• יו"ר: פרופ' איריס ברשק
  • מזכיר האיגוד: ד"ר צחי נוימן
  • גזברית: ד"ר יהודית קראוס
  • חברי ועד: פרופ' דב הרשקוביץ, ד"ר חנניה ואקנין, ד"ר ליאת אפל שריד, ד"ר עדי יוסיפוביץ
מחקרים

זיהוי איחויי ALK ו-ROS1 ב-NSCLC באמצעות בינה מלאכותית

חוקרים ישראליים יצרו מודל מבוסס למידת מכונה לאיתור שינויים גנומיים בגנים ALK ו-ROS1

סרטן הריאות. אילוסטרציה

איחויים בגנים ALK ו-ROS1 הודגמו במחקרים רבים כמעודדים התפתחות של סרטן ריאות של תאים שאינם קטנים (NSCLC). למרות שהשכיחות של איחויים אלה נמוכה, הזיהוי שלהם חשוב מכיוון שהם יכולים להשפיע על הפרוגונזה ועל הטיפול בחולה.

איחויים אלה מתגלים לרוב באמצעות שיטות אימונוהיסטוכימיות ו-FISH (Fluorescence in situ hybridization) כמו גם בשיטות ריצוף מבוססות RNA ו-DNA. בדיקות אלה הינן יקרות, לוקחות זמן רב, דורשות מיומנות טכניות מורכבות, ציוד ייעודי ודגימות רקמה שלא תמיד זמינות.

במחקר  ישראלי שממצאיו פורסמו בכתב העת Modern Pathology חוקרים (חן מאיר, אפרת אופק, דניאל אבן פרידריך, יוסי מולקאנוב, רינת יעקובי, ענבל גאזי, עידו חיון, יונתן צאלאח, נורית פזי יעקב, איריס ברשק) תיארו שיטה אלטרנטיבית לאיתור איחויים באמצעות בינה מלאכותית ולמידת מכונה. החוקרים השתמשו ברשת נוירלית מסועפת (convolutional neural network) על מנת ליצור מודל אשר מזהה איחויי ALK ו-ROS1 ישירות מתמונות שנלקחו מתתקיני המטוקסילין ואאוזין. התתקינים הוכנו מדגימות של גידולי NSCLC. החוקרים אימנו את המודל בשני שלבים- בשלב הראשון בוצעה למידת מכונה בלתי מפוקחת ובהמשך למידה חצי מפוקחת. ולידציה של המודל בוצעה על עוקבה של 72 סרטני NSCLC אשר עברו בדיקות לאיחויי ALK ו-ROS1 במעבדת הפתולוגיה בבית החולים שיבא.

המודל הדגים רגישות של 100% לאיתור שינויים גנומיים ב-ALK ו-ROS1 וסגוליות של 100% ו-98.6% לאיתור שינויים גנומיים ב-ALK ו-ROS1, בהתאמה. המודל זיהה דגימה חיובית כוזבת אחת בלבד עבור שינויים ב-ROS1.

ממצאי המחקר מדגישים את היתרונות האפשריים של פתרונות מבוססי למידת מכונה בתחום הפתולוגיה המולקולרית. פתרונות אלה מאפשרים איתור מהיר ומדויק של ביומרקרים בעלי חשיבות קלינית ויכולים להיות בעלי תפקיד חשוב בניהול של חולי סרטן.

מקור:

Mayer, C., Ofek, E., Fridrich, D.E. et al. Direct identification of ALK and ROS1 fusions in non-small cell lung cancer from hematoxylin and eosin-stained slides using deep learning algorithms. Mod Pathol (2022). https://doi.org/10.1038/s41379-022-01141-4

נושאים קשורים:  מחקרים,  NSCLC,  שינויים גנומיים,  למידת מכונה,  איחוי גנים
תגובות