Naukowcy z Singapuru opracowali narzędzie oparte na uczeniu maszynowym, które pozwala przewidywać ryzyko nawrotu raka wątrobowokomórkowego po operacji. Model łączy dane kliniczne i genetyczne, w tym informacje dotyczące 15 genów związanych z nawrotem choroby. W niezależnych kohortach osiągnął skuteczność na poziomie 86%, przewyższając stosowaną obecnie klasyfikację TNM. Wyniki badania opublikowano w czasopiśmie „Gut”.
Z tego artykułu dowiesz się…
- Jak działa nowe narzędzie oparte na uczeniu maszynowym, które przewiduje ryzyko nawrotu raka wątrobowokomórkowego (HCC) po operacji.
- Dlaczego model osiągający wynik AUC na poziomie 86% może być dokładniejszy od klasyfikacji TNM, dla której wynik wyniósł 56–68%.
- Czym różnią się dwa mechanizmy nawrotu HCC – zasiewanie poliklonalne i monoklonalne – oraz z jakim przebiegiem choroby są związane.
- Jak połączenie danych klinicznych, genetycznych i uczenia maszynowego może pomóc w personalizacji kontroli i leczenia pacjentów po operacji raka wątroby.
Rak wątroby często nawraca po operacji
Rak wątroby pozostaje trzecią najczęstszą przyczyną zgonów z powodu nowotworów na świecie. Szczególnie duże obciążenie chorobą występuje w Azji, gdzie diagnozowanych jest około 72% globalnych przypadków. Jednym z czynników wpływających na tę sytuację jest wysoka częstość zakażeń wirusem zapalenia wątroby typu B (HBV). Rak wątrobowokomórkowy (HCC) jest najczęstszą postacią pierwotnego raka wątroby. Problemem pozostaje wysokie ryzyko nawrotu nawet u chorych operowanych we wczesnym stadium. Nawrót wewnątrzwątrobowy odpowiada za około 70–80% wszystkich nawrotów. W pozostałych przypadkach dochodzi do przerzutów odległych lub jednoczesnego nawrotu w wątrobie i poza nią.
Obecnie lekarze nie dysponują wystarczająco wiarygodnymi biomarkerami, które pozwalałyby precyzyjnie wskazać pacjentów najbardziej narażonych na ponowne pojawienie się choroby. Utrudnia to zarówno planowanie dalszego leczenia i kontroli, jak i kwalifikowanie chorych do badań klinicznych nad terapiami uzupełniającymi.
Dwie biologicznie różne drogi nawrotu HCC
Naukowcy z National Cancer Centre Singapore (NCCS), Duke-NUS Medical School oraz A*STAR Genome Institute of Singapore przeanalizowali dane kliniczne i genetyczne pacjentów uczestniczących w programie PLANet. Badaniem objęto 106 chorych. U 68, czyli 64,2%, doszło do nawrotu nowotworu. U 48 pacjentów rak powrócił w wątrobie, u 11 pojawił się w innych częściach organizmu, natomiast u dziewięciu stwierdzono oba rodzaje nawrotu. Analizy pozwoliły wyróżnić dwa odmienne mechanizmy.
Pierwszym jest zasiewanie poliklonalne, w którym z pierwotnego guza jednocześnie rozprzestrzenia się wiele grup komórek nowotworowych. Mechanizm ten częściej prowadził do nawrotu w obrębie wątroby. Guzy należące do tej grupy wykazywały również cechy sugerujące możliwość większej podatności na niektóre rodzaje immunoterapii.
Drugim mechanizmem jest zasiewanie monoklonalne. W tym przypadku nawrót wywodzi się z pojedynczego klonu komórek pierwotnego guza. Taki przebieg częściej wiązał się z późniejszym nawrotem oraz rozprzestrzenianiem się nowotworu poza wątrobę.
Odkrywając dwa odrębne mechanizmy nawrotu raka wątroby, uzyskaliśmy nową wiedzę na temat procesów biologicznych, które napędzają progresję choroby po operacji. Zrozumienie tych różnic to ważny krok w kierunku bardziej spersonalizowanego podejścia do przewidywania ryzyka oraz opracowania bardziej precyzyjnych biomarkerów i terapii celowanych dla pacjentów z rakiem wątrobowokomórkowym – powiedział dr Zhang Ying, współautor pierwszego badania i starszy naukowiec w A*STAR GIS.
Uczenie maszynowe przewiduje ryzyko nawrotu
Na podstawie uzyskanych wyników naukowcy stworzyli multiomiczne narzędzie wykorzystujące uczenie maszynowe, którego zadaniem jest określanie ryzyka nawrotu HCC po operacji. Model nie opiera się wyłącznie na cechach anatomicznych nowotworu. Łączy m.in. wielkość guza, stopień zaawansowania choroby, markery oznaczane we krwi oraz informacje genetyczne. Uwzględnia także zestaw 15 genów silnie związanych z nawrotem raka.
Narzędzie przetestowano następnie w trzech niezależnych kohortach. Jedną z nich był publicznie dostępny zbiór The Cancer Genome Atlas Liver Hepatocellular Carcinoma (TCGA), obejmujący w dużej mierze populację zachodnią. Wyniki wskazują więc, że rozwiązanie może mieć zastosowanie nie tylko w populacjach Azji i Pacyfiku.
86% wobec 56–68% dla klasyfikacji TNM
Jednym z najważniejszych wyników badania jest różnica między nowym modelem, a powszechnie wykorzystywaną klasyfikacją TNM. System TNM uwzględnia przede wszystkim anatomiczne cechy nowotworu, ale nie bierze pod uwagę jego profilu genetycznego. Nowy model osiągnął wynik AUC na poziomie 86%, podczas gdy w przypadku klasyfikacji TNM było to 56–68%. AUC, czyli pole pod krzywą ROC, jest miarą zdolności modelu do rozróżniania pacjentów należących do różnych grup ryzyka.
Dzięki temu możemy teraz określić, którzy pacjenci są najbardziej narażeni na nawrót choroby, a co za tym idzie, którzy odniosą największe korzyści z określonych terapii systemowych, zapewniając, że nie będą oni poddani ani nadmiernemu, ani niedostatecznemu leczeniu – powiedział Karthik Sekar, współautor pierwszego badania i starszy specjalista ds. bioinformatyki w NCCS, który kierował pracami nad tym narzędziem.
Nowe możliwości w leczeniu uzupełniającym raka wątroby
Precyzyjne określenie ryzyka może mieć znaczenie nie tylko dla monitorowania pacjentów po operacji. Naukowcy wskazują również na możliwość lepszego projektowania badań klinicznych nad terapiami adiuwantowymi.
Rak wątroby często nawraca po operacji, ale wciąż brakuje skutecznych terapii zapobiegających nawrotom – powiedział Pierce Chow, współautor badania i główny badacz programu PLANet (Precision Medicine in Liver Cancer across an Asia-Pacific Network).
Jak podkreślają autorzy, uwzględnienie biologicznych różnic między nowotworami może w przyszłości pomóc wskazywać chorych, którzy mają największą szansę odnieść korzyść z określonych terapii, zamiast traktować wszystkich pacjentów po resekcji jako jednorodną grupę.
Naukowcy chcą jeszcze zwiększyć dokładność modelu
Badacze kontynuują prace nad narzędziem. Wykorzystują technologie sekwencjonowania przestrzennego, aby poszukiwać biomarkerów mikrośrodowiska guza, które mogłyby stać się celami molekularnymi nowych terapii HCC.
Planowane jest również rozszerzenie modelu o kolejne źródła informacji, w tym obrazy z tomografii komputerowej analizowane z wykorzystaniem uczenia maszynowego. Integracja danych obrazowych, klinicznych i molekularnych może jeszcze zwiększyć dokładność przewidywania nawrotów.
Główne wnioski
- Naukowcy z Singapuru opracowali multiomiczne narzędzie wykorzystujące uczenie maszynowe, które łączy dane kliniczne i genetyczne, w tym informacje dotyczące 15 genów silnie związanych z nawrotem HCC.
- Model osiągnął wynik AUC na poziomie 86%, podczas gdy dla powszechnie stosowanej klasyfikacji TNM wyniósł on 56–68%. Narzędzie zwalidowano w trzech niezależnych kohortach.
- W badanej grupie 106 pacjentów nawrót wystąpił u 68 osób, czyli 64,2%. Badacze zidentyfikowali dwa odmienne mechanizmy nawrotu: zasiewanie poliklonalne i monoklonalne.
- Dokładniejsza ocena ryzyka może w przyszłości pomóc lepiej dobierać pacjentów do terapii uzupełniających, badań klinicznych i intensywniejszego nadzoru pooperacyjnego.
Źródło:
- Duke-NUS Medical School
- https://gut.bmj.com/content/early/2026/07/21/gutjnl-2026-338227
