Машинное обучение и радиогеномика: извлечённые уроки и перспективные направления

Machine Learning and Radiogenomics: Lessons Learned and Future Directions
John Kang, T. Rancati, Sangkyu Lee, Jung Hun Oh, Sarah L. Kerns, Jacob G. Scott, Russell Schwartz, Se Young Kim, Barry S. Rosenstein
2018-06-21

полногеномные ассоциативные исследованиямашинное обучениепрецизионная радиационная онкологияответ на облучениерадиогеномика
В связи с быстрым ростом доступности данных о пациентах значительно возрос интерес к прецизионной медицине, способной содействовать разработке индивидуального плана лечения для каждого пациента. Радиоонкология особенно хорошо подходит для применения прогностических моделей машинного обучения (МО) благодаря огромному объёму диагностических данных, используемых в качестве входных, и терапевтических данных, формируемых на выходе. Радиогеномика представляет собой развивающееся направление прецизионной лучевой онкологии, в котором могут использоваться методы МО; она изучает влияние геномных вариаций на чувствительность нормальных и опухолевых тканей к облучению. В настоящее время пациенты, проходящие лучевую терапию, получают лечение с применением унифицированных ограничений дозы, установленных для опухоли и окружающих нормальных тканей. Такой подход во многих отношениях не является оптимальным. Во-первых, доза, которую можно подвести к целевому объёму, может быть недостаточной для контроля опухоли, однако её повышение ограничивается окружающими нормальными тканями, поскольку эскалация дозы может привести к значительной заболеваемости и тяжёлым осложнениям. Во-вторых, у двух пациентов с почти идентичными распределениями дозы могут развиваться существенно различающиеся острые и поздние токсические эффекты, что приводит к длительным перерывам в лечении и неоптимальному контролю заболевания либо к хроническим осложнениям, ухудшающим качество жизни. Несмотря на значительный прогресс в радиогеномике, вклад генетических факторов в радиационный ответ намного превосходит наше современное понимание роли отдельных вариантов, определяющих риск. В области геномики методы МО используются для выявления труднее обнаруживаемых закономерностей, однако в радиогеномике они пока не получили полноценного распространения. Поэтому цель данной публикации заключается в представлении обзора применения МО в радиогеномике. Сначала мы кратко рассматриваем историю радиогеномики и её взаимосвязь с прецизионной медициной. Затем вводим понятие МО и сопоставляем его со статистической проверкой гипотез, чтобы обобщить общие уроки и избежать распространённых ошибок. Далее рассматриваются современные подходы МО к полногеномным исследованиям ассоциаций. После этого представлено применение МО непосредственно в радиогеномике. В заключение сформулированы важные уроки для надлежащей интеграции МО в радиогеномику.
1
Машинное обучение обладает значительным потенциалом в радиогеномике, но пока не получило полноценного распространения в этой области.
2
Радиогеномика стремится персонализировать лучевую терапию, прогнозируя влияние генетических вариаций на контроль опухоли и чувствительность нормальных тканей к облучению.
3
Для успешной интеграции необходимо сопоставлять машинное обучение со статистической проверкой гипотез, корректно применять его к полногеномным ассоциативным исследованиям и избегать распространённых методологических ошибок.
4
Генетический вклад в ответ на облучение, вероятно, превосходит современные знания об отдельных вариантах риска, что стимулирует применение методов машинного обучения для выявления сложных геномных закономерностей.
5
Единообразные ограничения дозы неоптимальны, поскольку могут препятствовать повышению дозы в опухоли и не учитывают значительные межиндивидуальные различия острых и поздних токсических эффектов.

Радиогеномика в прецизионной радиационной онкологии, в частности взаимосвязь между генетическими вариациями и чувствительностью нормальных и опухолевых тканей к облучению

Применение, ограничения и оптимальная интеграция методов машинного обучения для прогнозирования радиационного ответа и токсичности по геномным и клиническим данным

Publication Details
Publication Date
2018-06-21
Journal
Publisher
ISSN
Access Type
Author Information
Authors
John Kang
T. Rancati
Sangkyu Lee
Jung Hun Oh
Sarah L. Kerns
Jacob G. Scott
Russell Schwartz
Se Young Kim
Barry S. Rosenstein
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%