Umjetna inteligencija za predviđanje TMB-H kolorektalnog karcinoma prema histopatološkim karakteristikama

Biomarkeri su važne odrednice odgovarajućih i učinkovitih terapijskih pristupa za različite bolesti, uključujući rak. Postoje brojni dokazi koji ukazuju na značaj inhibitora imunoloških kontrolnih točaka (ICI) protiv raka, te su pokazali obećavajuće kliničke koristi za određenu skupinu pacijenata s kolorektalnim karcinomom (CRC). Nekoliko izvješća pokazalo je učinkovitost biomarkera, poput programiranog liganda proteina smrti-1 (PD-L1), gustoća limfocita koji infiltriraju tumor (TILs), i tumorsko mutacijsko opterećenje (TMB), kako bi se utvrdio odgovor pacijenata za učinkovitu uporabu ICI -a kao terapeutika protiv raka.

Visoka razina TMB-a (TMB-H), koja odražava povišen ukupni broj nesinonimskih somatskih mutacija po kodirajućoj površini tumorskog genoma i normalno izvedena iz ispitivanja na genskoj ploči, je prepoznat kao obećavajući biomarker za ICI terapije različitih solidnih karcinoma. Međutim, u kliničkoj praksi, nije moguće provesti ispitivanje genske ploče za sve pacijente s rakom.

Dr. Yoshifumi Shimada i suradnici iz Odjela za probavnu i opću kirurgiju, Visoka škola medicinskih i stomatoloških znanosti, Sveučilište Niigata, uzeti u obzir TMB-H iz određene podskupine pacijenata s CRC-om, kao snažniji pokazatelj za predviđanje učinkovitosti ICI -ja, i razvio algoritam temeljen na konvolucijskoj neuronskoj mreži (CNN) za predviđanje TMC -H CRC izravno iz histopatoloških karakteristika, posebno, TIL, dobiveno iz stakla obojenih hematoksilinom i eozinom (H&E). Reprezentativna mikroskopska slika tumora obojenog H&E tumorom kolorektalnog karcinoma visokog opterećenja prikazana je na priloženoj slici, što pokazuje prisutnost limfocita koji infiltriraju tumor u značajno povišenoj razini u usporedbi s normalnim okolnim tkivom.

Digitalne informacije iz takve neoplastične, ali i neo-neoplastične slike dobivene iz JP-CRC-kohorte transformiraju se i normaliziraju za izgradnju prediktivnog modela zakrivljene neuronske mreže koji koristi Inception V3 model učenja, od strane dr. Shimada grupe. Model temeljen na CNN-u koji su razvili dr. Shimada i suradnici ima potencijal ne samo smanjiti teret pravilne dijagnoze patologa, već i pružiti potrebne informacije o reakciji pacijenata na terapiju zasnovanu na ICI-ju, bez upotrebe skupih, dugotrajno i teško dostupno ispitivanje genske ploče. Ova studija dr. Shimade i suradnika objavljena je u nedavnom broju časopisa Časopis za gastroenterologiju (2021; svezak 56:str. 547-559; https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

U Dodatku, studije grupe dr. Shimada također su pružile sredstva za predviđanje TMC-H CRC-a samo pomoću informacija TIL-a s H&E dijapozitiva iz tumorskih tkiva pacijenata. Međutim, uzimajući u obzir da pacijenti u ispitivanoj skupini nisu liječeni nikakvim ICI -ima, nisu mogli biti izvedeni nikakvi zaključci u pogledu njihove reakcije na ICI nakon dijagnoze TMB-H, te je predloženo da se buduća klinička ispitivanja moraju provesti kako bi se utvrdilo može li sam TIL biti koristan kao prediktivni biomarker za učinkovitost ICI.

Dr. Shimada o ovoj studiji kaže:" Razvili smo umjetnu inteligenciju za predviđanje genetskih promjena u kolorektalnom karcinomu dubokim učenjem pomoću dijapozitiva s hematoksilinom i eozinom. Ta je umjetna inteligencija važna u rješavanju troškovnih problema povezanih s genetskom analizom i olakšavanju personalizirane medicine kod raka debelog crijeva . "

Sveukupno, studije dr. Shimade i suradnika pružaju troškovno učinkovitu i pouzdanu metodu za informiranje kliničara mogu li pacijenti s CRC-om koje vode imati koristi od inhibitora imunološke kontrolne točke (uključujući inhibitore proteina PD-1 i njegov ligand, PD-L1) terapija, bez impliciranja upotrebe genske ploče.

• Sa malo vlakana,
• Stent inspiriran Kirigamijem za poboljšanje isporuke lijekova za bolesti koje zahvaćaju cjevaste organe