Predykcja przeżycia w różnych nowotworach z wykorzystaniem modeli uczenia maszynowego

Dlaczego nowe sposoby przewidywania przeżycia w nowotworach mają znaczenie

Pacjenci z nowotworami i ich rodziny często zadają proste, lecz dręczące pytanie: „Ile mi zostało?”. Lekarze próbują odpowiadać na podstawie doświadczenia i danych z przeszłości, ale dla wielu rzadszych nowotworów po prostu nie ma wystarczająco podobnych przypadków, by dać precyzyjne prognozy. Badanie to sprawdza, czy nowoczesne programy komputerowe mogą bezpiecznie „pożyczać doświadczenie” z częściej występujących nowotworów, aby pomóc przewidywać przeżycie w nowotworach mniej powszechnych, potencjalnie dając większej liczbie pacjentów jaśniejsze oczekiwania i lepiej dopasowaną opiekę.

Wykorzystywanie danych o wcześniejszych pacjentach do kierowania przyszłą opieką

Badacze pracowali z dużym zasobem rzeczywistych informacji z rejestrów onkologicznych szpitali w São Paulo w Brazylii. Te zapisy obejmują ponad milion pacjentów leczonych w latach 2000–2019 i zawierają szczegóły takie jak wiek, stadium guza, otrzymane leczenie oraz czy osoba żyła trzy lata po rozpoznaniu. Skupienie się na tej trzyletniej granicy pozwoliło zespołowi porównać nowotwory o bardzo różnych typowych długościach życia, unikając jednocześnie skrajnie niezrównoważonych danych, w których niemal wszyscy albo przeżywają, albo umierają.

Nauczanie komputerów rozpoznawania wzorców przeżycia

Aby przekształcić ten rejestr w narzędzie predykcyjne, autorzy wykorzystali dwie popularne metody uczenia maszynowego: XGBoost i LightGBM. Metody te nie próbują bezpośrednio zrozumieć biologii; zamiast tego przeszukują tysiące historii pacjentów, by znaleźć wzorce łączące cechy takie jak stadium choroby i czasowe schematy leczenia z późniejszym przeżyciem. Najpierw zespół zbudował modele „specjalistyczne”, każdy trenowany tylko na jednym typie nowotworu, na przykład piersi, płuca czy żołądka. Następnie sprawdzali, jak dobrze te modele potrafią przewidzieć trzyletnie przeżycie dla nowych pacjentów z tym samym nowotworem, używając standardowych miar równoważących poprawne rozpoznanie przeżyłych i zgonów.

Czy jeden nowotwór może pomóc przewidzieć inny?

Rdzeń badania stanowi odważne pytanie: czy model wytrenowany na jednym typie nowotworu może skutecznie przewidywać przeżycie w innym nowotworze? Aby to sprawdzić, badacze pogrupowali nowotwory na dwa sposoby: najczęstsze nowotwory (skóra, piersi, prostata, jelito grube, płuca i szyjka macicy) oraz nowotwory układu pokarmowego (jama ustna, gardło, przełyk, żołądek, jelito cienkie, jelito grube i odbyt). W pierwszej fazie trenowali oddzielne modele dla każdego nowotworu i testowali je na pozostałych, wybierając tylko pary, w których zarówno przeżycie, jak i brak przeżycia były przewidywane z rozsądną równowagą. W późniejszych fazach łączyli dane z wybranych nowotworów w wspólne zestawy treningowe, tworząc bardziej ogólne modele czerpiące wzorce ze spokrewnionych guzów.

Gdzie uczenie międzynowotworowe pomaga — a gdzie nie

Dla najczęstszych nowotworów łączenie danych między typami nie pokonało najlepszych modeli specjalistycznych. Pojedynczy model wytrenowany na wszystkich sześciu najczęstszych nowotworach, na przykład, przewidywał mniej dokładnie niż modele dostosowane do każdego nowotworu z osobna. Inna była sytuacja w przypadku niektórych nowotworów układu pokarmowego. Gdy dane z raka jamy ustnej, przełyku i żołądka zostały połączone, powstały model przewidywał trzyletnie przeżycie dla raka żołądka nieco lepiej niż model wyłącznie dla żołądka, z zrównoważoną dokładnością nieco powyżej 80 procent. Jednak testy statystyczne wykazały, że ta poprawa nie była wyraźnie odróżnialna od przypadku, co oznacza, że model wspólny i model specjalistyczny były de facto porównywalne. Podobne „prawie, ale nie do końca lepsze” wyniki pojawiły się dla raka jamy ustnej, jelita cienkiego i jelita grubego, często przy kompromisach między prawidłowym rozpoznaniem osób przeżywających a tymi, które zmarły.

Co to oznacza dla pacjentów z rzadkimi nowotworami

Chociaż modele międzynowotworowe rzadko przewyższały najlepsze modele specyficzne dla choroby, często im dorównywały — wykorzystując jedynie informacje „pożyczone” z innych typów nowotworów. Dla rzadkich nowotworów, którym brakuje dużych, wysokiej jakości zbiorów danych, jest to zachęcający sygnał: w przyszłości lekarze mogą polegać na modelach trenowanych na częstszych nowotworach, aby zaoferować sensowne szacunki przeżycia, gdy niemożliwe jest zbudowanie narzędzi specjalistycznych. Autorzy zastrzegają, że te metody nie są jeszcze gotowe do rutynowego stosowania klinicznego oraz że muszą być przetestowane w innych regionach i połączone z głębszymi danymi biologicznymi. Mimo to praca wskazuje na przyszłość, w której żaden pacjent nie pozostanie bez wskazówek tylko dlatego, że jego nowotwór jest rzadki.

Cytowanie: 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

Słowa kluczowe: predykcja przeżycia w nowotworach, uczenie maszynowe w onkologii, modelowanie międzynowotworowe, rzadkie nowotwory, rejestry kliniczne