Sztuczna inteligencja pozwoli zweryfikować skuteczność immunoterapii
Naukowcy z laboratorium obrazowania cyfrowego Case Western Reserve University, pioniera w dziedzinie wykorzystywania sztucznej inteligencji do przewidywania skuteczności chemioterapii, mogą teraz określić, którzy pacjenci z rakiem płuca odniosą korzyści z drogiej immunoterapii. Jest to możliwe dzięki tzw. metodzie uczenia maszynowego, które pozwoli znaleźć wcześniej niewidoczne zmiany w skanach tomografii wykonanych podczas pierwszego rozpoznania raka płuca w porównaniu ze skanami wykonanymi po pierwszych 2-3 cyklach leczenia immunoterapią. Podobnie jak w przypadku poprzednich prac, zmiany te zostały odkryte zarówno wewnątrz, jak i na zewnątrz guza.
Krok do lepszej diagnozy
„Te badania naprawdę wydają się odzwierciedlać samą biologię choroby, która ma bardziej agresywny fenotyp, a są to informacje, których onkolodzy jak dotąd nie mają” – powiedział Anant Madabhushi z Centrum obrazowania obliczeniowego i spersonalizowanej diagnostyki (CCIPD), które stało się światowym liderem w wykrywaniu, diagnozowaniu i opisywaniu różnych nowotworów i innych chorób poprzez łączenie obrazowania medycznego i sztucznej inteligencji.
Obecnie tylko około 20 proc. wszystkich pacjentów z rakiem faktycznie korzysta z immunoterapii, która różni się od chemioterapii tym, że wykorzystuje leki pomagające układowi odpornościowemu w walce z rakiem, podczas gdy chemioterapia wykorzystuje leki do bezpośredniego zabijania komórek rakowych, zgodnie z danymi National Cancer Institute. Madabhushi powiedział, że niedawna praca jego laboratorium pomogłaby onkologom dowiedzieć się, którzy pacjenci faktycznie skorzystaliby na terapii, a którzy nie.
Ponadto korzystanie z tych metod pozwoliłoby znacząco obniżyć koszty leczenia.
Nowe badania rzucają nowe światło
Nowe badania, prowadzone przez współautorów Mohammadhadiego Khorrami i Prateeka Prasanna, wraz z Madabhushi i 10 innymi współpracownikami z sześciu różnych instytucji zostały opublikowane w tym miesiącu w czasopiśmie Cancer Immunology Research. Khorrami, doktorant pracujący w CCIPD powiedział, że jednym z bardziej znaczących postępów w badaniach była zdolność programu komputerowego do zauważenia zmian tekstury, objętości i kształtu danej zmiany, a nie tylko jej wielkości.
„Jest to ważne, ponieważ kiedy lekarz ustala na podstawie samej tomografii, czy pacjent zareagował na terapię, często zależy to od wielkości zmiany” – powiedział Khorrami. „Odkryliśmy, że zmiana tekstur jest lepszym predyktorem tego, czy terapia działa. Czasami, na przykład, guzek może wydawać się większy po terapii z innego powodu, ale terapia faktycznie działa”.
Badanie wykazało również, że wyniki były spójne u pacjentów leczonych w dwóch różnych miejscach i przy użyciu trzech różnych rodzajów środków immunoterapeutycznych. „Jest to dowód na wartość programu. Nasz model uczenia maszynowego może przewidywać reakcję u pacjentów leczonych różnymi immunologicznymi inhibitorami” – powiedział.
We wstępnych badaniach wykorzystano obrazy z tomografii od 50 pacjentów do stworzenia matematycznego algorytmu do identyfikacji zmian. Ponadto badacze wykazali, że wzorce, które były najbardziej związane z pozytywną odpowiedzią na leczenie i ogólnym przeżyciem pacjentów, okazały się być później ściśle związane z rozmieszczeniem komórek odpornościowych na oryginalnych biopsjach diagnostycznych tych pacjentów. Sugeruje to, że te skany faktycznie wydają się wychwytywać odpowiedź immunologiczną przeciwko inwazji raka. Te z najsilniejszą odpowiedzią immunologiczną wykazywały najbardziej znaczącą zmianę tekstury i, co najważniejsze, najlepiej zareagowały na immunoterapię.