Inteligência artificial para predizer câncer colorretal TMB-H a partir de características histopatológicas

Os biomarcadores são determinantes importantes de abordagens terapêuticas adequadas e eficazes para várias doenças, incluindo câncer. Há ampla evidência apontando para a importância dos inibidores do ponto de controle imunológico (ICI) contra o câncer, e eles mostraram benefícios clínicos promissores para um grupo específico de pacientes com câncer colorretal (CCR). Vários relatórios demonstraram a eficácia de biomarcadores, como o ligante de proteína de morte programada-1 (PD-L1), densidade de linfócitos infiltrantes de tumor (TILs), e carga mutacional tumoral (TMB), determinar a responsividade do paciente para o uso eficiente de ICIs como terapêutica contra o câncer.

p Um alto nível de TMB (TMB-H), que reflete o número total elevado de mutações somáticas não sinônimas por área de codificação de um genoma de tumor e normalmente derivado de testes de painel de genes, é reconhecido como um biomarcador promissor para as terapias ICI de vários cânceres sólidos. Contudo, na prática clínica, não é viável realizar testes de painel de genes para todos os pacientes com câncer.

p Dr. Yoshifumi Shimada e colegas de trabalho da Divisão de Cirurgia Geral e Digestiva, Escola de Pós-Graduação em Ciências Médicas e Odontológicas, Niigata University, considerado TMB-H de um subgrupo específico de pacientes com CRC, como um marcador mais robusto para prever a eficácia de ICIs, e desenvolveu um algoritmo baseado em rede neural convolucional (CNN) para prever TMB-H CRC diretamente a partir das características histopatológicas, em particular, o TIL, obtido a partir de lâminas coradas com hematoxilina e eosina (H&E). Uma imagem microscópica representativa do tumor de câncer colorretal de alta carga mutacional corado por H&E é mostrada na figura anexa, demonstrando a presença de linfócitos infiltrantes de tumor em nível significativamente elevado em comparação com o tecido normal circundante.

p As informações digitais dessas imagens neoplásicas e também não neoplásicas obtidas da coorte JP-CRC são transformadas e normalizadas para a construção de um modelo de Rede Neural Convoluta preditivo empregando o modelo de aprendizagem Inception V3, pelo grupo Dr. Shimada. O modelo baseado na CNN desenvolvido pelo Dr. Shimada e colegas de trabalho tem o potencial de não apenas reduzir a carga do diagnóstico adequado sobre os patologistas, mas também fornecer as informações necessárias sobre a capacidade de resposta dos pacientes à terapêutica baseada no ICI. sem o uso de caros, testes de painel de genes demorados e não facilmente disponíveis. Este estudo do Dr. Shimada e colegas de trabalho foi publicado em uma edição recente da Journal of Gastroenterology (2021; vol. 56:pp. 547-559; https:/ / doi. org / 10 1007 / s00535-021-01789-w).

p Além disso, os estudos do grupo do Dr. Shimada também forneceram meios para prever o CRC de TMB-H apenas usando as informações de TIL das lâminas de H&E dos tecidos tumorais dos pacientes. Contudo, considerando que os pacientes da coorte estudada não foram tratados com nenhum ICI, nenhuma conclusão pode ser tirada em relação à sua responsividade de ICI após o diagnóstico de TMB-H e ​​foi sugerido que futuros ensaios clínicos precisam ser conduzidos para avaliar se TIL sozinho pode ser útil como um biomarcador preditivo para a eficácia de ICIs.

p Dr. Shimada diz sobre o presente estudo:" Desenvolvemos inteligência artificial para prever alterações genéticas no câncer colorretal por meio do aprendizado profundo usando lâminas de hematoxilina e eosina. Essa inteligência artificial é importante para resolver os problemas de custo associados à análise genética e facilitar a medicina personalizada no câncer colorretal . "

p Geral, os estudos do Dr. Shimada e associados fornecem um método eficaz e confiável de custo e tempo para informar os médicos se o paciente com CRC que eles estão administrando pode se beneficiar do inibidor de ponto de verificação imunológico (incluindo inibidores da proteína PD-1 e seu ligante, Terapia PD-L1), sem implicar o uso de painel de genes.

• Baixo teor de fibra,
• Stent inspirado em Kirigami para melhorar a administração de medicamentos para doenças que afetam os órgãos tubulares