Umelá inteligencia na predpovedanie kolorektálneho karcinómu TMB-H z histopatologických charakteristík

Biomarkery sú dôležitými determinantami vhodných a účinných terapeutických prístupov pre rôzne choroby vrátane rakoviny. Existuje množstvo dôkazov poukazujúcich na význam inhibítorov imunitného kontrolného bodu (ICI) proti rakovine, a ukázali sľubné klinické výhody pre konkrétnu skupinu pacientov s kolorektálnym karcinómom (CRC). Niekoľko správ demonštrovalo účinnosť biomarkerov, ako je naprogramovaný proteínový ligand death-1 (PD-L1), hustota lymfocytov infiltrujúcich nádor (TIL), a nádorovú mutačnú záťaž (TMB), na stanovenie reakcie pacienta na účinné použitie ICI ako terapeutík proti rakovine.

Vysoká úroveň TMB (TMB-H), čo odráža zvýšený celkový počet nesynonymných somatických mutácií na kódujúcu oblasť genómu nádoru a ktoré sú zvyčajne odvodené z testovania panelov génov, je uznávaný ako sľubný biomarker pre ICI terapie rôznych tuhých rakovín. Avšak, v klinickej praxi, nie je možné vykonať testovanie génového panelu pre všetkých pacientov s rakovinou.

Dr. Yoshifumi Shimada a spolupracovníci z Divízie tráviacej a všeobecnej chirurgie, Absolventská škola lekárskych a zubných vied, Univerzita Niigata, považovaný za TMB-H z konkrétnej podskupiny pacientov s KRK, ako robustnejší marker na predpovedanie účinnosti ICI, a vyvinul algoritmus na základe konvolučnej neurálnej siete (CNN) na predpovedanie TMB -H CRC priamo z histopatologických charakteristík, najmä, TIL, získané z podložných sklíčok zafarbených hematoxylínom a eozínom (H&E). Reprezentatívny mikroskopický obraz nádoru kolorektálneho karcinómu zafarbeného nádorom s vysokou záťažou zafarbeného H&E je zobrazený na sprievodnom obrázku, demonštrujúca prítomnosť lymfocytov infiltrujúcich nádor vo výrazne zvýšenej hladine v porovnaní s normálnym okolitým tkanivom.

Digitálne informácie z týchto neoplastických a tiež neoplastických obrazov získaných z kohorty JP-CRC sa transformujú a normalizujú na zostavenie prediktívneho modelu Convolrated Neural Network využívajúceho model učenia Inception V3, od skupiny Dr. Shimada. Model založený na CNN vyvinutý Dr. Shimadom a spolupracovníkmi má potenciál nielen znížiť zaťaženie patológov správnou diagnózou, ale tiež poskytnúť potrebné informácie o reakcii pacientov na terapeutiká založené na ICI, bez použitia drahých, časovo náročné a nie ľahko dostupné testovanie génového panelu. Táto štúdia Dr. Shimady a spolupracovníkov je publikovaná v nedávnom vydaní Časopis gastroenterológie (2021; zv. 56:s. 547-559; https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

Navyše, štúdie skupiny Dr. Shimada tiež poskytli prostriedky na predpovedanie TMB-H CRC iba pomocou informácií TIL zo snímok H&E z nádorových tkanív pacientov. Avšak, vzhľadom na to, že pacienti v študovanej kohorte neboli liečení žiadnymi ICI, po diagnostikovaní TMB-H nebolo možné vyvodiť žiadne závery týkajúce sa ich reakcie na ICI a bolo navrhnuté, aby bolo potrebné vykonať budúce klinické štúdie s cieľom zistiť, či samotný TIL môže byť užitočný ako prediktívny biomarker účinnosti ICI.

Dr. Shimada o tejto štúdii hovorí:„ Vyvinuli sme umelú inteligenciu na predpovedanie genetických zmien pri rakovine hrubého čreva a konečníka hĺbkovým učením pomocou preparátov z hematoxylínu a eozínu. Táto umelá inteligencia je dôležitá pri riešení problémov s nákladmi spojených s genetickou analýzou a uľahčovaní personalizovanej medicíny pri rakovine hrubého čreva a konečníka . "

Celkovo štúdie Dr. Shimada a spolupracovníkov poskytujú nákladovo a časovo efektívnu a spoľahlivú metódu na informovanie lekárov, ak pacient s CRC, ktorého riadia, môže mať prospech z inhibítora imunitného kontrolného bodu (vrátane inhibítorov proteínu PD-1 a jeho ligandu, Terapia PD-L1), bez toho, aby to malo vplyv na použitie génového panelu.

• Nízky obsah vlákniny,
• Stent inšpirovaný Kirigami na zlepšenie dodávania liečiv pri chorobách, ktoré postihujú tubulárne orgány