Tekoäly TMB-H-kolorektaalisyövän ennustamiseen histopatologisista ominaisuuksista

Biomarkkerit ovat tärkeitä tekijöitä asianmukaisten ja tehokkaiden terapeuttisten lähestymistapojen suhteen erilaisiin sairauksiin, mukaan lukien syöpä. On runsaasti todisteita immuunitarkistuspisteen estäjien (ICI) merkityksestä syöpää vastaan, ja ne osoittivat lupaavia kliinisiä hyötyjä tietylle potilaille, joilla oli paksusuolen syöpä (CRC). Useat raportit osoittivat biomarkkereiden, kuten ohjelmoidun kuoleman-1-proteiiniligandin (PD-L1), tehokkuuden, kasvaimeen tunkeutuvien lymfosyyttien (TIL) tiheys, ja kasvaimen mutaatiotaakka (TMB), määrittää potilaan reagointikyky ICI:iden tehokkaaseen käyttöön syöpää vastaan.

Korkea TMB-taso (TMB-H), joka kuvastaa ei-synonyymisten somaattisten mutaatioiden lisääntynyttä kokonaismäärää kasvaingenomin koodausaluetta kohti ja joka on yleensä johdettu geenipaneelitestistä, on tunnustettu lupaavaksi biomarkkeriksi eri kiinteiden syöpien ICI -hoitoja varten. Kuitenkin, kliinisessä käytännössä, ei ole mahdollista suorittaa geenipaneelitestejä kaikille syöpäpotilaille.

Yoshifumi Shimada ja työtoverit ruoansulatus- ja yleiskirurgian osastolta, Lääketieteen ja hammaslääketieteen korkeakoulu, Niigatan yliopisto, katsottiin TMB-H:ksi tietystä CRC-potilaiden alaryhmästä, vahvempana merkkinä ICI:iden tehokkuuden ennustamisessa, ja kehitti konvoluution hermoverkkoon (CNN) perustuvan algoritmin TMB -H CRC:n ennustamiseksi suoraan histopatologisista ominaisuuksista, erityisesti, TIL, saatiin hematoksyliinillä ja eosiinilla (H&E) värjätyistä dioista. Edustava mikroskooppinen kuva H &E-värjätystä kasvaimen mutaatiotaakasta-korkea paksusuolen syöpäkasvain on esitetty oheisessa kuvassa, osoittaa kasvaimeen infiltroituvien lymfosyyttien läsnäolon merkittävästi korkeammalla tasolla verrattuna normaaliin ympäröivään kudokseen.

Tällaisista JP-CRC-kohortista saaduista neoplastisista ja myös ei-neoplastisista kuvista saatua digitaalista tietoa muunnetaan ja normalisoidaan ennustavan Convoluted Neural Network -mallin rakentamiseksi käyttäen Inception V3 -oppimismallia, Shimada -ryhmä. Tohtori Shimadan ja työtovereiden kehittämä CNN-pohjainen malli voi paitsi vähentää patologien asianmukaisen diagnoosin rasitusta, myös antaa tarvittavat tiedot potilaiden reaktiosta ICI-pohjaisiin lääkkeisiin, ilman kalliita, aikaa vievä ja helposti saatavilla oleva geenipaneelitestaus. Tämä tohtori Shimadan ja työtovereiden tutkimus on julkaistu tuoreessa numerossa Gastroenterologian lehti (2021; Vuosikerta 56:s. 547-559; https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

Lisäksi, tohtori Shimada -ryhmän tutkimukset tarjosivat myös keinoja ennustaa TMB-H CRC vain käyttämällä TIL-tietoja potilaiden kasvainkudosten H &E-dioista. Kuitenkin, ottaa huomioon, että tutkitun kohortin potilaita ei hoidettu millään ICI:llä, niiden ICI-vasteesta ei voitu tehdä johtopäätöksiä TMB-H-diagnoosin jälkeen, ja ehdotettiin, että tulevat kliiniset tutkimukset on suoritettava sen selvittämiseksi, voiko TIL yksinään olla hyödyllinen ennustavana biomarkkerina ICI:iden tehokkuudelle.

Tohtori Shimada sanoo tästä tutkimuksesta:" Olemme kehittäneet tekoälyä ennustamaan kolorektaalisyövän geneettisiä muutoksia syvällä oppimisella käyttämällä hematoksyliini- ja eosiinilevyjä. Tämä tekoäly on tärkeä ratkaistakseen geneettiseen analyysiin liittyvät kustannusongelmat ja helpottamaan henkilökohtaista lääkettä paksusuolen syövässä . "

Yleensä ottaen, tohtori Shimadan ja hänen yhteistyökumppaneidensa tutkimukset tarjoavat kustannustehokkaan ja aikaa säästävän ja luotettavan menetelmän kertoa lääkärille, jos heidän hallinnassaan oleva CRC-potilas voi hyötyä immuunitarkistuspisteen estäjästä (mukaan lukien PD-1-proteiinin ja sen ligandin estäjät, PD-L1) -hoito, aiheuttamatta geenipaneelin käyttöä.

• Vähäkuituinen,
• Kirigamin inspiroima stentti parantaa lääkkeiden annostusta sairauksiin, jotka vaikuttavat putkimaisiin elimiin