Kanser tedavileri baş döndürücü miktarda veriye dayanıyor: İşte bulutta bu şekilde sıralanıyor

Kanser hastaları ve doktorları, hastalık ve tedavisi hakkında her zamankinden daha fazla bilgiye sahip ve mevcut bilgiler baş döndürücü bir hızla büyümeye devam ediyor. Ancak tüm bu bilgiler, eğer insanlar hepsini anlayamıyorsa işe yaramaz. 

Örneğin, bilgisayarlı tomografi (BT) görüntüsü üreten bir tarama programı aracılığıyla erken tanı alabilecek bir akciğer kanseri hastasını düşünün. Teşhis ve tedavi planları ilerledikçe, bakıcıları MR ve moleküler görüntüleme, giderek dijitalleşen patoloji verileri ve genomik bilgiler gibi veri kaynaklarını getirecek. 

Philips'in genom bilimi ve onkoloji bilişimi genel müdürü Louis Culot, bir Amazon konuşmasında şunları söyledi: "Dürüst olmak gerekirse, tüm bunlar, bu hastalara en iyi şekilde nasıl bakım ve tedavi uygulayabileceklerini düşünen bakım ekipleri için çok zorlu bir mücadeledir." Sağlık sektörü için Web Hizmetleri sanal etkinliği. 

Culot, "Artık onkolojide veya herhangi bir tıbbi disiplinde bu önemli çünkü tedavi önemli, müdahale önemli" dedi. “Veriyi sadece veri olsun diye istemiyoruz. Bakım ekibi üyeleri bilgiye dayanarak hangi eylemi gerçekleştirebilir?

Tüm bu verileri daha iyi kavramak için yenilikçiler, potansiyel olarak hayat kurtarıcı sonuçlar sunan bulut bilişim ve makine öğrenimi gibi araçlara yöneldi. Bu haftaki AWS etkinliğinde Culot, Philips'in Teksas Üniversitesi'ndeki MD Anderson Kanser Merkezi ile olan ortaklığını anlattı. Bu ortaklık, doktorların hastalar için kişiselleştirilmiş bakım planları oluşturmak üzere tüm verilerini bir araya getirmelerine yardımcı olmayı amaçlıyor. 

Grail'in yazılım mühendisliğinden sorumlu Kıdemli Başkan Yardımcısı Satnam Alag, şirketinin hastaları tek tek değil, aynı anda düzinelerce farklı kanser türüne göre tarayabilen bir sistem geliştirmek için bulut ve makine öğrenimini nasıl kullandığını açıkladı. 

İyileştirilmiş kanser taramaları ve tedavilerinin etkisini abartmak zordur. Alag, 2020 yılında dünya çapında 19 milyondan fazla kanser vakasının yaşandığını ve yaklaşık 10 milyon ölümün yaşandığını belirtti. Üç erkekten birinin ve dört kadından birinin yaşamı boyunca kansere yakalanma olasılığının olduğu tahmin edilmektedir.

“Bana veya aile üyelerinden birine kanser teşhisi konacak mı? Vücudumun neresinde? Tedavi edilebilir mi? Yoksa beni öldürecek mi? Bunlar çoğumuzun paylaştığı ortak sorular” dedi Alag. 

Neyse ki, kanseri incelemek için daha fazla veri noktası topladıkça bilim insanları da hızlı bir şekilde yeni tedavi seçenekleri geliştiriyor. Moleküler profillemedeki ilerlemeler, bilim adamlarının farklı potansiyel tedavilerin yanı sıra farklı kanser kategorilerini ve alt kategorilerini tanımlamalarına yardımcı oldu. Culot, 2009 yılında ABD FDA'nın sekiz antikanser ilacını onayladığını belirtti. 2020 yılına gelindiğinde bu sayı 57'ye çıktı. Üstelik şu anda kanser hastalarına açık olan yaklaşık 1,500 klinik araştırma var. 

Culot, "Genel olarak, şu anda kanseri tedavi etmek için kullanılabilecek yüzlerce olası terapi veya terapi kombinasyonu var" dedi. “Yani bu çifte zorlukla karşı karşıyayız, değil mi? Hastanın daha iyi bir resmini elde etmek için tüm bu verileri nasıl bir araya getireceğiz? Peki bu bakış açısıyla, en iyi tedavi açısından tüm bunlar ne anlama geliyor?”

MD Anderson'daki doktorlar, bu sorunun üstesinden gelmek için Hassas Onkoloji Karar Desteği (PODS) sistemini geliştirdiler. Bu sistem, doktorların ilaç geliştirme ve klinik denemelerdeki en son gelişmelerin yanı sıra hastaların tedavilere verdiği yanıtlar gibi ilgili bilgileri değerlendirmesine yardımcı olan kanıta dayalı bir araçtır. . Bu onların kişiselleştirilmiş tedavi planları geliştirmelerine yardımcı olur.

MD Anderson, 2020 yılında sistemi dünya çapındaki doktorların ve pratisyenlerin kullanımına sunmak için Philips ve AWS ile ortaklık kurdu. 

Culot, sistemin çeşitli nedenlerden dolayı yalnızca bulutta var olabileceğini belirtti. Depolanacak çok büyük miktarda veri ve gerçekleşmesi gereken çok büyük miktarda veri işleme var. Aynı zamanda sistemin dünya çapındaki uygulayıcılar için güvenli ve uyumlu, çok kiracılı bir sistem olması gerekir. 

Belki de en önemlisi, Culot, bulutun doktorların işbirliği yapmasına ve verilerini birleştirmesine olanak tanıyarak gerçekten kişiselleştirilmiş tedavi planlarına olanak tanıdığını belirtti. 

Culot, "İnsanlar kanserin büyük bir veri sorunu olduğunu söylüyor ama ben buna aynı zamanda küçük çaplı bir sorun diyorum" dedi. Belirli mutasyonlarla Evre 4 akciğer kanseri olduğunu öğrenen bir akciğer kanseri hastasını örnek verdi. 

"Sonunda bu popülasyonları alt gruplara ayırıyorsunuz ve alt gruplara ayırıyorsunuz, böylece en büyük sağlık kurumlarında bile bazen öğrenmeye çalıştığımız kriterleri karşılayan yalnızca birkaç hasta var" dedi. "Verileri (kimliksizleştirilmiş, uyumlu bir şekilde) bir araya getirerek ondan öğrenebilmemiz, bu bulut tabanlı ekosistemler aracılığıyla mümkün oluyor."

Benzer şekilde Grail'den Satnam Alag, şirketin çoklu kanser erken tespit testi olan Galleri'nin geliştirilmesi için bulutun zorunlu olduğunu söyledi. Test, tek kanser tarama testlerini tamamlayıcı olarak 50'den fazla kanser türünü tespit edecek şekilde tasarlanmıştır.

Alag, "Genom biliminin ve makine öğreniminin gücünden yararlanmak çok fazla hesaplama gerektiriyor" dedi. "Çok büyük miktarda verinin toplanması ve ölçeklendirilmesi gerekiyor." 

Galleri testi, tek bir kan alımından hastanın kan dolaşımındaki DNA parçalarını analiz etmek için DNA dizilimi ve makine öğrenimi algoritmalarını kullanır. Test, özellikle tümörlerin kanda saçtığı hücresiz nükleik asitleri (cfDNA) arar; bu, vücutta ne tür bir kanser olduğunu ve nereden geldiğini size söyleyebilir. 

Alag, "Yalnızca bireysel kanserleri taramak yerine bireyleri kanser açısından taramamız gerekiyor" dedi. “Ve bu, son 20 yılda gerçekleşen iki büyük teknoloji devrimi sayesinde artık mümkün. Birincisi, genomiğin gücü; artık DNA'nın tamamını dizilemek mümkün… birkaç gün içinde maliyet etkin bir şekilde terabaytlarca veri üretiliyor. İkincisi, makine öğrenimindeki büyük miktardaki yeniliktir. Artık on milyonlarca parametreyle karmaşık, derin öğrenme modelleri oluşturabilecek bilgi birikimine sahibiz."