Machine learning for personalized prognostication of tongue cancer

Kielisyöpä yleisin pään ja kaulan alueen pahanlaatuisista kasvaimista. Yhdysvaltain syöpäkomitean (AJCC) syöpäkasvainten luokitusjärjestelmä (TNM) on perinteisesti osoittautunut objektiiviseksi ja yleismaailmalliseksi työvälineeksi arvioida syöpäpotilaiden ennustetta. TNM-luokitusjärjestelmä on kuitenkin myös kritisoitu, koska sen ennustekyky yksittäisten potilaiden kohdalla on osoittautunut rajoitetuksi. Lisäksi varhaisvaiheen kielisyövän suhteen se ei ole osoittanut vakuuttavaa ennustekykyä. Tätä tarkoitusta varten työkalu, joka tarkastelee samanaikaisesti useita ennustekijöitä potilaan tilan ennustamiseksi tarkasti, olisi hyödyllinen tehokkaassa syövän hoidossa – ehkäisemään tehottoman hoitomuodon valintaa ja tarpeetonta ylihoitamista. Tässä kansainvälisessä tutkimusyhteistyössä käytimme koneoppimistekniikoita, joissa otettiin huomioon TNM-luokituksen puutteet arvioitaessa ja ennustettaessa kielisyöpäpotilaiden tuloksia, kuten paikallisten ja alueellisten uusiutumisten esiintymistä sekä eloonjäämistä. Laajoja potilasaineistoja, joita käytettiin analyyseissä, saatiin viidestä opetussairaalasta Suomesta, A.C. Camargon syöpäkeskuksesta, Sao Paulosta, Brasiliasta ja Yhdysvaltain kansallisen terveysinstituutin (NIH) seuranta-, epidemiologia- ja lopputulokset (SEER) -ohjelmasta. Lisäksi arvioimme syöttöparametrien ennusteellista merkitystä käyttäen koneoppimistekniikoita. Useita eri koneoppimisalgoritmeja verrattiin parhaiten menestyvään malliin ja integroitiin sitten web-pohjaiseksi yksilöllisen hoidon työkaluksi. Vertailimme myös koneoppimistekniikoiden suorituskykyä nomogrammi-kaavioiden analysoimiseksi kielisyöpäpotilaiden ennusteen arvioinnissa (kokonaisselviytyminen). Lisäksi pohdittiin niitä eettisiä haasteita, jotka voivat vaikuttaa koneoppimismallien käyttämiseen päivittäisessä kliinisessä toiminnassa. Edellisten lisäksi ehdotettiin toimintaohjeita koneoppimisen sujuvaksi integroimiseksi päivittäisiin kliinisiin käytäntöihin.