Badania nad rakiem piersi w ciągu ostatnich lat poczyniły ogromne postępy, zwłaszcza w zakresie zrozumienia indywidualnych reakcji pacjentek na terapie. Model uczenia maszynowego (ML), który uwzględnia zarówno dane kliniczne, jak i genetyczne, okazuje się bardziej skuteczny w przewidywaniu wyników leczenia dla pacjentek z hormonozależnym, HER2-ujemnym przerzutowym rakiem piersi. To podejście przewyższa dotychczasowe modele bazujące jedynie na danych klinicznych lub genetycznych, co może stanowić przełom w personalizowanych terapiach onkologicznych. Wyniki tych badań zostały zaprezentowane podczas Sympozjum na temat Raka Piersi w San Antonio (SABCS), które odbyło się w grudniu 2024 roku.
CDK4/6 inhibitory stosowane w połączeniu z terapią hormonalną znacząco poprawiły rokowania u pacjentek z w/w typem raka piersi. Jednakże, jak zauważa dr Pedram Razavi, naukowy dyrektor Globalnego Programu Badawczego w Memorial Sloan Kettering Cancer Center, odpowiedzi na te leki mogą znacznie się różnić. Niektóre pacjentki osiągają świetne wyniki, inne rozwijają oporność na leczenie, a jeszcze inne w ogóle nie odczuwają korzyści. W związku z tym istnieje pilna potrzeba dokładniejszego identyfikowania osób, które mogą czerpać korzyści z tej terapii, już na etapie diagnozy choroby przerzutowej.
Celem jest unikanie niepotrzebnych działań terapeutycznych, uniknięcie skutków ubocznych oraz minimalizacja toksyczności finansowej leczenia. Dzięki bardziej precyzyjnemu modelowi możliwe jest planowanie strategii leczenia w sposób bardziej dostosowany do indywidualnych potrzeb pacjentek, co otwiera nowe możliwości eskalacji i deeskalacji terapii.
Jak działa model ML i jakie dane analizowano?
Zespół badawczy z Memorial Sloan Kettering skonstruował trzy odrębne modele prognostyczne przy pomocy narzędzia OncoCast-MPM. Modele te opierają się na:
1. Funkcjach klinicznych (CF),
2. Funkcjach genetycznych (GF),
3. Połączeniu danych klinicznych i genetycznych (CGF).
Modele zostały opracowane na podstawie danych od 761 pacjentek poddanych terapii pierwszej linii z CDK4/6 inhibitorami w połączeniu z leczeniem hormonalnym. Dla wszystkich tych pacjentek wykonano sekwencjonowanie genów za pomocą testu MSK-IMPACT, który pozwala na identyfikację mutacji genetycznych oraz dobór odpowiednich terapii lub badań klinicznych.
Testowano także wydajność tych modeli na odrębnym zestawie 326 pacjentek. Wyniki były znaczące — szczególnie model CGF, łączący dane kliniczne i genetyczne, umożliwił podział pacjentek na cztery grupy ryzyka. Grupy te różniły się długością przeżycia bez progresji nowotworu (PFS), od 5,3 miesiąca w grupie wysokiego ryzyka aż do 29 miesięcy w grupie niskiego ryzyka. Porównawczo, modele CF i GF pozwoliły na maksymalnie trzy grupy ryzyka, a różnice między nimi były mniej wyraźne.
Czynniki kliniczne i genetyczne o największym znaczeniu
Modele ML uwzględniły szereg krytycznych czynników, które pozwalały przewidywać wyniki leczenia. Wśród klinicznych predyktorów znalazły się:
– przerzuty do wątroby,
– negatywny receptor progesteronowy,
– niska ekspresja receptora estrogenowego,
– obecność przerzutów trzewnych,
– krótki czas poniżej jednego roku od zakończenia terapii adiuwantowej do momentu wystąpienia choroby przerzutowej (tzw. treatment-free interval, TFI).
Z kolei predyktory genetyczne obejmowały zmiany, takie jak utrata TP53, amplifikacje genu MYC, utrata PTEN, zmiany w szlaku RTK-MAPK oraz utrata RB1. Wszystkie te zmiany są biologicznie zrozumiałe w kontekście rozwoju oporności na inhibitory CDK4/6 i terapie hormonalne.
Potencjalne zastosowania i przyszłość terapii z pomocą AI
Dr Razavi podkreśla, że te modele ML mogą odegrać ogromną rolę w lepszym monitorowaniu pacjentek o wysokim ryzyku. Pozwoli to lekarzom na szybsze podejmowanie decyzji o wprowadzeniu nowych linii leczenia, prowadzeniu bliższego monitoringu choroby czy analizie biomarkerów poprzez biopsje płynne. Docelowo celem zespołu badawczego jest stworzenie internetowego narzędzia, które umożliwi lekarzom wprowadzenie danych o pacjentkach i otrzymanie przewidywań ich rokowań.
Choć badanie było ograniczone do jednej instytucji i opierało się na retrospektywnej analizie danych, jego wyniki są obiecujące. Działania związane z walidacją modelu na zewnętrznych zestawach danych są już prowadzone. Dzięki wsparciu licznych instytucji, takich jak NIH, Breast Cancer Research Foundation czy AstraZeneca, badacze mają nadzieję wprowadzić te modele do szerszej praktyki klinicznej i badań nad nowymi strategiami leczenia.
W przyszłości uczenie maszynowe może odegrać kluczową rolę w personalizacji leczenia raka piersi, minimalizując skutki uboczne i maksymalizując skuteczność leczenia. Technologia ta przybliża onkologów o krok dalej w przewidywaniu ruchów choroby i oferowaniu pacjentkom lepszej jakości życia.