پیش بینی پاسخ به ایمن سازی با استفاده از هوش مصنوعی

یک مطالعه منتشر شده در انکولوژی لنست برای اولین بار نشان می دهد که هوش مصنوعی می تواند تصاویر پزشکی را برای استخراج اطلاعات بیولوژیکی و بالینی پردازش کند. با طراحی الگوریتم و طراحی آن برای تجزیه و تحلیل تصاویر سی تی اسکن، محققان پزشکی در گوستاو روسی، CentraleSupélec، Inserm، دانشگاه پاریس سواد و TheraPanacea (جدا شده از CentraleSupélec متخصص در هوش مصنوعی در رادیوتراپی و پزشکی دقت پزشکی) یک امضای رادیوم به اصطلاح این امضا سطح نفوذ لنفوسیت تومور را تعیین می کند و نمره پیش بینی کننده ای را برای اثربخشی ایمنوتراپی در بیمار فراهم می کند.

در آینده، ممکن است پزشکان بتوانند از تصویربرداری برای شناسایی پدیده های بیولوژیکی در یک تومور در هر قسمت از بدن بدون نیاز به انجام بیوپسی استفاده کنند.

تا کنون مارکر نمی تواند دقیقا کسانی را شناسایی کند که به ایمنوتراپی ضد PD-1 / PD-L1 واکنش نشان می دهند در شرایطی که فقط 15 تا 30 درصد از بیماران به چنین درمان پاسخ می دهند. شناخته شده است که محيط تومور غني تر از ايمونولوژي (حضور لنفوسيت ها) بيشترين شانس ايجاد ايمونوتراپي را دارد، بنابراين محققان سعي کرده اند با استفاده از تصويربرداري اين محيط را توصيف کنند و با پاسخ باليني بيماران همخواني داشته باشند. این هدف از امضای رادیوم است که در مطالعه منتشر شده در انکولوژی لنست طراحی و تایید شده است .

در این مطالعه ، امضای رادیوم در 500 بیمار مبتلا به تومورهای جامد (همه سایت ها) از چهار همبستگی مستقل گرفته شد. این ژنوم، بافت شناسی و بالینی معتبر بود، و آن را به طور خاص ثابت کرد.

با استفاده از یک رویکرد مبتنی بر یادگیری ماشین، تیم ابتدا الگوریتم را به استفاده از اطلاعات مربوط به استخراج شده از CT اسکن بیماران شرکت کننده در مطالعه MOSCATO، که همچنین داده های ژنوم تومور را برگزید، تدریس کرد. بنابراین، تنها بر اساس تصاویر، این الگوریتم آموخت که پیش بینی کند که ژنوم ممکن است در مورد نفوذ ایمنی تومور، مخصوصا با توجه به حضور T-lymphocytes سیتوکوکسیک (CD8) در تومور، و آن را امضا رادیوم ایجاد کرده است.

این امضا در سایر گروه ها از جمله TCGA (Atlas Genome Cancer) مورد آزمایش قرار گرفت و به این ترتیب نشان می دهد که تصویربرداری می تواند یک پدیده بیولوژیکی و تخمینی از میزان نفوذ ایمنی یک تومور را پیش بینی کند.

سپس، برای آزمایش کاربرد این امضا در یک وضعیت واقعی و ارتباط آن با کارایی ایمونوتراپی، با استفاده از CT اسکن های انجام شده قبل از شروع درمان در بیماران شرکت کننده در آزمایش های 5 فاز I anti-PD-1 / PD مورد ارزیابی قرار گرفت -L1 ایمونوتراپی مشخص شد که بیمارانی که ایمونوتراپی آنها در 3 و 6 ماه موثر بود، نمرات رادیومیک بالاتری داشتند، همانطور که در مقایسه با بقای کلی بهتر بود.

مطالعات بالینی ارزیابی امضا را به صورت گذشته و پس از آن، از تعداد بیشتری از بیماران استفاده خواهد کرد و آنها را با توجه به نوع سرطان طبقه بندی می کند تا امضا را اصلاح کند.

این همچنین الگوریتم های پیشرفته تر یادگیری خودکار و الگوریتم هوش مصنوعی را برای پیش بینی پاسخ بیمار به ایمن سازی در نظر می گیرد. به این ترتیب، محققان قصد دارند اطلاعات را از تصویربرداری، زیست شناسی مولکولی و تجزیه و تحلیل بافت ادغام کنند. این هدف همکاری بین گوستاو روسی، Inserm، Université پاریس سود، CentraleSupélec و TheraPanacea برای شناسایی بیماران است که به احتمال زیاد به درمان  و بهبود آن نسبت هزینه پاسخ بهتری می دهد.