Künstliche Intelligenz zur Vorhersage von TMB-H-Kolorektalkrebs aus histopathologischen Merkmalen

Biomarker sind wichtige Determinanten geeigneter und wirksamer therapeutischer Ansätze für verschiedene Krankheiten, einschließlich Krebs. Es gibt zahlreiche Hinweise auf die Bedeutung von Immun-Check-Point-Inhibitoren (ICI) gegen Krebs, und sie zeigten vielversprechende klinische Vorteile für eine bestimmte Gruppe von Patienten mit Darmkrebs (CRC). Mehrere Berichte zeigten die Wirksamkeit von Biomarkern wie dem Programmed Death-1-Proteinligand (PD-L1), Dichte tumorinfiltrierender Lymphozyten (TILs), und Tumormutationslast (TMB), um das Ansprechen des Patienten auf den effizienten Einsatz von ICIs als Therapeutika gegen Krebs zu bestimmen.

Ein hohes Maß an TMB (TMB-H), die eine erhöhte Gesamtzahl nicht-synonymer somatischer Mutationen pro Kodierungsbereich eines Tumorgenoms widerspiegelt und normalerweise aus Genpanel-Tests abgeleitet wird, ist als vielversprechender Biomarker für die ICI-Therapien verschiedener solider Krebsarten anerkannt. Jedoch, in der klinischen Praxis, Es ist nicht möglich, Genpanel-Tests für alle Krebspatienten durchzuführen.

Dr. Yoshifumi Shimada und Mitarbeiter der Abteilung für Verdauungs- und Allgemeinchirurgie, Graduiertenschule für medizinische und zahnmedizinische Wissenschaften, Niigata-Universität, betrachtete TMB-H aus einer bestimmten Untergruppe von CRC-Patienten, als robusterer Marker für die Vorhersage der Wirksamkeit von ICIs, und einen auf einem Convolutional Neural Network (CNN) basierenden Algorithmus entwickelt, um TMB-H CRC direkt aus den histopathologischen Merkmalen vorherzusagen, bestimmtes, die TIL, erhalten von den Hämatoxylin- und Eosin (H&E)-gefärbten Objektträgern. Ein repräsentatives mikroskopisches Bild des H&E-gefärbten Tumor-Mutationsbelastung-hohen Dickdarmkrebs-Tumors ist in der beigefügten Abbildung gezeigt. zeigt das Vorhandensein von tumorinfiltrierenden Lymphozyten in signifikant erhöhtem Ausmaß im Vergleich zu normalem umgebendem Gewebe.

Digitale Informationen aus solchen neoplastischen und auch nicht-neoplastischen Bildern, die von der JP-CRC-Kohorte erhalten wurden, werden transformiert und normalisiert, um ein prädiktives Convoluted Neural Network-Modell unter Verwendung des Inception V3-Lernmodells zu erstellen. von Dr. Shimada-Gruppe. Das von Dr. Shimada und Mitarbeitern entwickelte CNN-basierte Modell hat das Potenzial, nicht nur die Belastung der Pathologen durch eine korrekte Diagnose zu verringern, sondern auch die notwendigen Informationen über das Ansprechen der Patienten auf die ICI-basierten Therapeutika zu liefern. ohne den Einsatz von teuren, zeitaufwendige und nicht leicht verfügbare Genpanel-Tests. Diese Studie von Dr. Shimada und Mitarbeitern wurde in einer aktuellen Ausgabe von . veröffentlicht Zeitschrift für Gastroenterologie (2021; Bd. 56:S. 547-559; https:/ / doi. Organisation/ 10. 1007/ s00535-021-01789-w).

Zusätzlich, Die Studien der Dr. Shimada-Gruppe lieferten auch Mittel zur Vorhersage von TMB-H-KRK nur unter Verwendung der TIL-Informationen aus den H&E-Objektträgern aus dem Tumorgewebe der Patienten. Jedoch, wenn man bedenkt, dass die Patienten in der untersuchten Kohorte nicht mit ICIs behandelt wurden, Es konnten keine Schlussfolgerungen bezüglich ihrer ICI-Reaktionsfähigkeit nach der TMB-H-Diagnose gezogen werden, und es wurde vorgeschlagen, dass zukünftige klinische Studien durchgeführt werden müssen, um zu untersuchen, ob TIL allein als prädiktiver Biomarker für die Wirksamkeit von ICIs nützlich sein kann.

Dr. Shimada sagt über die vorliegende Studie:„ Wir haben künstliche Intelligenz entwickelt, um genetische Veränderungen bei Darmkrebs durch Deep Learning mit Hämatoxylin- und Eosin-Slides vorherzusagen. Diese künstliche Intelligenz ist wichtig, um die Kostenprobleme im Zusammenhang mit genetischen Analysen zu lösen und eine personalisierte Medizin bei Darmkrebs zu ermöglichen ."

Gesamt, die Studien von Dr. Shimada und Mitarbeitern bieten eine kosten- und zeiteffiziente und zuverlässige Methode, um die Ärzte darüber zu informieren, ob der von ihnen behandelte CRC-Patienten von einem Immun-Checkpoint-Inhibitor (einschließlich Inhibitoren des PD-1-Proteins und seines Liganden, PD-L1)-Therapie, ohne die Verwendung des Genpanels zu implizieren.

• Ballaststoffarm,
• Kirigami-inspirierter Stent zur Verbesserung der Wirkstoffabgabe bei Erkrankungen, die tubuläre Organe betreffen