人工智能可能预测响应在转移性黑色素瘤患者免疫检查点封锁

计算方法,结合clinicodemographic变量与深度学习的预处理可以预测反应的免疫组织学图像检查点封锁的晚期黑色素瘤患者中,根据结果发表在临床癌症研究,美国癌症研究协会杂志》上。

“虽然免疫抑制剂检查站已经深刻地改变了治疗格局在黑色素瘤,许多肿瘤对治疗没有反应,和许多病人经验治疗相关的毒性,”相应的研究作者伊曼奥斯曼说,医学博士,医学肿瘤学家皮肤病与医学的部门(肿瘤)在纽约大学(NYU)格罗斯曼医学院和跨学科的黑色素瘤项目主任在纽约大学Langone波尔马特癌症中心。“一个未满足的需求是能够准确地预测哪些肿瘤治疗反应。这将使个性化治疗策略潜在的临床效益,最大限度地减少暴露在不必要的毒性。”

”最近试图预测免疫疗法的反应与强劲的精度但使用技术,如RNA序列,不容易可概括的临床,“说相应的研究作者Aristotelis Tsirigos,计算医学研究所博士,教授格罗斯曼在纽约大学医学院和纽约大学Langone波尔马特癌症中心成员。“我们的方法表明,反应可以使用标准治疗的临床信息,如预测预处理组织学图像和其他临床变量。”

研究人员使用的数据训练的121例转移性黑色素瘤接受免疫检查点封锁治疗2004年和2018年之间。所有患者接受一线anti-CTLA-4疗法,anti-PD-1疗法,或两者的结合,和临床结果被记录为疾病进展或响应,其中包括完全或部分反应(本原理研究稳定疾病患者被排除在外)。研究人员使用计算机算法称为深卷积神经网络(DCCN)来分析数字图像的黑色素瘤转移性肿瘤和识别模式与治疗反应相关。通过这种方法,他们开发了一种反应分类器,旨在预测肿瘤病人的治疗是否应对免疫检查点封锁或进展后治疗。这种DCCN反应分类器是一个独立的验证组治疗的30例转移性黑色素瘤患者Vanderbilt-Ingram癌症中心在2010年和2017年之间。

DCCN反应分类器的性能评估是通过计算曲线下的面积(AUC),衡量模型的准确性,1分对应于完美的预测。DCCN预测模型实现了AUC约0.7的培训和验证军团。

增加模型的预测精度,研究人员进行多变量逻辑回归分析,结合DCCN预测与常规临床特点。最终的模型合并DCCN预测,东部合作肿瘤组(ECOG)性能状态,和治疗方案(anti-CTLA-4单一疗法、anti-PD-1单药治疗或联合治疗)。在训练和验证组,多变量分类器实现了AUC约0.8。验证组的分类器可以分层患者疾病进展的风险高与低,与无进展生存结果两组之间明显不同。

大多数患者在训练队列接收anti-CTLA-4单一疗法(大约64%的患者),大多数患者在验证队列接收anti-PD-1代理(约53%的患者)。结果表明,一些预测模式不是特定于免疫目标检查站,奥斯曼指出。类激活映射,它可以识别的数字图像中的区域神经网络用于生成预测,表明,细胞核DCCN预测很重要,越来越大,数量越来越多核与进展相关的疾病。“这些结果表明,倍性可能被DCCN生物因素之一,”她补充道。

“有可能使用计算机算法分析组织学图像和预测治疗反应,但是需要做更多的工作使用更大的训练和测试数据集,以及额外的验证参数,以确定是否可以开发一个算法,达到clinical-grade性能和大致可归纳的,“Tsirigos说。

这项研究的限制包括相对较少的图像用于训练计算机算法,其中包括302图像训练队列和40图像验证队列。“有数据表明成千上万的图像可能需要训练模型,实现clinical-grade性能,“Tsirigos说。

---

---