Eine aktuelle Studie, die in Cancer Cell veröffentlicht wurde, hebt einen neuen Ansatz hervor, der künstliche Intelligenz (KI) nutzt, um die Stratifikation von Patienten mit Urothelkarzinom zu verbessern und Vorhersagen über die Reaktionen auf PD-1- und PD-L1-Checkpoint-Inhibitoren zu optimieren.
Romain Banchereau, PhD, leitender Wissenschaftler bei Genentech und Hauptautor, erklärte: "Diese Studie stellt eine große Integration von molekularen und klinischen Daten in randomisierten Studien dar, die den Weg für maßgeschneiderte Behandlungen auf der Grundlage spezifischer molekularer Subtypen ebnet."
Obwohl Checkpoint-Inhibitoren die Krebsbehandlung revolutioniert haben, profitieren viele geeignete Patienten nicht von diesen Therapien. Frühere Versuche zur Verbesserung der Patientenauswahl durch PD-L1-Biomarker waren nur begrenzt erfolgreich.
Die neue Methode klassifiziert Urothelkarzinome in vier Subtypen basierend auf den Profilen des Tumormikroumfelds und verbessert erheblich die Vorhersagegenauigkeit für die Behandlungsergebnisse im Vergleich zu herkömmlichen PD-L1-Biomarkerbewertungen.
Die Forscher analysierten Daten aus vier späten klinischen Studien mit 2.803 Patienten, die mit dem PD-L1-Inhibitor Atezolizumab behandelt wurden. Sie verwendeten maschinelles Lernen, um verschiedene Tumorsubtypen zu identifizieren, was einen schnellen und effektiven Prozess zur Stratifikation von Patienten ermöglicht.
Banchereau bemerkte, dass "hochdurchsatzfähige KI-basierte Bildgebungsbiomarker potenziell in die routinemäßige klinische Praxis integriert werden können," um die diagnostische Effizienz und Skalierbarkeit zu verbessern.
Die identifizierten Subtypen—luminaler Wüsten-, stromaler, immunologischer und basal—zeigten unterschiedliche Reaktionen auf die Behandlung, wobei die immunologischen und basalen Subtypen signifikante Überlebensvorteile durch Atezolizumab aufwiesen.
Die Studie plädiert für maßgeschneiderte Behandlungsstrategien und schlägt vor, dass Tumoren des immunologischen Subtyps von kombinierten Therapien profitieren könnten, während Tumoren des basalen Subtyps besser auf PD-L1-Inhibitoren alleine oder in Kombination mit anderen Behandlungen ansprechen könnten.
Banchereau betonte das Potenzial der digitalen Pathologie und von Deep-Learning-Modellen, um das Verständnis der Tumorbiologie zu verbessern und die Stratifikation von Patienten in klinischen Settings zu beschleunigen.