Tumorok diagnózisa epigenetikai ujjlenyomat alapján
Egy mesterséges intelligencián alapuló algoritmus 170-féle tumor azonosítására alkalmas 97% feletti pontossággal.
A Nature Cancer folyóiratban június 6-án jelent meg a Charité-Universitätsmedizin Berlin kutatóinak cikke, amelyben olyan mesterséges intelligencia alapú modellek kifejlesztéséről számoltak be, amelyek az epigenetikai jellemzők alapján képesek több mint 170 féle tumor igen megbízható osztályozására, differenciáldiagnózisára. Ha például egy MRI felvétel egy igen kedvezőtlen helyen elhelyezkedő agydaganatot mutat, a biopszia nagy kockázattal járna egy olyan beteg számára, aki kettős látás miatt fordult orvoshoz. Pontosan az ilyen helyzetek késztették arra a Charité-Universitätsmedizin Berlin kutatóit, hogy új diagnosztikai eljárásokat keressenek, amelyekben mesterséges intelligenciát alkalmaztak.
Az egyik legfőbb ok, ami miatt egy algoritmus kidolgozásába kezdtek, az volt, hogy ma már sokkal több daganattípust ismerünk, mint olyan szervet, amelyekből a tumorok származnak. Minden daganatnak megvannak a saját jellemzői: bizonyos szöveti tulajdonságok, növekedési sebesség és anyagcsere-különlegességek, és a hasonló molekuláris jellemzőkkel rendelkező daganattípusok ezek alapján csoportosíthatók – az egyes betegségek kezelése pedig döntően függ a daganat típusától. Az új, célzott terápiák a tumorsejtek bizonyos struktúráira hatnak, vagy blokkolják azok jelátviteli útjait, hogy megállítsák a kóros szövetnövekedést. A kemoterápiás eljárások a tumor típusának megfelelően választhatók ki, és adagolásuk is ennek megfelelően állítható be. Különösen ritka tumor típusok esetében lehetőség van innovatív terápiák alkalmazására is klinikai vizsgálatok keretében. Bár a szövetminták alapján elvégzett átfogó molekuláris, sejtes és funkcionális elemzés biztosítja a szükséges információkat, az orvosok olyan esetekkel is szembesülnek, amikor közvetlenül a tumorból nem lehet szövetmintát venni, vagy ez nagyon kockázatos. Ráadásul még a szövettani vizsgálat sem képes olyan pontos diagnózist adni, mint az új AI-modellek.
Ezért a kutatók először egy olyan módszert dolgoztak ki, kifejezetten az agydaganatok jellemzésére, amely nem a hagyományos mikroszkópos diagnosztikán alapul, hanem a tumor genetikai anyagának módosulásain, az epigenetikai jellemzőkön. Ezek minden sejt memóriájának részét képezik, és meghatározzák, hogy a genetikai információ mely részeit mikor olvassa le a sejt.
“Több százezer epigenetikai módosulás működik be- és kikapcsoló faktorként az egyes génszakaszoknál. Mintáik egyedi, összetéveszthetetlen ujjlenyomatot alkotnak” – nyilatkozta Dr. Philipp Euskirchen, a nemrégiben publikált tanulmány első szerzője. “A tumorsejtekben az epigenetikai információk jellegzetes módon megváltoznak. Profiljuk alapján meg tudjuk különböztetni a tumorokat és osztályozni tudjuk őket.”
Agytumorok esetében bizonyos esetekben elegendő a cerebrospinális folyadékból vett minta, amely viszonylag könnyen beszerezhető, így nincs szükség műtéti beavatkozásra. Az ismeretlen ujjlenyomatok összehasonlítása a különböző rákos megbetegedések több ezer ismert ujjlenyomatával, és azok egy adott daganattípushoz való hozzárendelése érdekében gépi tanulási módszerekre, azaz mesterséges intelligenciára van szükség, mivel óriási mennyiségű és igen összetett adathalmazt kell elemezni. Ráadásul a múltban különböző DNS-szekvenálási módszereket alkalmaztak, és a korábbi epigenetikai elemzések általában az egyes daganattípusokra jellemző meghatározott mintákra és génszegmensekre korlátozódnak.
“Célunk egy olyan modell kidolgozása volt, amely pontosan osztályozza a tumorokat, még akkor is, ha az adatok csak a teljes tumor epigenom egy részét képezik le, vagy ha ezeket az epigenetikai profilokat különböző technikákkal és változó pontossággal gyűjtötték” – fejtette ki Dr. Sören Lukassen, a cikk társszerzője.
Az újonnan kifejlesztett AI-modell neve crossNN, amelynek architektúrája egy egyszerű neurális hálózaton alapul. A modellt nagyszámú referenciatumorral tanították be, majd több mint 5000 tumornál tesztelték.
“Modellünk az összes eset 99,1%-ában lehetővé teszi az agytumorok nagyon pontos diagnosztizálását, és pontosabb, mint a jelenleg működő AI-megoldások” – ismertette az eredményeket Euskirchen. “Ezenkívül ugyanilyen módon sikerült kiképezni egy olyan AI modellt is, amely képes megkülönböztetni több mint 170 daganattípust (minden szervből), 97,8%-os pontossággal. Ez azt jelenti, hogy a viszonylag ritka agydaganatok mellett minden szerv rákos megbetegedéseinek diagnosztizálására is alkalmazható az algoritmus.”
A klinikai alkalmazás jövőbeli jóváhagyásának döntő tényezője, hogy a modellek teljes mértékben magyarázhatók legyenek, vagyis érthetőnek kell lennie, hogyan jutnak el a döntésekhez. Az AI-modell által a meghatározáshoz kapott molekuláris ujjlenyomat szövetmintából vagy testnedvekből is származhat. Specifikus agydaganatok esetében a Charité neuropatológiai osztálya már kínál nem invazív diagnosztikát cerebrospinális folyadék alapján, az úgynevezett folyadékbiopszia alkalmazásával. Ez lehetővé teszi a diagnózis felállítását a beteg számára jelentős stresszt kiváltó műtét nélkül, még nehéz helyzetekben is.
“A cerebrospinális folyadékot nanopórusos szekvenálással vizsgáltuk, amely egy új, nagyon gyors és hatékony genetikai elemzési módszer. Modelleink osztályozása alapján kiderült, hogy a kettős látással hozzánk forduló betegnél központi idegrendszeri limfóma alakult ki, így azonnal megkezdhettük a megfelelő kemoterápiát” – ismertet egy példát Euskirchen.
A módszer pontossága még a kutatókat is meglepte. “Bár AI-modellünk felépítése sokkal egyszerűbb, mint a korábbi megközelítéseké (ennek előnye, hogy klinikailag magyarázható marad), mégis pontosabb előrejelzéseket ad, és így nagyobb diagnosztikai bizonyosságot nyújt, mint a korábbi, bonyolultabb modellek” – összegzett Lukassen.
A kutatócsoport ezért a Német Ráktudományi Konzorciummal (DKTK) együttműködve klinikai vizsgálatokat tervez a crossNN-nel a DKTK nyolc németországi vizsgálati centrumában, illetve az intraoperatív alkalmazást is tesztelni fogják. A cél az, hogy a DNS-mintákon alapuló pontos és viszonylag olcsó tumormeghatározást egy napon bevezessék a rutin klinikai ellátásba.
Írásunk az alábbi közlemények alapján készült:
Tumor diagnostics: AI model detects more than 170 types of cancer
Irodalmi hivatkozás:
Dongsheng Yuan et al, crossNN is an explainable framework for cross-platform DNA methylation-based classification of tumors, Nature Cancer (2025). DOI: 10.1038/s43018-025-00976-5
