Kunstmatige intelligentie voor het voorspellen van TMB-H colorectale kanker op basis van histopathologische kenmerken

Biomarkers zijn belangrijke determinanten van geschikte en effectieve therapeutische benaderingen voor verschillende ziekten, waaronder kanker. Er is voldoende bewijs dat wijst op het belang van immuuncheckpointremmers (ICI) tegen kanker, en ze toonden veelbelovende klinische voordelen voor een specifieke groep patiënten met colorectale kanker (CRC). Verschillende rapporten toonden de werkzaamheid aan van biomarkers zoals geprogrammeerde dood-1-eiwitligand (PD-L1), dichtheid van tumor-infiltrerende lymfocyten (TIL's), en tumormutatielast (TMB), om de responsiviteit van de patiënt te bepalen voor het efficiënte gebruik van ICI's als therapieën tegen kanker.

Een hoog niveau van TMB (TMB-H), die een verhoogd totaal aantal niet-synonieme somatische mutaties weerspiegelt per coderend gebied van een tumorgenoom en normaal afgeleid van genpaneltests, wordt erkend als een veelbelovende biomarker voor de ICI-therapieën van verschillende solide kankers. Echter, in de klinische praktijk, het is niet haalbaar om genpaneltests uit te voeren voor alle kankerpatiënten.

Dr. Yoshifumi Shimada en collega's van de afdeling Spijsvertering en Algemene Chirurgie, Graduate School of Medical and Dental Sciences, Niigata-universiteit, beschouwde TMB-H van een specifieke CRC-patiëntensubgroep, als een robuustere marker voor het voorspellen van de werkzaamheid van ICI's, en ontwikkelde een op convolutioneel neuraal netwerk (CNN) gebaseerd algoritme om TMB-H CRC rechtstreeks te voorspellen uit de histopathologische kenmerken, vooral, de TIL, verkregen uit de met hematoxyline en eosine (H&E) gekleurde objectglaasjes. Een representatief microscopisch beeld van de H &E-gekleurde tumor-mutatielast-hoge colorectale kankertumor wordt getoond in de begeleidende figuur, het aantonen van de aanwezigheid van tumor-infiltrerende lymfocyten in een significant verhoogd niveau in vergelijking met normaal omringend weefsel.

Digitale informatie van dergelijke neoplastische en ook niet-neoplastische beelden verkregen van JP-CRC-cohort wordt getransformeerd en genormaliseerd voor het bouwen van een voorspellend Convoluted Neural Network-model dat gebruik maakt van het Inception V3-leermodel, door de Dr. Shimada-groep. Het op CNN gebaseerde model dat is ontwikkeld door Dr. Shimada en collega's heeft het potentieel om niet alleen de last van een juiste diagnose voor pathologen te verminderen, maar ook de nodige informatie te verschaffen over de responsiviteit van de patiënt op de op ICI gebaseerde therapieën, zonder het gebruik van dure, tijdrovende en niet gemakkelijk beschikbare genpaneltests. Deze studie door Dr. Shimada en collega's is gepubliceerd in een recent nummer van: Tijdschrift voor gastro-enterologie (2021; deel 56:pp. 547-559; https:/ / doei. org/ 10. 1007/ s00535-021-01789-w).

In aanvulling, de onderzoeken van de Dr. Shimada-groep leverden ook middelen om TMB-H CRC alleen te voorspellen door gebruik te maken van de TIL-informatie van de H&E-dia's van de tumorweefsels van de patiënten. Echter, overwegende dat de patiënten in het onderzochte cohort niet werden behandeld met ICI's, er konden geen conclusies worden getrokken met betrekking tot hun ICI-respons na de TMB-H-diagnose en er werd gesuggereerd dat toekomstige klinische onderzoeken moeten worden uitgevoerd om te onderzoeken of TIL alleen nuttig kan zijn als een voorspellende biomarker voor de werkzaamheid van ICI's.

Dr. Shimada zegt over de huidige studie:" We hebben kunstmatige intelligentie ontwikkeld om genetische veranderingen bij colorectale kanker te voorspellen door middel van diepgaand leren met behulp van hematoxyline- en eosine-dia's. Deze kunstmatige intelligentie is belangrijk bij het oplossen van de kostenproblemen die gepaard gaan met genetische analyse en het faciliteren van gepersonaliseerde geneeskunde bij colorectale kanker ."

Algemeen, de onderzoeken van Dr. Shimada en medewerkers bieden een kosten- en tijdbesparende en betrouwbare methode om de clinici te informeren of de CRC-patiënt die zij behandelen baat kan hebben bij Immune Checkpoint Inhibitor (inclusief remmers van het PD-1-eiwit en zijn ligand, PD-L1) therapie, zonder het gebruik van een genpaneel te impliceren.

• Vezelarm,
• Door Kirigami geïnspireerde stent om de medicijnafgifte te verbeteren voor ziekten die tubulaire organen aantasten