прогностические модели для определения прогрессирования опухоли

В рамках серии "3 вопроса" мы поговорили с доктором Амитом Кумаром, чтобы обсудить создание прогностических моделей для определения прогрессирования опухоли. Доктор Кумар – он является научным сотрудником в Институте исследований рака Фреда Хатчинсона и доцентом в Сиэтлском университете.

Как вы начали работать над прогностическими моделями для определения прогрессирования опухоли?

Я начал работать в этой области во время обучения на постдокторанте в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института. Я заметил, что существует значительная потребность в более точных инструментах для прогнозирования того, как рак будет прогрессировать у отдельных пациентов. Традиционные методы, основанные на стадировании и гистологических характеристиках, часто не могут точно предсказать исход лечения или вероятность рецидива. Я хотел разработать вычислительные методы, которые могли бы интегрировать различные источники данных, такие как геномные данные, результаты визуализации и клинические записи, для создания персонализированных прогностических моделей.

Какие основные проблемы вы испытываете при создании этих моделей?

Одной из основных проблем является сложность данных о раке. Раковые клетки отличаются друг от друга в рамках одной опухоли, и между пациентами существует значительная гетерогенность. Это означает, что нам нужны большие наборы данных, чтобы обучить модели, которые могут обобщать на новые случаи. Кроме того, данные о раке часто неполны или зашумлены, что может привести к искажению результатов. Еще одна проблема — интерпретируемость моделей. Важно, чтобы мы понимали, какие признаки наиболее важны для прогноза, чтобы мы могли разрабатывать более эффективные методы лечения. Мы активно работаем над методами, которые могут обеспечить объяснимость наших моделей, чтобы врачи могли доверять их прогнозам.

Каковы ваши следующие шаги в этой области?

В настоящее время я сосредоточен на разработке моделей, которые могут прогнозировать ответы на лечение и идентифицировать пациентов, которые могут выиграть от определенных терапевтических вмешательств. Я также заинтересован в разработке моделей, которые могут предсказывать риск развития рецидива после лечения. В будущем я надеюсь интегрировать эти модели в клиническую практику, чтобы помочь врачам принимать более обоснованные решения о лечении рака.