Elk jaar worden wereldwijd bijna vijftig nieuwe kankertherapieën goedgekeurd. Voor patiënten biedt dit nieuwe hoop, maar voor artsen wordt het steeds lastiger om de juiste keuze te maken uit het groeiende aanbod aan behandelingen. Iedere tumor kent immers unieke biologische kenmerken, waardoor het vinden van de meest effectieve therapie maatwerk vereist. Om dit proces te ondersteunen heeft een onderzoeksteam van het Max Delbrück Centrum (MDC-BIMSB) in Berlijn een nieuwe AI-toolkit ontwikkeld: Flexynesis.
Flexynesis maakt gebruik van zowel klassieke machine learning als geavanceerde deep learning-methoden. Daarmee kan de tool verschillende soorten gegevens tegelijkertijd analyseren: van genetische en moleculaire data (multi-omics) tot medische beelden en klinische rapporten. Volgens projectleider dr. Altuna Akalin stelt dit artsen in staat nauwkeurigere diagnoses en prognoses te stellen, én gerichter behandelingsstrategieën te kiezen.
Flexibiliteit en brede inzetbaarheid
De mogelijkheden van Flexynesis zijn breed. Zo kan de tool helpen bij het bepalen van het type kanker, het voorspellen van de effectiviteit van specifieke geneesmiddelen en het inschatten van de overlevingskansen van een patiënt. Daarnaast ondersteunt de toolkit het identificeren van biomarkers, die zowel voor diagnose als prognose van grote waarde zijn. Zelfs in gevallen waarin uitzaaiingen van onbekende oorsprong worden ontdekt, kan de AI helpen bij het achterhalen van de primaire tumor.
Volgens mede-onderzoeker dr. Bora Uyar onderscheidt Flexynesis zich van bestaande deep learning-tools. Veel eerdere oplossingen bleken beperkt bruikbaar, inflexibel of lastig te implementeren. Flexynesis is daarentegen ontworpen als een flexibele toolkit die eenvoudig kan worden geïntegreerd in bestaande onderzoekspijplijnen. De software is beschikbaar via platforms zoals PyPI, Docker en Bioconda, waardoor toegankelijkheid en gebruiksgemak gewaarborgd zijn.
Deep learning, dat gebruikmaakt van complexe neurale netwerken met honderden lagen, is bij uitstek geschikt voor het analyseren van de vele biologische factoren die bij kanker een rol spelen. Waar conventionele methoden vaak slechts één aspect bestuderen, combineert Flexynesis gegevens op DNA-, RNA- en eiwitniveau. Daarmee wordt het mogelijk om het volledige samenspel van factoren dat de ziekte aanstuurt in kaart te brengen.
Van onderzoek naar praktijk
Het onderzoeksteam benadrukt dat Flexynesis ook toepasbaar is voor klinische gebruikers zonder diepgaande AI-kennis. De gebruiksvriendelijke opzet moet de drempel verlagen om multimodale data-analyse te implementeren binnen ziekenhuizen. In landen als de VS wordt dit al vaker toegepast in multidisciplinaire tumorboards, maar in Duitsland is het gebruik van multi-omics-data nog beperkt tot onderzoeksprogramma’s zoals het MASTER-project.
De verwachting is dat deze aanpak de komende jaren breder ingang zal vinden, mede dankzij tools als Flexynesis. Daarmee wordt een stap gezet naar meer gepersonaliseerde kankerzorg, waarbij therapieën optimaal worden afgestemd op de unieke kenmerken van iedere patiënt.
AI-gedreven chemotherapie
Eerder dit jaar verscheen een klinische studie, uitgevoerd door de National University of Singapore, waarin aangetoond werd dat AI chemotherapie persoonlijker en effectiever kan maken. Met het AI-platform CURATE.AI konden onderzoekers doseringen van het veelgebruikte medicijn capecitabine nauwkeurig afstemmen op individuele patiënten met gevorderde tumoren.
Het systeem maakt gebruik van biomarkerdata en digitale ‘twins’ om per patiënt de optimale dosis te voorspellen. Uit de resultaten blijkt dat bijna alle (97,2%) AI-adviezen door artsen werden overgenomen. Opvallend was dat sommige patiënten baat hadden bij gemiddeld 20 procent lagere doseringen, zonder verlies van effectiviteit. Dit kan leiden tot minder bijwerkingen en lagere zorgkosten.
