| 癌症研究 |
2018-09-17 10:58 |
发表在《Lancet Oncology》上的一项研究首次证实，人工智能可以处理医学图像以提取生物学和临床信息。通过设计算法并将其开发用于分析CT扫描图像作者等人创建了一个所谓的放射学特征。该特征定义了肿瘤的淋巴细胞浸润水平，并提供了患者免疫治疗功效的预测评分。
将来，医生可能因此能够使用成像来识别位于身体任何部位的肿瘤中的生物现象，而无需进行活组织检查。
到目前为止，没有标记可以准确地识别那些对PD-1 / PD-L1免疫治疗有反应的患者，在这种情况下，只有15%至30%的患者对此类治疗有反应。众所周知，肿瘤环境中免疫细胞更丰富(淋巴细胞的存在)，免疫疗法有效的可能性越大，因此研究人员试图通过成像来表征这种环境并将其与患者的临床反应相关联。
在这项回顾性研究中，作者在500名实体瘤患者(所有部位)中捕获，开发和验证了放射学特征，并且在基因组学，组织学和临床上得到了验证。
使用基于机器学习的方法，该团队首先教授该算法，以使用参与研究的患者的CT扫描中提取的相关信息，该研究还包含肿瘤基因组数据。因此，仅基于图像，该算法学习预测基因组可能揭示的关于肿瘤免疫浸润的内容，特别是关于肿瘤中细胞毒性T淋巴细胞(CD8)的存在，并且其建立了放射性组织特征。
然后，为了测试该特征在实际情况下的适用性并将其与免疫疗法的功效相关联，在参与抗PD-1 / PD的I期试验的患者中，在治疗开始之前进行CT扫描来评估该特征。结果发现，3个月和6个月免疫治疗有效的患者的放射学评分较高，总体生存率较高。 |
|