Il carcinoma mammario triplo negativo ha una prognosi infausta e opzioni terapeutiche limitate; per la malattia non metastatica l’attuale standard di cura è la chemioterapia neoadiuvante, ma poiché la tipizzazione molecolare non viene eseguita di routine nella pratica clinica quotidiana, la maggior parte delle pazienti con tumore mammario triplo negativo in fase iniziale riceve una chemioterapia neoadiuvante a base di antracicline e taxani, con un’efficacia del trattamento che varia in maniera sostanziale tra le pazienti. Un nuovo studio pubblicato su Nature Medicine mostra che la risposta alla chemioterapia potrebbe essere prevista utilizzando l’apprendimento federato, aiutando a scegliere in anticipo trattamenti adeguati per le pazienti.
L’apprendimento federato è una tecnica di apprendimento automatico (machine learning, ML) che consente di eseguire analisi multicentriche senza raggruppare i dati a livello centrale.
Nell’apprendimento federato viene installato un software sicuro e autorizzato in ogni centro ospedaliero, che consente il training di modelli di ML su ogni set di dati locale per poi scambiarli tra i centri in modo sicuro e tracciabile, arrivando a un unico modello globale dopo aver visto indirettamente i dati di tutti i centri. Come affermano gli autori, «Preservando il controllo e la proprietà dei dati alle istituzioni originarie e consentendo al tempo stesso la collaborazione, questo approccio può rivoluzionare la ricerca biomedica, in particolare per malattie relativamente rare come il cancro al seno triplo negativo, raggiungendo una massa critica di dati sufficiente al training di modelli di ML di alta qualità. Tuttavia, la complessità della sua implementazione in una rete di ospedali nel mondo reale ne ha ostacolato i progressi e finora gli studi sull’apprendimento federato si sono limitati principalmente alle simulazioni». Gli autori hanno eseguito un’analisi di apprendimento federato sui dati del carcinoma mammario triplo negativo di due distinti ospedali utilizzando informazioni cliniche e provenienti dall’analisi del tessuto tumorale per prevedere la risposta alla chemioterapia neoadiuvante; hanno quindi confrontato il potere predittivo dei modelli di apprendimento federato con quello dei modelli locali basati sull’istologia o sui dati utilizzati nella pratica clinica. I risultati mostrano che i modelli di ML che si basano sull’istologia possono prevedere la risposta alla chemioterapia neoadiuvante, ma che l’addestramento collaborativo dei modelli di ML migliora ulteriormente le prestazioni e oltre a evidenziare biomarcatori noti potrebbe generare ipotesi su potenziali nuovi biomarcatori. «Questo studio proof of concept, in cui l’apprendimento federato viene applicato a set di dati del mondo reale, apre la strada alla futura scoperta di biomarcatori utilizzando set di dati senza precedenti. L’apprendimento federato collaborativo è una strada promettente per nuove scoperte in malattie complesse e rare, come il carcinoma mammario triplo negativo, poiché l’eterogeneità delle coorti messe in correlazione fra loro offre un quadro più accurato e completo rispetto agli studi isolati», concludono gli autori.
Il carcinoma mammario triplo negativo ha una prognosi infausta e opzioni terapeutiche limitate; per la malattia non metastatica l’attuale standard di cura è la chemioterapia neoadiuvante, ma poiché la tipizzazione molecolare non viene eseguita di routine nella pratica clinica quotidiana, la maggior parte delle pazienti con tumore mammario triplo negativo in fase iniziale riceve una chemioterapia neoadiuvante a base di antracicline e taxani, con un’efficacia del trattamento che varia in maniera sostanziale tra le pazienti. Un nuovo studio pubblicato su Nature Medicine mostra che la risposta alla chemioterapia potrebbe essere prevista utilizzando l’apprendimento federato, aiutando a scegliere in anticipo trattamenti adeguati per le pazienti.
L’apprendimento federato è una tecnica di apprendimento automatico (machine learning, ML) che consente di eseguire analisi multicentriche senza raggruppare i dati a livello centrale.
Nell’apprendimento federato viene installato un software sicuro e autorizzato in ogni centro ospedaliero, che consente il training di modelli di ML su ogni set di dati locale per poi scambiarli tra i centri in modo sicuro e tracciabile, arrivando a un unico modello globale dopo aver visto indirettamente i dati di tutti i centri. Come affermano gli autori, «Preservando il controllo e la proprietà dei dati alle istituzioni originarie e consentendo al tempo stesso la collaborazione, questo approccio può rivoluzionare la ricerca biomedica, in particolare per malattie relativamente rare come il cancro al seno triplo negativo, raggiungendo una massa critica di dati sufficiente al training di modelli di ML di alta qualità. Tuttavia, la complessità della sua implementazione in una rete di ospedali nel mondo reale ne ha ostacolato i progressi e finora gli studi sull’apprendimento federato si sono limitati principalmente alle simulazioni». Gli autori hanno eseguito un’analisi di apprendimento federato sui dati del carcinoma mammario triplo negativo di due distinti ospedali utilizzando informazioni cliniche e provenienti dall’analisi del tessuto tumorale per prevedere la risposta alla chemioterapia neoadiuvante; hanno quindi confrontato il potere predittivo dei modelli di apprendimento federato con quello dei modelli locali basati sull’istologia o sui dati utilizzati nella pratica clinica. I risultati mostrano che i modelli di ML che si basano sull’istologia possono prevedere la risposta alla chemioterapia neoadiuvante, ma che l’addestramento collaborativo dei modelli di ML migliora ulteriormente le prestazioni e oltre a evidenziare biomarcatori noti potrebbe generare ipotesi su potenziali nuovi biomarcatori. «Questo studio proof of concept, in cui l’apprendimento federato viene applicato a set di dati del mondo reale, apre la strada alla futura scoperta di biomarcatori utilizzando set di dati senza precedenti. L’apprendimento federato collaborativo è una strada promettente per nuove scoperte in malattie complesse e rare, come il carcinoma mammario triplo negativo, poiché l’eterogeneità delle coorti messe in correlazione fra loro offre un quadro più accurato e completo rispetto agli studi isolati», concludono gli autori.