Đối với một số bệnh nhân ung thư, bác sĩ không thể xác định chính xác nơi bệnh bắt nguồn.
Nhằm giúp xác định xuất xứ của ung thư không xác định nguồn gốc (CUP), các nhà nghiên cứu tại Viện Công nghệ Massachusetts (MIT) đã tạo ra một mô hình trí tuệ nhân tạo (AI) mà phân tích thông tin di truyền của bệnh nhân - và dự đoán nơi khối u xuất hiện lần đầu.
Khi sử dụng mô hình AI mới cho 900 bệnh nhân bị ung thư nguồn gốc không rõ, các nhà nghiên cứu đã phát hiện rằng họ có thể phân loại chính xác ít nhất 40% khối u, theo một nghiên cứu được công bố trên Tạp chí Y học (Nature Medicine).
"AI is a branch of computer science that aims to create intelligent machines that can replicate human behavior, thoughts, and decision-making processes."
Thông tin này có thể giúp các bác sĩ đề xuất các liệu pháp nhắm mục tiêu tốt nhất cho những bệnh nhân ung thư này, các nhà nghiên cứu cho biết.
"Nghiên cứu của chúng tôi cho thấy OncoNPC, mô hình AI mà chúng tôi phát triển, có thể sử dụng dữ liệu di truyền thu thập thông thường để hỗ trợ quyết định lâm sàng cho bệnh nhân mắc ung thư nguồn gốc không rõ (CUP), mà thường khó chẩn đoán và có giới hạn các phương pháp điều trị," Intae Moon, học sinh cao học MIT chuyên ngành kỹ thuật điện và khoa học máy tính, người viết chính của nghiên cứu, nói với Fox News Digital.
"Chúng tôi đã chứng minh rằng các khối u CUP chia sẻ đặc điểm di truyền và tiên lượng với các loại ung thư được dự đoán và có thể được hưởng lợi từ các liệu pháp hiện có được hướng dẫn bởi dự đoán OncoNPC."
Các nhà nghiên cứu cũng phát hiện rằng 15% bệnh nhân có thể đã nhận được liệu pháp nhắm mục tiêu nếu nguồn gốc của ung thư của họ đã được phát hiện.
Nghiên cứu có những hạn chế, các nhà nghiên cứu nói. Mặc dù các nhà nghiên cứu đã sử dụng dữ liệu từ nhiều trung tâm để huấn luyện mô hình AI, Moon nhấn mạnh rằng dữ liệu lâm sàng được sử dụng cho phân tích chi tiết của họ chỉ đến từ một cơ sở duy nhất.
Điều này có thể giới hạn mức độ áp dụng của các kết quả. "Giới hạn khác là một phần lớn (83,2%) bệnh nhân trong dữ liệu huấn luyện là người da trắng, điều này có thể có nghĩa rằng công cụ có thể chính xác hơn đối với bệnh nhân da trắng," Moon nói.
"Mặc dù nó vẫn hoạt động tương đối tốt với các dân tộc khác, cần có một cuộc điều tra tỉ mỉ hơn để đảm bảo rằng mô hình có lợi cho một đa dạng dân số bệnh nhân."
Ngoài ra, chỉ có 22 loại ung thư phổ biến nhất đã được xem xét để phân loại khối u - điều này có nghĩa là nếu một khối u thuộc loại chưa được liệt kê, dự đoán có thể không chắc chắn.
Để đảm bảo mô hình này có lợi cho đa dạng người bệnh, cần tiến hành một cuộc điều tra tỉ mỉ hơn."
"Moon cho biết: 'Chúng tôi hy vọng sẽ dần dần giải quyết được vấn đề này khi chúng tôi thu thập và tổng hợp dữ liệu toàn diện hơn'."
"Moon cũng cho biết: 'Cuối cùng, mặc dù những kết quả nghiên cứu của chúng tôi cho thấy bệnh nhân mắc ung thư chưa biết nguồn gốc phân loại theo thuật toán của chúng tôi có phản ứng lâm sàng tốt hơn với các liệu pháp 'phù hợp', tuy nhiên, đây vẫn là một phân tích hồi cẩm'".
"Chúng ta sẽ cần một nghiên cứu ngẫu nhiên tiềm năng để xác nhận quan hệ này là nguyên nhân."
Moon lưu ý rằng các nhà nghiên cứu coi OncoNPC như một thuật toán được sử dụng song song với các liệu pháp ung thư thông thường, chứ không phải là một sự thay thế.
"Việc xác nhận kết quả nghiên cứu của chúng tôi trên các viện đã khác nhau là rất quan trọng, và đây là bước tiếp theo rất quan trọng", ông nói.
"Trong tương lai dài, chúng ta hy vọng rằng điều này sẽ thúc đẩy nhiều nghiên cứu về sự đa dạng trong các trường hợp ung thư chưa biết nguồn gốc và dẫn đến nhiều lựa chọn điều trị hơn".
ỨNG DỤNG AI GIÚP NGƯỜI LỚN TUỔI QUẢN LÝ ĐƠN THUỐC BẰNG MỘT BỨC ẢNH: 'TRỢ LÝ SỨC KHỎE CÁ NHÂN'
Nhìn vào tương lai, nhóm nghiên cứu hy vọng tích hợp dữ liệu không cấu trúc như hình ảnh bệnh lý và ghi chú lâm sàng, từ đó giúp AI hiểu rõ hơn về khối u.
"Các kết quả này là động lực tích cực và cung cấp cái nhìn quan trọng về cách chúng ta có thể tiếp cận những trường hợp phức tạp như vậy."
"Điều này có thể cải thiện khả năng của nó trong nhiều nhiệm vụ khác nhau, bao gồm việc dự đoán trực tiếp về sự sống còn và liệu pháp tốt nhất", Moon cho biết.
'Một bước quan trọng'
Bác sĩ Tinglong Dai, giáo sư quản lý hoạt động và phân tích kinh doanh tại Trường Kinh doanh Carey thuộc Đại học Johns Hopkins ở Baltimore, Maryland, không tham gia vào nghiên cứu của MIT. Tuy nhiên, ông cho biết ông xem nghiên cứu này là "một bước quan trọng trong việc xác định chỉ số kế hoạch điều trị tối ưu cho bệnh nhân mắc ung thư từ nguồn gốc không rõ"."Các kết quả là khá khích lệ và mang lại cái nhìn quan trọng về cách chúng ta có thể tiếp cận những trường hợp phức tạp như vậy", ông nói với Fox News Digital.
"Tuy nhiên, cần lưu ý rằng tính hồi cẩm của nghiên cứu có nghĩa là nó cần được xác nhận thông qua các nghiên cứu thực địa để đánh giá hiệu suất thực tế của nó".
BẤM VÀO ĐÂY ĐỂ ĐĂNG KÝ BẢN TIN SỨC KHỎE CỦA CHÚNG TÔI
Đối với việc áp dụng phương pháp này trong thế giới thực, Dai cho biết cách các bác sĩ tích hợp và sử dụng các mô hình như thế trong thực hành hàng ngày của họ là một yếu tố quan trọng.
Sự chấp nhận và tích hợp hiệu quả của mô hình sẽ rất quan trọng trong việc chuyển đổi bằng chứng thành các chiến lược có thể thực thi", ông nói.
BẤM VÀO ĐÂY ĐỂ TẢI ỨNG DỤNG FOX NEWS
Dai nhấn mạnh rằng việc tích hợp dữ liệu không có cấu trúc, như hình ảnh bệnh lý, có thể giúp thêm các lớp thông tin và cải thiện độ chính xác trong dự đoán.
Ông thêm, "Việc tích hợp nhiều nguồn dữ liệu nhất định sẽ mang lại phương pháp mạnh mẽ hơn.
