麻省理工学院（MIT）和丹娜-法伯癌症研究所的研究人员在国际顶尖医学期刊Nature Medicine上发表题为：Machine learning for genetics-based classification and treatment response prediction in cancer of unknown primary的研究论文。

该研究开发了一个人工智能模型——OncoNPC，它可以分析比较大约400个影响癌症发生发展的关键基因的DNA序列，并利用这些信息来预测这些“神秘癌症”的起源位置。

研究团队表示，利用这个AI模型，他们可以在大约900名患者的数据集中准确地对至少40%的未知来源的肿瘤进行高可信度的分类。更重要的是，OncoNPC使得能够接受基因组指导的靶向治疗的癌症患者数量增加了2.2倍。因此，这个AI模型将来可能被用于帮助治疗决策，指导医生为原发灶不明的癌症患者进行个性化治疗。

(资料图)

癌症可以细分成许多类型，大多数情况下是按照其发源的器官部位命名，例如肺癌、肝癌和乳腺癌等等。然而，在3%-5%的癌症患者中，特别是那些肿瘤已经发生全身转移的患者，医生往往难以确定癌症的具体起源，这些肿瘤也被归类为原发灶不明癌（CUP）。

这种对癌症起源的认知不足也常常使医生无法给病人提供合适、精确的用药指导。事实上，这些药物通常被批准用于已知有效的特定癌症类型，这类靶向治疗往往比用于广泛癌症的治疗更有效，副作用更少，这些治疗通常用于原发灶不明癌（CUP）患者。

该论文的通讯作者Alexander Gusev副教授表示，每年都有相当多的人患上这些原发灶不明癌（CUP），因为大多数治疗方法都是以特定部位的方式获得批准的，必须知道原发部位才能使用它们，所以这些患者的治疗选择非常有限。

因此，为了改变原发灶不明癌（CUP）患者的治疗窘境，研究团队决定开发一种人工智能模型来预测其具体起源。研究团队利用22种癌症类型的36445个肿瘤的靶向下一代测序数据对该人工智能模型进行了训练。这组数据包括来自纪念斯隆凯特琳癌症中心和范德比尔特-英格拉姆癌症中心以及丹娜-法伯癌症研究所的患者。这些数据包括大约400种基因，这些基因在癌症中经常发生突变。

人工智能模型的开发和分析工作流程概述

研究团队在大约7000个以前从未见过的肿瘤上测试了这个模型，这些肿瘤的起源位置是已知的。研究人员将该AI模型命名为OncoNPC，它能够预测癌症的起源，平均准确率高达80%，对于高可信度预测的肿瘤（约占总数的65%），其准确率更是可以上升到95%。

患者和肿瘤样本的人口统计学信息（部分）

在这些令人鼓舞的结果之后，研究团队使用OncoNPC分析了971例原发灶不明癌（CUP）患者的基因序列，以预测其起源。结合临床指标数据，研究团队现，对于其中41.2%的CUP患者，该AI模型能够做出高可信度的预测。

然后，研究团队将OncoNPC的预测与现有数据中对肿瘤子集的种系或遗传突变的分析进行了比较，这可以揭示患者是否具有遗传易感性，从而患上某种特定类型的癌症。研究团队发现，与任何其他类型的癌症相比，该AI模型的预测更有可能与生殖系突变最强烈预测的癌症类型相匹配。

OncoNPC可用于预测原发灶不明癌的起源

为了进一步验证模型的预测，研究团队将原发灶不明癌（CUP）患者的生存时间数据与模型预测的癌症类型的典型预后进行了比较。他们发现，被预测患有预后较差的癌症（例如胰腺癌）的CUP患者的生存时间相应较短。与此同时，预测患有通常预后较好的癌症（例如神经内分泌肿瘤）的CUP患者的生存时间更长。

OncoNPC可用于预测患者的临床预后

更重要的是，OncoNPC还可以用于指导原发灶不明癌（CUP）患者的治疗方案的制定。在接受了靶向治疗的CUP患者中，那些与模型预测的癌症类型一致的患者的治疗预后表现得更好。此外，此外，OncoNPC使可以接受基因组指导治疗的CUP患者增加了2.2倍，这些患者此前因无法鉴定肿瘤起源而最终接受了更常规的化疗药物。

目前，研究团队希望继续扩展这一AI模型，将更多其他类型的临床数据囊括在内，例如病理图像和放射学图像，以使用多种数据模式提供更全面的预测。这也将为该AI模型提供肿瘤的全面视角，使其不仅能够预测肿瘤的类型和患者的预后，甚至可能预测最佳治疗方案。

基于OncoNPC指导CUP患者的治疗决策

总而言之，癌症具有广泛的异质性，因此个性化治疗是癌症治疗的正确发展方向。该研究开发的人工智能模型——OncoNPC，极大地方便了个性化治疗的实施，可以准确预测癌症的起源，辅助医生为原发灶不明癌（CUP）患者制定合适、精准的治疗策略。

关键词：