ИИ поможет врачам спрогнозировать последствий рака мозга

Глиобластома — это быстрый и агрессивный рак головного мозга, средняя продолжительность жизни которого после постановки диагноза составляет около года. Ее трудно лечить, отчасти потому, что клеточный состав каждой опухоли сильно варьируется от человека к человеку. На сегодняшний день не существует эффективных способов борьбы с этим типом рака, а также есть трудности с прогнозом, поскольку сложно проанализировать, какие раковые клетки вызывают глиобластому у каждого пациента.

Но ученые Стэнфордского медицинского университета и их коллеги недавно разработали модель искусственного интеллекта, которая оценивает окрашенные изображения ткани глиобластомы, чтобы предсказать агрессивность опухоли пациента, определить генетический состав опухолевых клеток и оценить, остаются ли значительные раковые клетки после операции.

Даже после того, как пациенты с глиобластомой перенесли операцию, лучевую и химиотерапию, некоторые раковые клетки почти всегда остаются. Почти у всех пациентов с глиобластомой возникает рецидив. Врачи и ученые обычно используют так называемые гистологические изображения или изображения окрашенной больной ткани, чтобы идентифицировать опухолевые клетки и разработать планы лечения. Хотя изображения часто раскрывают форму и расположение раковых клеток, они не дают полной картины опухоли. В последние годы был разработан более совершенный метод, называемый пространственной транскриптомикой. Он выявляет расположение и генетический состав десятков типов клеток, используя определенные молекулы для идентификации генетического материала в опухолевой ткани. Однако эта технология дорогая и для получения данных об одном пациенте требуется несколько тысяч долларов.

Геверт и Чжэн обратились к искусственному интеллекту, чтобы сэкономить процесс, разработав модель, которая будет опираться на пространственную транскриптомику и улучшать базовые гистологические изображения, создавая более подробную карту опухоли.

Исследователи обучили модель на пространственных транскриптомных изображениях и генетических данных более чем 20 пациентов с глиобластомой. Из этих подробных изображений модель узнала, какие типы клеток, межклеточные взаимодействия и профили связаны с более благоприятными (или неблагоприятными) исходами рака.

Например, модель показала, что когда опухолевые клетки астроциты аномально группируются вместе, у пациентов возникает более быстрый и агрессивный рак. Другие исследования показали, что когда астроциты собираются вместе, они передают биологические сигналы, которые стимулируют рост опухоли. Выявляя клеточные закономерности, подобные этому характерному скоплению, модель может помочь разработать более эффективные методы лечения глиобластомы.

Данные пространственной транскриптомики тех же пациентов с глиобластомой также научили модель идентифицировать различные опухолевые клетки на соответствующих гистологических изображениях с точностью 78% или выше. 

Врачи смогут использовать это приложение, чтобы определить, какая часть опухоли была успешно удалена во время операции, а какая осталась в мозгу. Их модель показала, что опухолевые клетки с генетическими следами кислородного голодания часто располагаются в центре опухоли пациента. Когда эти клетки наблюдались в более высокой пропорции, это соответствовало худшим исходам рака.

Освещая клетки, лишенные кислорода, в гистологически окрашенных хирургических образцах, модель может помочь хирургам понять, сколько раковых клеток может остаться в мозге и как скоро требуется возобновить лечение после операции.

После того, как модель была обучена определять расположение различных типов клеток по базовым изображениям, исследователи оценили ее полезность на более крупном отдельном наборе данных гистологических изображений 410 пациентов. На основании этих изображений модель начала делать выводы об исходе рака. Исследователи увидели, что модель способна идентифицировать структуры клеток, соответствующие агрессии рака.

Идея состоит в том, что модель может когда-нибудь помочь врачам идентифицировать тех пациентов, у которых структура клеток указывает на более агрессивную опухоль и может представлять собой непосредственную угрозу, будь то рецидив или быстрый рост. Ученые также планирует усовершенствовать модель, чтобы она могла создавать еще более детальные клеточные карты опухолей глиобластомы.