя наиболее важными факторами в прогнозировании прогноза или перспектив женщины с этим заболеванием.

Машинное обучение (ML) предлагает альтернативный подход к стандартным методам прогнозирования. Эти методы прогнозирования на основе машинного обучения пытаются устранить текущие ограничения и повысить точность стандартных методов прогнозирования. Методы, основанные на машинном обучении, могут обнаруживать и идентифицировать закономерности и взаимосвязи между различными факторами, влияющими на вероятность рака, что позволяет эффективно прогнозировать будущие результаты того или иного типа рака. Согласно исследованию, проведенному в 2019 году, использовались 8 моделей ML, обобщенные линейные модели, логистическая регрессия, линейный дискриминантный анализ.

Цепь Маркова Монте-Карло, обобщенная линейная смешанная модель, квадратичный дискриминантный анализ. адаптивное повышение, случайный лес и k-ближайшие соседи для изучения дискриминационной точности оценок на основе машинного обучения по сравнению с моделями Инструмента оценки риска рака молочной железы (BCRAT) и Анализа заболеваемости и оценки носительства молочной железы и яичников (BOADICEA).

В статье (Listgarten et al. 2004) использовались профили однонуклеотидного полиморфизма (SNP) ферментов, метаболизирующих стероиды (CYP450), для разработки метода ретроспективного прогнозирования возникновения «спонтанного» рака молочной железы. Спонтанный или несемейный рак молочной железы составляет около 90% всех случаев рака молочной железы. Гипотеза в этом исследовании заключалась в том, что определенные комбинации SNP гена стероидного метаболизма могут привести к повышенному накоплению экологических токсинов или гормонов в тканях молочной железы, что приведет к более высокому риску рака молочной железы.

Ключом к успеху были методы, которые он использовал для уменьшения отношения выборки к признаку, а также тот факт, что он исследовал несколько методов машинного обучения, чтобы найти оптимальный классификатор.

Было использовано несколько методов машинного обучения, включая наивную байесовскую модель, несколько моделей дерева решений и сложную машину опорных векторов (SVM). SVM и наивный байесовский классификатор достигли наивысшей точности, используя только набор из 3 SNP, а классификатор дерева решений достиг наивысшей точности, используя набор из 2 SNP. Классификатор SVM показал лучшие результаты с точностью 69%, в то время как наивные байесовские классификаторы и классификаторы дерева решений достигли точности 67% и 68% соответственно.

Это исследование прекрасно иллюстрирует, как правильный дизайн, тщательная реализация, соответствующий выбор данных и тщательная проверка нескольких моделей машинного обучения могут создать надежный и точный инструмент прогнозирования риска рака. В нем также подчеркивается, как машинное обучение может раскрыть важную информацию о биологии и полигенных факторах риска, связанных со спонтанным или несемейным раком молочной железы.

Рецидив рака

Исследование De Laurentiis et al. (1999), направлена ​​на прогнозирование вероятности рецидива в течение 5 лет у больных раком молочной железы. Использовалась комбинация 7 прогностических переменных, включая такие клинические данные, как возраст пациента, размер опухоли и количество подмышечных метастазов. Также была включена информация о белковых биомаркерах, таких как уровни рецепторов эстрогена и прогестерона. Цель исследования заключалась в разработке автоматического количественного прогностического метода, который был бы более надежным, чем классическая система стадирования опухоль-узел-метастазы (TNM).

Модель на основе ИНС помогла поддерживать отношение выборки к признаку значительно выше предложенного минимума 53. Весь набор данных был разделен на три равные группы: обучение (1/3), мониторинг (1/3) и наборы тестов (1/3) для оптимизации и проверки. Многократный и строгий контроль качества и внимание к деталям позволили провести исследование на основе очень точного и надежного классификатора.

Цель исследования заключалась в разработке модели, которая предсказывала бы рецидив рака молочной железы лучше, чем классическая система стадирования TNM. Таким образом, было важно, чтобы модель ANN сравнивалась с прогнозами стадий TNM. Это было сделано путем сравнения производительности с использованием кривой характеристики оператора приемника (ROC). Было обнаружено, что модель ANN (0,726) превосходит систему TNM (0,677) по площади под ROC-кривой. Здесь недостаток заключался в том, что тестировался только один тип алгоритма машинного обучения (ANN).

Выживаемость рака

Тематическое исследование анализа выживаемости включает подход гибридного машинного обучения для прогнозирования исходов у пациентов с диффузной крупноклеточной В-клеточной лимфомой (DLBCL) с использованием единого классификатора для прогнозирования выживаемости пациентов (Futschik et al. 2003). Между тем, Листгартен и др. (2004) использовали только геномные (SNP) данные в своей схеме классификатора. После проведения анализа было доказано, что клиническая информация может обогатить данные микрочипов, так что комбинированный предиктор будет работать лучше, чем классификатор, основанный либо только на данных микрочипов, либо только на клинических данных. Данные теста состояли из записей 56 пациентов с ДВККЛ, состоящих из набора факторов риска (от низкого до высокого риска). Байесовский классификатор достиг точности 73,2% в прогнозировании смертности пациентов с ДВККЛ. Кроме того, классификаторы «развивающейся нечеткой нейронной сети» (EFuNN) использовали подмножество из 17 генов для достижения точности 78,5%. Затем классификатор EFuNN и байесовский классификатор были объединены, чтобы получить точность 87,5%. Тем не менее, поскольку только 56 пациентов были классифицированы по 17 генным признакам, отношение выборки к признаку составляет немногим более 3, в то время как оптимальный SFR выше 5. как клинические, так и геномные данные в прогнозе рака могут повысить точность прогноза.

Точная медицина

В последнее время появилось понимание того, что не все системы организма клинически схожи, и, следовательно, они могут различаться по своей реакции на одно и то же лечение и/или лекарство.

Прекрасным примером этого является сегодняшняя пандемия коронавируса — один набор лекарств, таких как Ремдисивир, Тоцилизумаб и т. д., работает для одной категории пациентов, в то время как тот же набор лекарств не может предотвратить переход другой категории пациентов с почти аналогичными клиническими параметрами в тяжелую стадию. из состояния легкой или средней степени тяжести. Персонализированная медицина — это не что иное, как индивидуализированная медицина, и алгоритмы машинного обучения применяются к наборам геномных данных, чтобы связать определенные реакции с определенными генотипами, тем самым настраивая медицину в соответствии с генным составом пациентов.

В последнее время роль машинного обучения в разработке лекарств в целом стала весьма заметной. Растущая доступность наборов геномных данных вызвала бум в области персонализированной медицины. Модели помогают выявлять скрытые закономерности в данных и даже предотвращать болезни в будущем. Еще одним замечательным аспектом является использование мультимодальных данных, которые позволяют проводить более глубокий анализ больших наборов данных, тем самым улучшая понимание здоровья и болезней человека. Медицинские испытания и экспериментальные системы «in silico» — сокращает время и повышает эффективность клинических испытаний

Текущие технологии и перспективы на будущее

В настоящее время создаются модели, позволяющие различать опухоли как злокачественные или доброкачественные среди пациентов с раком молочной железы. В одной из таких моделей ИНС использовались для выполнения задачи.

большое количество скрытых слоев для лучшего обобщения данных. В модель были загружены тысячи маммографических записей, чтобы она научилась различать доброкачественные и злокачественные опухоли. Перед вводом все данные были проверены радиологами. Модель оказалась в значительной степени успешной (точность AUC 0,965). Хотя эта модель точна, ее основное преимущество перед патологоанатомами заключается в том, что она более последовательна, эффективна и менее подвержена ошибкам.

Машинное обучение также используется для прогнозирования рецидива рака, что является гораздо более сложной задачей для людей. В одной из таких моделей использовались различные методы машинного обучения, чтобы научиться прогнозировать рецидив рака полости рта после полной ремиссии у онкологических больных. Клинические, визуализационные и геномные источники данных были собраны у 86 пациентов для этой модели. Алгоритмы выбора признаков сократили количество признаков модели с более чем 110 до менее 30. Это сделало модель более эффективной и значительно уменьшило систематическую ошибку. В настоящее время модели машинного обучения все еще находятся на этапе тестирования и экспериментов для прогнозирования рака. По мере того, как наборы данных становятся все больше и качественнее, исследователи создают все более точные модели. Клинические тесты можно проводить как в клинике, так и дома, а данные будут вводиться в систему патологического машинного обучения. В течение нескольких минут будет готов подробный отчет, в котором будет точный прогноз развития рака.

Моделям машинного обучения еще предстоит пройти долгий путь, большинству моделей по-прежнему не хватает данных, и они страдают предвзятостью. Тем не менее, можно с уверенностью сказать, что машинное обучение — это следующий шаг.