Mesterséges intelligencia a TMB-H vastagbélrák előrejelzéséhez szövettani jellemzőkből

A biomarkerek fontos meghatározói a különböző betegségek, köztük a rák megfelelő és hatékony terápiás megközelítésének. Rengeteg bizonyíték mutat rá az immunellenőrző pont gátlók (ICI) jelentőségére a rák ellen, és ígéretes klinikai előnyöket mutattak a vastagbélrákban (CRC) szenvedő betegek egy meghatározott csoportjának. Számos jelentés bizonyította a biomarkerek, például a programozott halál-1 fehérje ligandum (PD-L1) hatékonyságát, daganatba beszivárgó limfociták (TIL) sűrűsége, és tumor mutációs teher (TMB), hogy meghatározzák a páciens válaszkészségét az ICI -k rák elleni terápiás hatásos alkalmazására.

Magas szintű TMB (TMB-H), amely tükrözi a tumor genom kódolóterületénként a nem szinonim szomatikus mutációk megnövekedett összes számát, és általában a génpanel teszteléséből származik, ígéretes biomarkerként ismerik el a különböző szilárd rákok ICI terápiáiban. Azonban, a klinikai gyakorlatban, nem kivitelezhető génpaneles vizsgálat elvégzése minden rákos beteg esetében.

Dr. Yoshifumi Shimada és munkatársai az Emésztési és Általános Sebészeti Osztályról, Orvosi és Fogorvostudományi Egyetem, Niigata Egyetem, TMB-H-t tekintett egy adott CRC beteg alcsoportból, szilárdabb jelzőként az ICI -k hatékonyságának előrejelzésére, és kifejlesztett egy konvolúciós ideghálózaton (CNN) alapuló algoritmust a TMB -H CRC előrejelzéséhez közvetlenül a kórszövettani jellemzőkből, különösen, a TIL, a hematoxilin és eozin (H&E) festett tárgylemezekből nyertük. A H&E festett tumor mutációs terheléses vastagbélrákos daganat reprezentatív mikroszkopikus képe látható a mellékelt ábrán, bizonyítja a tumorba beszivárgó limfociták jelenlétét szignifikánsan magasabb szinten, mint a normál környező szövetekben.

A JP-CRC-kohorszból nyert neoplasztikus és nem neoplasztikus képek digitális információi átalakulnak és normalizálódnak egy prediktív Convoluted Neural Network modell létrehozásához, az Inception V3 tanulási modellt alkalmazva, Dr. Shimada csoport. A Dr. Shimada és munkatársai által kifejlesztett CNN-alapú modell nem csak a patológusokra háruló helyes diagnózis terheit csökkenti, hanem a szükséges információkat is biztosítja arról, hogy a betegek hogyan reagálnak az ICI-alapú terápiákra, drága használata nélkül, időigényes és nem könnyen elérhető génpanel -tesztelés. Dr. Shimada és munkatársai tanulmányát a következő számában tették közzé Gasztroenterológiai folyóirat (2021; 56. kötet:547–559. O.):Https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

Továbbá, a Dr. Shimada csoport vizsgálatai a TMB-H CRC előrejelzését is csak a betegek daganatos szöveteiből származó H&E diákról származó TIL információk felhasználásával jósolták meg. Azonban, tekintettel arra, hogy a vizsgált kohortba tartozó betegeket nem kezelték semmilyen ICI -vel, a TMB-H diagnózist követően nem lehetett következtetéseket levonni az ICI-re adott válaszukról, és azt javasolták, hogy a jövőben klinikai vizsgálatokat kell végezni annak eldöntésére, hogy a TIL önmagában hasznos lehet-e az ICI-k hatékonyságának előrejelző biomarkereként.

Dr. Shimada ezt mondja a tanulmányról:" Mesterséges intelligenciát fejlesztettünk ki, hogy előre meg tudjuk jósolni a vastagbélrák genetikai elváltozásait a hematoxilin és eozin tárgylemezek használatával végzett mély tanulással. Ez a mesterséges intelligencia fontos a genetikai elemzéssel kapcsolatos költségproblémák megoldásában és a vastagbélrák személyre szabott gyógyításának megkönnyítésében . "

Átfogó, Dr. Shimada és munkatársai tanulmányai költség- és időhatékony és megbízható módszert kínálnak arra, hogy tájékoztassák a klinikusokat arról, hogy az általuk kezelt CRC-páciens részesülhet-e az Immune Checkpoint Inhibitor előnyeiből (beleértve a PD-1 fehérje és ligandumának inhibitorait, PD-L1) terápia, anélkül, hogy a génpanelt használnánk.

• Alacsony rosttartalmú,
• Kirigami ihlette stent a tubuláris szerveket érintő betegségek gyógyszeradagolásának javítására