Artificiell intelligens för att förutsäga TMB-H kolorektal cancer från histopatologiska egenskaper

Biomarkörer är viktiga faktorer för lämpliga och effektiva terapeutiska metoder för olika sjukdomar, inklusive cancer. Det finns gott om bevis som pekar på betydelsen av immunkontrollpunktshämmare (ICI) mot cancer, och de visade lovande kliniska fördelar för en specifik grupp patienter med kolorektal cancer (CRC). Flera rapporter visade effekten av biomarkörer såsom programmerad death-1 protein ligand (PD-L1), densitet av tumörinfiltrerande lymfocyter (TIL), och tumörmutationsbörda (TMB), att bestämma patientens lyhördhet för effektiv användning av ICI som läkemedel mot cancer.

En hög nivå av TMB (TMB-H), som återspeglar förhöjt totalt antal icke-synonyma somatiska mutationer per kodande område av ett tumörgenom och normalt härrörande från genpaneltestning, erkänns som en lovande biomarkör för ICI -behandlingar av olika fasta cancerformer. Dock, i klinisk praxis, det är inte möjligt att utföra genpaneltester för alla cancerpatienter.

Dr Yoshifumi Shimada och medarbetare från Division of Digestive and General Surgery, Graduate School of Medical and Dental Sciences, Niigata University, betraktade TMB-H från en specifik CRC-patientgrupp, som en mer robust markör för att förutsäga effekten av ICI:er, och utvecklat ett konvolutionsnervalt (CNN) - baserat algoritm för att förutsäga TMB -H CRC direkt från de histopatologiska egenskaperna, särskilt, TIL, erhållna från hematoxylin och eosin (H&E) färgade objektglas. En representativ mikroskopisk bild av den H &E-färgade tumörmutationsbördan-höga kolorektala cancertumören visas i den medföljande figuren, visar närvaron av tumörinfiltrerande lymfocyter i signifikant förhöjd nivå jämfört med normal omgivande vävnad.

Digital information från sådan denna neoplastiska och även icke-neoplastiska bilder som erhållits från JP-CRC-kohorten omvandlas och normaliseras för att bygga en förutsägbar konvolutad neural nätverksmodell som använder Inception V3 inlärningsmodell, av Dr Shimada -gruppen. Den CNN-baserade modellen som utvecklats av Dr Shimada och medarbetare har potential att inte bara minska bördan för korrekt diagnos på patologer utan också tillhandahålla nödvändig information om patienternas lyhördhet för den ICI-baserade terapin, utan användning av dyra, tidskrävande och inte lättillgänglig genpaneltestning. Denna studie av Dr Shimada och medarbetare publiceras i ett nyligen publicerat nummer av Journal of Gastroenterology (2021; vol. 56:s. 547-559; https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

Dessutom, studierna av Dr Shimada-gruppen gav också medel att förutsäga TMB-H CRC endast genom att använda TIL-informationen från H &E-bilderna från patienternas tumörvävnader. Dock, med tanke på att patienterna i den studerade kohorten inte behandlades med några ICI, inga slutsatser kunde dras om deras ICI-respons efter TMB-H-diagnosen och det föreslogs att framtida kliniska prövningar måste genomföras för att ta itu med om TIL ensam kan vara användbart som en prediktiv biomarkör för effektiviteten av ICI.

Dr Shimada säger om den aktuella studien:" Vi har utvecklat artificiell intelligens för att förutsäga genetiska förändringar i kolorektalcancer genom djup inlärning med hjälp av hematoxylin- och eosindia. Denna artificiella intelligens är viktig för att lösa de kostnadsproblem som är förknippade med genetisk analys och för att underlätta personlig medicin vid kolorektal cancer . "

Övergripande, studierna av Dr Shimada och medarbetare ger en kostnadseffektiv och tidseffektiv och pålitlig metod för att informera klinikerna om den CRC-patient de hanterar kan dra nytta av Immune Checkpoint Inhibitor (inklusive hämmare av PD-1-proteinet och dess ligand, PD-L1) terapi, utan att implicera användningen av genpanel.

• Lågfibrig,
• Kirigami-inspirerad stent för att förbättra läkemedelsleverans för sjukdomar som påverkar rörformiga organ