Modell des maschinellen Lernens prognostiziert die Wirksamkeit der Therapie

Das neue maschinelle Lernmodell könnte die Zeit bis zur Behandlung verkürzen, indem es schnell erkennt, welche Patienten am ehesten auf ICB ansprechen, anstatt auf die derzeitige Trial-and-Error-Methode.

Forscher der Technischen Universität Eindhoven wenden sich dem maschinellen Lernen zu, um besser vorhersagen zu können, ob eine bestimmte Immuntherapie Krebspatienten hilft. Das Modell in der neuesten Veröffentlichung ist vielversprechend und übertrifft bisher sogar traditionelle klinische Ansätze.

Einsatz der Immuntherapie im Kampf gegen Krebs

Tumorzellen verstecken sich vor den natürlichen Abwehrkräften des Körpers, was es notorisch schwierig macht, Krebs anzugreifen und zu behandeln. Tumorzellen blockieren die natürliche Immunantwort des Körpers, aber eine Immuntherapie kann sie bei einigen Patienten wieder aufwecken. Das Problem besteht darin, frühzeitig zu erkennen, welche Patienten am ehesten ansprechen.

Eine solche Therapie, Immun-Checkpoint-Blocker (ICB), weist Immunzellen an, alle Abschaltbefehle zu ignorieren, die von Krebszellen erteilt werden, die versuchen, sich zu verstecken. Obwohl es sich um eine revolutionäre Entdeckung handelt, spricht nur etwa ein Drittel der Krebspatienten auf die Behandlung an.

Das neue maschinelle Lernmodell könnte die Zeit bis zur Behandlung verkürzen, indem es schnell erkennt, welche Patienten am ehesten auf ICB ansprechen, anstatt auf die derzeitige Trial-and-Error-Methode. Dieses Modell kann auch dazu beitragen, dass Patienten, die wahrscheinlich nicht darauf ansprechen, stattdessen rechtzeitig behandelt werden. Das Modell kann auch genau aufdecken, warum diese anderen zwei Drittel der Patienten nicht reagieren.

Siehe auch: KI könnte eine neue Ära klinischer Studien einleiten

Funktionsweise des maschinellen Lernmodells

Maschinelles Lernen erforscht Biomarker von Tumoren aus Patientenproben. Es untersucht, wie diese Marker mit anderen Zellen kommunizieren und entweder eine Reaktion auf ICB hervorrufen oder es ablehnen. Von dort aus kann die Maschine anhand von Patientenproben lernen, welche zukünftigen Patienten dieselben Biomarker tragen, die auf einen ICB-Erfolg hindeuten.

Die Verwendung von maschinellem Lernen ist keine neue Methode, aber die Forscher fügten einen kleinen Trick hinzu, um ein hartnäckiges Problem beim Datenzugriff zu lösen. Obwohl RNA-Sequenzierungsdatensätze weithin verfügbar sind, sind diejenigen, die für die Krebsreaktion spezifisch sind, begrenzt. Die Forscher verwendeten mehrere Ersatz-Immunantworten. Zusammen könnten sie eine positive ICB-Reaktion anzeigen.

Beim Vergleich mit dem aktuellen Biomarker-Nachweis schnitt das Modell besser ab. Es könnte auch nützlich sein, um zu identifizieren, welche Marker am wichtigsten sind, um die gewünschte Immunantwort zu erzielen. Dies ist ein weiterer Schritt zur Bereitstellung personalisierter Medizin in Zusammenarbeit mit Ärzten und medizinischem Fachpersonal.