חיזוי הישרדות בסיבות שונות של סרטן באמצעות מודלים של למידת מכונה

מדוע חיזוי הישרדות בסרטן בדרכים חדשות חשוב

חולי סרטן ובני משפחותיהם לעתים קרובות שואלים שאלה פשוטה אך מעיקה: «כמה זמן נשאר לי?» רופאים מנסים לענות מתוך ניסיון ונתונים קודמים, אך עבור רבים מסוגי הסרטן הנדירים אין מספיק מקרים דומים כדי להנחות תחזיות מדויקות. המחקר הזה בוחן האם תוכניות מחשב מודרניות יכולות "להשאיל ניסיון" ממקרי סרטן שכיחים כדי לסייע בחיזוי הישרדות עבור סוגים פחות שכיחים, ובכך להעניק ליותר מטופלים ציפיות ברורות יותר וטיפול מותאם יותר.

להשתמש בחולים בעבר כדי להנחות טיפול עתידי

החוקרים עבדו עם מאגר גדול של מידע מן העולם האמיתי מרישומי סרטן בבתי חולים בסאו פאולו, ברזיל. רשומות אלה כוללות יותר ממיליון מטופלים שטופלו בין השנים 2000 ו־2019 וכוללות פרטים כגון גיל, שלב הגידול, טיפולים שניתנו והאם האדם היה עדיין בחיים שלוש שנים לאחר האבחנה. המיקוד בסמן של שלוש שנים איפשר לצוות להשוות בין סוגי סרטן עם תוחלות חיים טיפוסיות שונות מאוד ובו־זמנית להימנע מנתונים קיצוניים מאוד, שבהם כמעט כולם או שורדים או נפטרים.

להדריך מחשבים לזהות דפוסי הישרדות

כדי להפוך את הרישום לכלי חיזוי, המחברים השתמשו בשתי שיטות למידת מכונה פופולריות, XGBoost ו‑LightGBM. שיטות אלה אינן מנסות להבין ביולוגיה ישירה; במקום זאת הן מסננות אלפי היסטוריות מטופלים כדי למצוא דפוסים המקשרים תכונות כמו שלב המחלה וזמן הטיפול להישרדות מאוחרת. ראשית, הקבוצה בנתה מודלים "מומחים", שכל אחד הוכשר רק על סוג סרטן אחד, כגון סרטן השד, הריאה או הקיבה. לאחר מכן בדקו עד כמה מודלים אלה מסוגלים לחזות הישרדות לשלוש שנים עבור מטופלים חדשים עם אותו סוג סרטן, באמצעות מדדים סטנדרטיים שמאזנים זיהוי נכון של שורדים ואי‑שורדים.

האם סרטן אחד יכול לסייע בחיזוי של אחר?

לב המחקר שואל שאלה נועזת: האם מודל שאומן על סוג סרטן אחד יוכל בחוכמה לחזות הישרדות בסרטן שונה? כדי לבדוק זאת, החוקרים קיבצו את סוגי הסרטן בשתי דרכים: סוגי הסרטן הנפוצים ביותר (עור, שד, ערמונית, קולורקטלי, ריאה וצוואר הרחם) וסרטנים של מערכת העיכול (חלל הפה, אורופארינקס, ושט, קיבה, תריסריון/מעי דק, קולורקטלי ואנוס). בשלב ראשון הם אילפו מודלים נפרדים לכל סרטן ונסו אותם על האחרים, ובחרו רק בזיווגים שבהם הן הישרדות והן אי‑הישרדות ניבאו באיזון סביר. בשלבים מאוחרים יותר הם מיזגו נתונים מסוגי סרטן נבחרים לערכי אימון משותפים, ויצרו מודלים כלליים יותר שהפיקו לקחים מדפוסים חוצים גידולים קשורים.

באילו מקרים למידה חוצת‑סרטן עוזרת — ובאילו לא

עבור סוגי הסרטן השכיחים, שילוב נתונים בין סוגים לא התעלה על המודלים המומחים הטובים ביותר. מודל יחיד שאומן על כל ששת סוגי הסרטן הנפוצים, למשל, חזה בדיוק פחות טוב ממודלים המותאמים לכל סרטן בנפרד. הסיפור השתנה עבור חלק מסרטני מערכת העיכול. כאשר מיזגו נתונים מסרטני חלל הפה, ושט וקיבה, המודל שנוצר חזה הישרדות לשלוש שנים עבור סרטן הקיבה במעט טוב יותר ממודל שהוכשר רק על קיבה, עם דיוק מאוזן שנע סביב קצת מעל 80 אחוז. עם זאת, מבחנים סטטיסטיים הראו ששיפור זה לא היה בהירות מעל המקרה, כלומר המודל המשותף והמודל המומחה היו במידה רבה שווים. תוצאות דומות של "כמעט אבל לא ממש טוב יותר" הופיעו עבור סרטני חלל הפה, מעי דק וקולורקטלי, לעתים קרובות עם פשרות בין זיהוי נכון של שורדים לבין אי‑שורדים.

מה משמעות הדבר עבור חולים עם סרטנים נדירים

למרות שמודלים חוצי‑סרטן נדיר שפשוט גברו על המודלים הטובים ביותר המותאמים למחלה, הם לעתים קרובות התקרבו — ועשו זאת תוך שימוש רק במידע הושאל מסוגי סרטן אחרים. עבור סרטנים נדירים שחסרים להם מערכי נתונים גדולים ובעלי איכות גבוהה, זו איתות מעודד: בעתיד ייתכן שרופאים יוכלו להסתמך על מודלים שאומנו על סוגי סרטן נפוצים יותר כדי להציע הערכות הישרדות משמעותיות כאשר לא ניתן לבנות כלי מומחה. המחברים מזהירים שהשיטות הללו אינן מוכנות לשימוש שגרתי קליני ושהן חייבות להיבדק באזורים אחרים ולשלב נתונים ביולוגיים מעמיקים יותר. עם זאת, העבודה מצביעה על עתיד שבו אף מטופל לא יישאר ללא הנחיה רק כי סרטןו נדיר.

ציטוט: Cardoso, L.B., Egydio, J.E., Toporcov, T.N. et al. Cross-cancer survival prediction using machine learning models. Sci Rep 16, 9623 (2026). https://doi.org/10.1038/s41598-025-34133-w

מילות מפתח: חיזוי הישרדות מסרטן, למידת מכונה באונקולוגיה, מודלים חוצי-סרטן, סרטן נדיר, רישומי קליניים