Машинное обучение и радиогеномика: извлечённые уроки и перспективные направления
Machine Learning and Radiogenomics: Lessons Learned and Future Directions
2018-06-21
SCID: 54.1/65dsabwe
Discuss with AI
полногеномные ассоциативные исследованиямашинное обучениепрецизионная радиационная онкологияответ на облучениерадиогеномика
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Радиогеномика в прецизионной радиационной онкологии, в частности взаимосвязь между генетическими вариациями и чувствительностью нормальных и опухолевых тканей к облучению
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest