Umetna inteligenca za napovedovanje kolorektalnega raka TMB-H po histopatoloških značilnostih

Biomarkerji so pomembni dejavniki ustreznih in učinkovitih terapevtskih pristopov za različne bolezni, vključno z rakom. Obstaja veliko dokazov, ki kažejo na pomen zaviralcev imunske kontrolne točke (ICI) proti raku, in so pokazali obetavne klinične koristi za določeno skupino bolnikov s kolorektalnim rakom (CRC). Več poročil je pokazalo učinkovitost biomarkerjev, kot je programirani ligand proteina smrti-1 (PD-L1), gostota limfocitov, ki se infiltrirajo v tumor (TIL), in tumorsko mutacijsko breme (TMB), določiti odzivnost pacientov za učinkovito uporabo ICI kot terapevtskih sredstev proti raku.

Visoka raven TMB (TMB-H), ki odraža povečano skupno število nesinonimskih somatskih mutacij na kodirno območje tumorskega genoma in običajno izhaja iz testiranja genske plošče, je priznan kot obetaven biomarker za ICI terapije različnih solidnih rakov. Vendar pa v klinični praksi, testiranje genske plošče pri vseh bolnikih z rakom ni izvedljivo.

Yoshifumi Shimada in sodelavci oddelka za prebavno in splošno kirurgijo, Visoka šola za medicinske in zobozdravstvene vede, Univerza Niigata, obravnavano kot TMB-H iz posebne podskupine bolnikov s CRC, kot močnejši marker za napovedovanje učinkovitosti ICI, in razvil algoritem, ki temelji na konvolucijski nevronski mreži (CNN) za napovedovanje TMC -H CRC neposredno iz histopatoloških značilnosti, še posebej, TIL, pridobljeno iz diapozitivov, obarvanih s hematoksilinom in eozinom (H&E). Reprezentativna mikroskopska slika tumorja kolorektalnega raka, obarvanega s H&E, je prikazana na priloženi sliki, ki dokazujejo prisotnost limfocitov, ki infiltrirajo tumor, v znatno povišani ravni v primerjavi z normalnim okoliškim tkivom.

Digitalne informacije iz te neoplastične in tudi neoplastične slike, pridobljene iz kohorte JP-CRC, se preoblikujejo in normalizirajo za izgradnjo napovednega modela zapletenega nevronskega omrežja, ki uporablja učni model Inception V3, avtor skupine Dr. Shimada. Model, ki temelji na CNN, ki sta ga razvila dr. Shimada in sodelavci, lahko ne le zmanjša breme pravilne diagnoze za patologe, ampak tudi zagotovi potrebne informacije o odzivnosti pacientov na terapevtike na osnovi ICI, brez uporabe dragih, dolgotrajno in težko dostopno testiranje genske plošče. Ta študija dr. Shimade in sodelavcev je objavljena v nedavni številki Revija za gastroenterologijo (2021; letnik 56:str. 547-559; https:/ / doi. org/ 10. 1007/ s00535-021-01789-w).

Poleg tega študije skupine dr. Shimada so zagotovile tudi sredstva za napovedovanje TMC-H CRC le z uporabo informacij TIL s diapozitivov H&E iz tumorskih tkiv bolnikov. Vendar pa glede na to, da bolniki v preučevani skupini niso bili zdravljeni z nobenimi ICI, po diagnozi TMB-H ni bilo mogoče sklepati o njihovi odzivnosti na ICI, predlagano pa je bilo, da je treba v prihodnjih kliničnih preskušanjih ugotoviti, ali je samo TIL lahko koristen kot napovedni biomarker za učinkovitost ICI.

Dr. Shimada o tej študiji pravi:" Razvili smo umetno inteligenco za napovedovanje genetskih sprememb pri kolorektalnem raku z globokim učenjem s pomočjo diapozitivov hematoksilin in eozin. Ta umetna inteligenca je pomembna pri reševanju stroškovnih problemov, povezanih z genetsko analizo, in olajšanju prilagojene medicine pri kolorektalnem raku . "

Na splošno, študije dr. Shimade in sodelavcev zagotavljajo stroškovno in časovno učinkovito in zanesljivo metodo za obveščanje zdravnikov, če ima bolnik s CRC, ki ga vodijo, korist od zaviralca imunske kontrolne točke (vključno z zaviralci proteina PD-1 in njegovega liganda, PD-L1) terapija, brez vpliva na uporabo genske plošče.

• Z nizko vsebnostjo vlaknin,
• Stent, ki ga navdihuje Kirigami, za izboljšanje dostave zdravil za bolezni, ki prizadenejo cevaste organe