Kunstig intelligens til at forudsige TMB-H kolorektal cancer fra histopatologiske egenskaber

Biomarkører er vigtige determinanter for passende og effektive terapeutiske metoder til forskellige sygdomme, herunder kræft. Der er masser af beviser, der peger mod betydningen af ​​immunkontrolpunktshæmmere (ICI) mod kræft, og de viste lovende kliniske fordele for en specifik gruppe patienter med kolorektal cancer (CRC). Flere rapporter demonstrerede effekten af ​​biomarkører såsom programmeret death-1 protein ligand (PD-L1), tæthed af tumorinfiltrerende lymfocytter (TIL'er), og tumor mutationsbyrde (TMB), at bestemme patientens lydhørhed for effektiv brug af ICI'er som medicin mod kræft.

Et højt niveau af TMB (TMB-H), som afspejler forhøjet totalt antal ikke-synonyme somatiske mutationer pr. kodende område af et tumorgenom og normalt stammer fra genpaneltest, anerkendes som en lovende biomarkør for ICI -behandlinger af forskellige solide kræftformer. Imidlertid, i klinisk praksis, det er ikke muligt at udføre genpaneltest for alle kræftpatienter.

Dr. Yoshifumi Shimada og kolleger fra Division of Digestive and General Surgery, Graduate School of Medical and Dental Sciences, Niigata Universitet, betragtede TMB-H fra en specifik CRC-patientundergruppe, som en mere robust markør til forudsigelse af effektiviteten af ​​ICI'er, og udviklede et konvolutionsnervalt (CNN) baseret algoritme til at forudsige TMB -H CRC direkte ud fra de histopatologiske egenskaber, i særdeleshed, TIL, opnået fra hæmatoxylin og eosin (H&E) farvede objektglas. Et repræsentativt mikroskopisk billede af H &E-farvet tumor mutationsbyrde-høj kolorektal kræfttumor er vist i den ledsagende figur, demonstrere tilstedeværelsen af ​​tumorinfiltrerende lymfocytter i signifikant forhøjet niveau sammenlignet med normalt omgivende væv.

Digital information fra sådan denne neoplastiske og også ikke-neoplastiske billeder hentet fra JP-CRC-kohorte transformeres og normaliseres til opbygning af en forudsigende konvolutet neuralt netværksmodel, der anvender Inception V3-læringsmodel, af Dr. Shimada -gruppen. Den CNN-baserede model, der er udviklet af Dr. Shimada og kolleger, har potentiale til ikke kun at reducere byrden ved korrekt diagnose på patologer, men også give den nødvendige information om patienternes lydhørhed over for ICI-baserede terapier, uden brug af dyre, tidskrævende og ikke let tilgængelig genpaneltest. Denne undersøgelse af Dr. Shimada og kolleger er offentliggjort i en nylig udgave af Journal of Gastroenterology (2021; bind 56:s. 547-559; https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

Ud over, undersøgelserne af Dr. Shimada-gruppen gav også midler til kun at forudsige TMB-H CRC ved at bruge TIL-informationen fra H&E dias fra patienternes tumorvæv. Imidlertid, i betragtning af at patienterne i den undersøgte kohorte ikke blev behandlet med ICI'er, der kunne ikke drages nogen konklusioner vedrørende deres ICI-respons efter TMB-H-diagnosen, og det blev foreslået, at fremtidige kliniske forsøg skal udføres for at tage fat på, om TIL alene kan være nyttig som en forudsigelig biomarkør for effektiviteten af ​​ICI'er.

Dr. Shimada siger om den nuværende undersøgelse:" Vi har udviklet kunstig intelligens til at forudsige genetiske ændringer i tyktarmskræft ved dyb læring ved hjælp af hæmatoxylin og eosin dias. Denne kunstige intelligens er vigtig for at løse omkostningsproblemerne forbundet med genetisk analyse og lette personlig medicin mod tyktarmskræft . "

Samlet set, undersøgelser foretaget af Dr. Shimada og associerede medarbejdere giver en omkostnings- og tidseffektiv og pålidelig metode til at informere klinikerne, hvis den CRC-patient, de administrerer, kan drage fordel af Immune Checkpoint Inhibitor (herunder hæmmere af PD-1-proteinet og dets ligand, PD-L1) terapi, uden at implicere brugen af ​​genpanel.

• Fiberfattig,
• Kirigami-inspireret stent til forbedring af lægemiddeltilførsel til sygdomme, der påvirker rørformede organer