Sztuczna inteligencja i uczenie maszynowe w prognozie raka tarczycy

Tradycyjne metody oceny rokowania w raku tarczycy, choć szeroko stosowane w praktyce klinicznej, wykazują ograniczenia w dokładnym przewidywaniu przebiegu choroby u poszczególnych pacjentów. System stratyfikacji ryzyka Amerykańskiego Towarzystwa Tarczycy (ATA), będący złotym standardem, charakteryzuje się suboptymalnymi możliwościami długoterminowej stratyfikacji ryzyka ze względu na niski odsetek wyjaśnianej wariancji i niską wartość predykcyjną dodatnią1.

W odpowiedzi na te wyzwania, naukowcy opracowują zaawansowane metody wykorzystujące uczenie maszynowe i sztuczną inteligencję do bardziej precyzyjnego prognozowania wyników leczenia. Te nowatorskie podejścia wykorzystują analizę dużych baz danych medycznych i zaawansowane algorytmy do identyfikacji wzorców, które mogą umknąć tradycyjnej analizie klinicznej2.

Osiągnięcia w dokładności prognozowania

Najnowsze badania wykazują imponujące wyniki w zakresie dokładności przewidywania rokowania w raku tarczycy. Wykorzystując odpowiednio zoptymalizowane sieci neuronowe, szczególnie perceptrony wielowarstwowe, na danych z dużych grup pacjentów (od 6756 do 20344 dla różnych modeli), udało się osiągnąć dokładność rozróżniania pacjentów pod względem rokowania na poziomie 94,5%2.

Najdokładniejszy model (MLP-1) wykazał dokładność 94,49%, z 94,45% dokładnością dla przypadków pacjentów żywych i 96,36% dla przypadków śmierci związanej z rakiem tarczycy3. Te wyniki reprezentują najbardziej dokładną metodę przewidywania przeżywalności w raku tarczycy wykorzystującą dane z rejestru SEER2.

Uwaga: Pomimo wysokiej dokładności, modele uczenia maszynowego wymagają walidacji w różnych populacjach pacjentów i ośrodkach medycznych przed wprowadzeniem do rutynowej praktyki klinicznej. Zawsze powinny uzupełniać, a nie zastępować ocenę kliniczną doświadczonego lekarza.

Modele drzew decyzyjnych i dodatkowe czynniki prognostyczne

Badania porównawcze wykazują, że modele oparte na drzewach decyzyjnych osiągają lepszą wydajność w porównaniu z tradycyjnym systemem stratyfikacji ryzyka ATA4. Kluczową zaletą tych modeli jest możliwość uwzględnienia czynników, które nie są included w obecnych systemach stratyfikacji ryzyka.

Do dodatkowych zmiennych wpływających na przewidywanie utrzymywania się lub nawrotu raka tarczycy należą: wiek, płeć, wskaźnik masy ciała (BMI), okoliczności rozpoznania nowotworu, rodzinna historia raka tarczycy, metoda chirurgiczna oraz wynik cytologii przedoperacyjnej z biopsji guzka tarczycy4. Włączenie tych dodatkowych zmiennych może znacząco poprawić ocenę ryzyka w porównaniu z obecnymi systemami.

Zastosowanie w różnych grupach wiekowych

Szczególnie obiecujące rezultaty osiągnięto w opracowywaniu modeli prognostycznych dla specyficznych grup wiekowych. W przypadku pacjentów pediatrycznych z brodawkowatym rakiem tarczycy, które charakteryzują się wysoką heterogennością między guzami i obecnie brakuje szeroko przyjętych kryteriów stratyfikacji ryzyka nawrotu, opracowano model oparty na 19 białkach5.

Model ProtRsf osiągnął dokładność 88,24% w stratyfikacji pacjentów pediatrycznych na grupy wysokiego lub niskiego ryzyka nawrotu6. Badania wykazały, że wiek i przerzuty do węzłów chłonnych były ważnymi wskaźnikami prognostycznymi w tej grupie pacjentów, co jest zgodne z wcześniejszymi obserwacjami6.

Modele dla pacjentów w średnim wieku

Dla pacjentów w średnim wieku z brodawkowatym rakiem tarczycy opracowano nomogram przewidujący przeżywalność specyficzną dla nowotworu. Badania wykazały, że wiek, płeć, rozmiar guza, stan cywilny, stadium TNM, stopień złośliwości guza, metoda chirurgiczna i chemioterapia były niezależnymi czynnikami ryzyka wpływającymi na przeżywalność7.

Ten model prognostyczny, po wewnętrznej i zewnętrznej walidacji, wykazał dobrą wydajność i może dostarczać lekarzom pomocy w podejmowaniu decyzji klinicznych oraz konsultacji dla pacjentów8. Szczególnie istotne jest to, że pacjenci w średnim wieku z brodawkowatym rakiem tarczycy są narażeni na miejscowe przerzuty limfatyczne i odległe, co wiąże się z gorszym rokowaniem.

Modele przewidywania nawrotu strukturalnego

Opracowano także specjalistyczne modele wykorzystujące różne algorytmy uczenia maszynowego do przewidywania nawrotu strukturalnego w brodawkowatym raku tarczycy. Model Random Forest (RF) osiągnął oczekiwaną wydajność przewidywania z ogólnie dobrą dyskryminacją, kalibracją i interpretatelnością9.

W tym modelu stosunek węzłów chłonnych (LNR) był jedną z 2 najważniejszych zmiennych, a stadium N znajdowało się wśród 5 najważniejszych zmiennych według wszystkich modeli10. Modele uczenia maszynowego mogą wspomóc podejmowanie decyzji terapeutycznych i poprawić rokowanie pooperacyjne u pacjentów z brodawkowatym rakiem tarczycy poprzez dokładne oszacowanie prawdopodobieństwa nawrotu strukturalnego.

Perspektywy: Przyszłe zastosowania uczenia maszynowego mogą obejmować przewidywanie, podczas projektowania badań klinicznych, prawdopodobieństwa korzystnych efektów w określonych subpopulacjach przy jednoczesnym minimalizowaniu ryzyka u innych grup podczas testowania nowych kandydatów na leki.

Rola pomiarów tyreoglobuliny

Nowoczesne modele prognostyczne podkreślają również znaczenie dynamicznych markerów biochemicznych. Opracowano prosty, dokładny i odtwarzalny model drzewa decyzyjnego wykorzystujący pomiary tyreoglobuliny, który może dostarczyć wiarygodnych informacji o prawdopodobieństwie strukturalnie i/lub biochemicznie utrzymującego się lub nawracającego zróżnicowanego raka tarczycy11.

Wartości tyreoglobuliny powyżej 63,1 ng/ml przewidywały krótszy czas przeżycia, ze zwiększonym ryzykiem dla wartości powyżej 63,1 i 8,9 ng/ml11. Ten typ modeli wykorzystuje łatwo dostępne markery laboratoryjne do poprawy stratyfikacji ryzyka.

Wyzwania i ograniczenia

Pomimo imponujących wyników, nowoczesne metody przewidywania rokowania mają swoje ograniczenia. Większość badań ma charakter retrospektywny i przeprowadzana jest w pojedynczych ośrodkach, co może ograniczać uogólnialność wyników6. Przyszłe badania będą wymagały walidacji modeli na prospektywnych próbkach przedoperacyjnych w wielu ośrodkach, aby objąć różnorodność próbek.

Niemniej jednak, wyniki tych badań sugerują, że systemy uczenia maszynowego wykorzystujące duże bazy danych mogą poprawić przewidywanie utrzymywania się lub nawrotu raka tarczycy12. Włączenie dodatkowych zmiennych niż te używane w obecnych systemach stratyfikacji ryzyka może poprawić ocenę ryzyka, reprezentując ważny krok w kierunku medycyny precyzyjnej w przewidywaniu nawrotu raka tarczycy.

Pytania i odpowiedzi

Jaką dokładność osiągają nowoczesne metody przewidywania rokowania?

Najnowsze modele wykorzystujące uczenie maszynowe osiągają dokładność do 94,5% w przewidywaniu rokowania w raku tarczycy, znacznie przewyższając tradycyjne systemy oceny ryzyka.

Jakie dodatkowe czynniki uwzględniają nowoczesne modele?

Modele uczenia maszynowego uwzględniają czynniki jak wiek, płeć, BMI, okoliczności diagnozy, historię rodzinną, metodę chirurgiczną i wyniki cytologii przedoperacyjnej.

Czy sztuczna inteligencja zastąpi tradycyjną ocenę kliniczną?

Nie, modele AI mają uzupełniać, a nie zastępować ocenę kliniczną. Wymagają walidacji w różnych populacjach przed wprowadzeniem do rutynowej praktyki.

Czy są dostępne specjalne modele dla różnych grup wiekowych?

Tak, opracowano specjalistyczne modele dla pacjentów pediatrycznych (dokładność 88,24%) i w średnim wieku, uwzględniające specyficzne czynniki ryzyka dla tych grup.

Reklama
Reklama