Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

Ogni anno, milioni di donne in tutto il mondo ricevono una diagnosi di tumore al seno allo stadio iniziale. In questa fase, la malattia non si è diffusa oltre il seno o i linfonodi vicini, il che apre la porta a una vasta gamma di opzioni di trattamento. I medici devono decidere se una paziente ha bisogno solo della chirurgia o se necessita anche di radioterapia, chemioterapia o terapia ormonale. Per prendere queste decisioni difficili, i clinici si affidano a strumenti prognostici: modelli matematici che stimano la probabilità di sopravvivenza di una paziente a cinque anni dalla diagnosi. Queste stime aiutano medici e pazienti a valutare i benefici di un trattamento aggressivo rispetto ai rischi di effetti collaterali. Per decenni, gli strumenti più accessibili si sono basati su informazioni cliniche standard: la dimensione del tumore, l'età della paziente e l'aspetto delle cellule tumorali al microscopio. Sebbene esistano test genetici più recenti e costosi, gli strumenti più semplici e datati rimangono vitali perché sono ampiamente disponibili ed economici. Tuttavia, questi strumenti tradizionali sono costruiti su dati provenienti da gruppi specifici di persone e possono talvolta avere difficoltà quando applicati a popolazioni diverse o quando le informazioni sono mancanti.

In uno studio recente, i ricercatori si sono posti l'obiettivo di vedere se l'informatica moderna potesse dare nuova vita a questi strumenti classici. Si sono concentrati su una sfida specifica: come prendere un modello di sopravvivenza collaudato e adattarlo a un nuovo gruppo di pazienti senza dover ricostruire l'intero sistema da zero. Hanno anche esplorato se nuovi tipi di algorithi informatici, noti come machine learning, potessero apprendere direttamente dalle cartelle cliniche dei pazienti per fare previsioni migliori. Il team ha confrontato tre approcci diversi: utilizzare semplicemente il vecchio modello così com'era, apportare modifiche al vecchio modello per adattarlo ai nuovi dati e addestrare programmi informatici completamente nuovi da zero. Il loro obiettivo era vedere quale metodo fornisse le stime di sopravvivenza più accurate e affidabili per le donne con tumore al seno allo stadio iniziale, in particolare quando alcuni dettagli medici mancavano nei loro record.

I ricercatori hanno iniziato il loro lavoro con un grande studio clinico chiamato MA.27, che ha seguito migliaia di donne in postmenopausa con tumore al seno ormono-positivo. Volevano prevedere chi sarebbe sopravvissuto per cinque anni senza che il tumore si ripresentasse. Per prima cosa, hanno testato uno strumento molto noto chiamato PREDICT, che era stato addestrato su dati provenienti dal Regno Unito. Quando hanno applicato questo strumento alle donne americane e canadesi dello studio MA.27, ha funzionato, ma non era perfetto. Lo strumento non è riuscito a fornire una previsione per quasi un quarto delle pazienti perché richiedeva dettagli specifici, come il numero esatto di linfonodi positivi o la dimensione precisa del tumore, che erano mancanti o registrati diversamente nei dati dello studio. Anche per le pazienti per cui poteva fare una previsione, lo strumento tendeva a essere leggermente impreciso nelle sue stime, sottostimando spesso quante donne sarebbero sopravvissute.

Per risolvere questo problema, il team ha provato una tecnica chiamata transfer learning. Immaginate un musicista che ha padroneggiato il violino e poi impara a suonare la viola; non ricomincia da zero, ma adatta le proprie abilità esistenti al nuovo strumento. Allo stesso modo, i ricercatori hanno preso il modello PREDICT pre-addestrato e hanno "affinato" (fine-tuned) le sue impostazioni interne per adattarle ai modelli specifici trovati nei dati di MA.27. Questo processo, che ha regolato i parametri del modello per adattarsi al nuovo gruppo, ha migliorato drasticamente l'accuratezza delle previsioni. Tuttavia, come lo strumento originale, anche il modello affinato non era in grado di fornire stime di sopravvivenza per circa il 24% delle pazienti perché rimaneva dipendente da punti dati specifici che erano mancanti nei loro record. Al contrario, i nuovi modelli di machine learning potevano prevedere la sopravvivenza per tutti gli individui, indipendentemente dalle informazioni mancanti.

Il team ha anche addestrato nuovi modelli informatici da zero utilizzando i dati di MA.27. Questi modelli, costruiti con metodi che eccellono nel trovare schemi in dati complessi, non si basavano sulle vecchie regole del Regno Unito. Invece, hanno imparato direttamente dai pazienti americani e canadesi. Uno di questi nuovi modelli ha ottenuto prestazioni simili alla versione affinata, mentre un altro ha mostrato punti di forza leggermente diversi. Fondamentalmente, questi nuovi modelli potevano gestire naturalmente le informazioni mancanti. A differenza dello strumento originale, che smetteva di funzionare se un singolo dato era assente, i nuovi programmi informatici potevano comunque fare una previsione utilizzando le informazioni disponibili. Questo è un vantaggio significativo nella medicina reale, dove le cartelle cliniche dei pazienti sono spesso incomplete.

Infine, i ricercatori hanno combinato i punti di forza di tutti questi approcci in un unico modello "ensemble". Questo sistema prendeva le previsioni dello strumento affinato e dei nuovi modelli informatici e le fondeva insieme per creare una stima finale e unificata. Questo approccio combinato si è dimostrato robusto, offrendo l'affidabilità del modello affinato con la flessibilità dei nuovi algoritmi. Quando il team ha testato questi modelli migliorati su un gruppo separato di pazienti di un diverso studio clinico, i risultati sono stati contrastanti. I miglioramenti si sono confermati per un ampio dataset proveniente dagli Stati Uniti, confermando che i modelli potevano generalizzare a popolazioni simili. Tuttavia, quando testati su uno studio multinazionale che coinvolgeva pazienti di Europa e Asia, i miglioramenti sono stati meno chiari, e il modello originale pre-addestrato è risultato essere migliore delle versioni adattate in quel particolare coorte, suggerendo che i modelli devono ancora essere attentamente adattati per gruppi di pazienti molto diversi.

Lo studio conclude che, sebbene gli strumenti tradizionali siano preziosi, possono essere significativamente potenziati dalle tecniche moderne. Affinando i modelli esistenti o addestrandone di nuovi sui dati locali, i medici possono ottenere stime di sopravvivenza più accurate, anche quando le cartelle cliniche dei pazienti sono imperfette. La ricerca evidenzia che l'età della paziente, il numero di linfonodi interessati, il grado del tumore e la dimensione del tumore sono i fattori più importanti per prevedere la sopravvivenza, un risultato che è rimasto costante in tutti i modelli differenti. In definitiva, questo lavoro suggerisce che non dobbiamo abbandonare i nostri strumenti consolidati per migliorare l'assistenza ai pazienti. Al contrario, usando metodi informatici intelligenti per adattare questi strumenti a nuove situazioni, possiamo fornire una guida più personalizzata e affidabile per le donne che affrontano il tumore al seno, garantendo che le decisioni terapeutiche siano basate sulle migliori informazioni possibili.