人工智能預測患者的癌癥起源和治療反應

　　麻省理工學院（MIT）和丹娜-法伯癌癥研究所的研究人員在國際頂尖醫學期刊 Nature Medicine 上發表題為：Machine learning for genetics-based classification and treatment response prediction in cancer of unknown primary 的研究論文。

　　該研究開發了一個人工智能模型——OncoNPC，它可以分析比較大約400個影響癌癥發生發展的關鍵基因的DNA序列，并利用這些信息來預測這些“神秘癌癥”的起源位置。

　　研究團隊表示，利用這個AI模型，他們可以在大約900名患者的數據集中準確地對至少40%的未知來源的腫瘤進行高可信度的分類。更重要的是，OncoNPC使得能夠接受基因組指導的靶向治療的癌癥患者數量增加了2.2倍。因此，這個AI模型將來可能被用于幫助治療決策，指導醫生為原發灶不明的癌癥患者進行個性化治療。

　　癌癥可以細分成許多類型，大多數情況下是按照其發源的器官部位命名，例如肺癌、肝癌和乳腺癌等等。然而，在3%-5%的癌癥患者中，特別是那些腫瘤已經發生全身轉移的患者，醫生往往難以確定癌癥的具體起源，這些腫瘤也被歸類為原發灶不明癌（CUP）。

　　這種對癌癥起源的認知不足也常常使醫生無法給病人提供合適、精確的用藥指導。事實上，這些藥物通常被批準用于已知有效的特定癌癥類型，這類靶向治療往往比用于廣泛癌癥的治療更有效，副作用更少，這些治療通常用于原發灶不明癌（CUP）患者。

　　該論文的通訊作者 Alexander Gusev 副教授表示，每年都有相當多的人患上這些原發灶不明癌（CUP），因為大多數治療方法都是以特定部位的方式獲得批準的，必須知道原發部位才能使用它們，所以這些患者的治療選擇非常有限。

　　因此，為了改變原發灶不明癌（CUP）患者的治療窘境，研究團隊決定開發一種人工智能模型來預測其具體起源。研究團隊利用22種癌癥類型的36445個腫瘤的靶向下一代測序數據對該人工智能模型進行了訓練。這組數據包括來自紀念斯隆凱特琳癌癥中心和范德比爾特-英格拉姆癌癥中心以及丹娜-法伯癌癥研究所的患者。這些數據包括大約400種基因，這些基因在癌癥中經常發生突變。

　　人工智能模型的開發和分析工作流程概述

　　研究團隊在大約7000個以前從未見過的腫瘤上測試了這個模型，這些腫瘤的起源位置是已知的。研究人員將該AI模型命名為OncoNPC，它能夠預測癌癥的起源，平均準確率高達80%，對于高可信度預測的腫瘤（約占總數的65%），其準確率更是可以上升到95%。

　　患者和腫瘤樣本的人口統計學信息（部分）

　　在這些令人鼓舞的結果之后，研究團隊使用OncoNPC分析了971例原發灶不明癌（CUP）患者的基因序列，以預測其起源。結合臨床指標數據，研究團隊現，對于其中41.2%的CUP患者，該AI模型能夠做出高可信度的預測。

　　然后，研究團隊將OncoNPC的預測與現有數據中對腫瘤子集的種系或遺傳突變的分析進行了比較，這可以揭示患者是否具有遺傳易感性，從而患上某種特定類型的癌癥。研究團隊發現，與任何其他類型的癌癥相比，該AI模型的預測更有可能與生殖系突變最強烈預測的癌癥類型相匹配。

　　OncoNPC可用于預測原發灶不明癌的起源

　　為了進一步驗證模型的預測，研究團隊將原發灶不明癌（CUP）患者的生存時間數據與模型預測的癌癥類型的典型預后進行了比較。他們發現，被預測患有預后較差的癌癥（例如胰腺癌）的CUP患者的生存時間相應較短。與此同時，預測患有通常預后較好的癌癥（例如神經內分泌腫瘤）的CUP患者的生存時間更長。

　　OncoNPC可用于預測患者的臨床預后

　　更重要的是，OncoNPC還可以用于指導原發灶不明癌（CUP）患者的治療方案的制定。在接受了靶向治療的CUP患者中，那些與模型預測的癌癥類型一致的患者的治療預后表現得更好。此外，此外，OncoNPC使可以接受基因組指導治療的CUP患者增加了2.2倍，這些患者此前因無法鑒定腫瘤起源而最終接受了更常規的化療藥物。

　　目前，研究團隊希望繼續擴展這一AI模型，將更多其他類型的臨床數據囊括在內，例如病理圖像和放射學圖像，以使用多種數據模式提供更全面的預測。這也將為該AI模型提供腫瘤的全面視角，使其不僅能夠預測腫瘤的類型和患者的預后，甚至可能預測最佳治療方案。

　　基于OncoNPC指導CUP患者的治療決策

　　總而言之，癌癥具有廣泛的異質性，因此個性化治療是癌癥治療的正確發展方向。該研究開發的人工智能模型——OncoNPC，極大地方便了個性化治療的實施，可以準確預測癌癥的起源，輔助醫生為原發灶不明癌（CUP）患者制定合適、精準的治療策略。