摘要：利用AI和机器学习技术的功能，研究人员开发了一种更有效的模型，用于预测患有肌肉侵入性膀胱癌的患者如何对化疗反应。该模型利用全斜肿瘤成像数据和基因表达分析以一种使用单个数据类型优于先前模型的方式。...

利用AI和机器学习技术的力量，Weill Cornell Medicine开发了一种更有效的模型，以预测患有肌肉侵入性膀胱癌的患者如何对化学疗法做出反应。该模型利用全斜肿瘤成像数据和基因表达分析以一种使用单个数据类型优于先前模型的方式。

该研究于3月22日发表NPJ数字医学，确定可能决定治疗成功的关键基因和肿瘤特征。准确预期个人将如何对这种恶性癌症的护理疗法做出反应的能力可能有助于医生个性化治疗，并有可能节省那些因避免膀胱而反应良好的人。

Weill Cornell Medicine的人口健康科学教授，Digital Health研究所的创始主任Fei Wang博士说：“这项工作代表了精神医学的精神。”

“我们希望在正确的时间确定正确的患者的正确治疗方法。” Gellert Family-John P. Leonard P. Leonard博士Bishoy Morris Faltas博士补充说，血液学和医学肿瘤学研究学者，医学，细胞和发展生物学副教授，Weill Cornell Medicine，weill Cornell Medicine，又是Newyork-Presbyerian/Weerork Presbyerian/Weeller cornell Cornell Cornell Cornell Cornell Cornell Cornell Cornell Cornell cornell Cornell Cornell cornell。

Weill Cornell Medicine的人口健康科学研究助理Zilong Bai博士和医学博士后医学助理Mohamed Osman博士合作率先率领这项工作。

更好的模型，更好的预测

为了建立更好的预测模型，两位主要研究人员合作。 Wang博士的实验室专注于数据挖掘和尖端机器学习分析，但Faltas博士是一位医生科学家，具有膀胱癌生物学专业知识。

他们转向了Swog Cancer Research网络的数据，该网络设计并为成人癌症设计了多中心的临床试验。具体而言，研究人员将来自准备好的肿瘤样品图像的基因表达谱的图像集成了数据，这些数据提供了“打开”或“关闭”的基因的快照。

Faltas博士说：“由于单独的表达模式不足以预测患者在先前的研究中的反应，因此我们决定为模型提供更多信息。”

为了分析图像，研究人员使用了称为图神经网络的专业AI方法，该方法捕获了癌细胞，免疫细胞和成纤维细胞如何组织并在肿瘤中相互作用。他们还结合了自动图像分析，以识别肿瘤部位的这些不同的细胞类型。

将基于图像的输入与基因表达数据相结合，以训练和测试其AI驱动的深度学习模型，从而比单独使用基因表达或成像的模型进行了更好的临床反应预测。

Wang博士说：“在0到1的尺度上，其中1是完美的，0意味着没有正确的范围，我们的多峰模型接近0.8，而仅依靠一个数据源的单峰模型可以达到约0.6。” “这已经令人兴奋，但是我们计划磨练模型以进一步改进。”

寻找生物标志物

当研究人员寻找可预测临床结果的基因之类的生物标志物时，他们发现有意义的线索。 Faltas博士说：“我可以看到一些我知道的基因在生物学上是相关的，而不仅仅是随机基因。” “这令人放心，这表明我们正在做一些重要的事情。”

研究人员计划将更多类型的数据馈送到该模型中，例如可以在血液或尿液中拾取的肿瘤DNA的突变分析，或者可以更精确地识别膀胱中存在哪些细胞类型的空间分析。 Faltas博士说：“这是我们研究的主要发现之一 - 数据协同作用以改善预测。”

该模型还提出了一些新的假设，即Faltas博士和Wang博士正计划进一步测试。例如，肿瘤细胞与正常组织细胞的比率（例如成纤维细胞）会影响对化学疗法预测的反应。他补充说：“也许大量的成纤维细胞可以保护肿瘤细胞免受化学治疗药物的影响或支持癌细胞的生长。我想进一步深入研究该生物学。”

同时，博士。 Wang和Faltas将努力验证他们在其他临床试验队列中的发现，并愿意扩展其协作，以确定他们的模型是否可以预测更广泛的患者人群的治疗反应。

Faltas博士说：“梦想是患者会走进我的办公室，我可以将他们的所有数据集成到AI框架中，并给他们一个分数，以预测他们如何应对特定疗法。” “这将发生。但是像我这样的医生将不得不学习如何解释这些AI预测，并知道我可以信任他们 - 并能够以他们也可以信任的方式向我的患者解释他们。”