Недавнее исследование, опубликованное в Cancer Cell, подчеркивает новый подход, использующий искусственный интеллект (ИИ) для улучшения стратификации пациентов с уротелиальным карциномом, повышая точность прогнозов ответов на ингибиторы контрольных точек PD-1 и PD-L1.
Роман Банчере, доктор философии, старший научный сотрудник Genentech и главный автор, заявил: "Это исследование представляет собой значительную интеграцию молекулярных и клинических данных в рандомизированных испытаниях, прокладывая путь к индивидуализированному лечению на основе специфических молекулярных субтипов."
Хотя ингибиторы контрольных точек преобразили лечение рака, многие подходящие пациенты не получают от этих терапий пользы. Ранее предпринятые попытки улучшить отбор пациентов с помощью биомаркеров PD-L1 имели ограниченный успех.
Новый метод классифицирует уротелиальный карцинома на четыре субтипа на основе профилей микросреды опухоли, значительно улучшая точность прогнозов ответов на лечение по сравнению с традиционными оценками биомаркеров PD-L1.
Исследователи проанализировали данные из четырех клинических испытаний на поздних стадиях с участием 2,803 пациентов, получавших лечение ингибитором PD-L1 атезолизумабом. Они применили методы машинного обучения для определения различных субтипов опухолей, предлагая быстрый и эффективный процесс стратификации пациентов.
Банчере отметил, что "высокопроизводительные ИИ-биомаркеры изображений могут быть потенциально интегрированы в рутинную клиническую практику," улучшая диагностическую эффективность и масштабируемость.
Определенные субтипы—люминальный пустынный, стромальный, иммунный и базальный—показали разные реакции на лечение, при этом иммунные и базальные субтипы продемонстрировали значительные преимущества в выживаемости при лечении атезолизумабом.
Исследование выступает за индивидуализированные стратегии лечения, предлагая, что опухоли иммунного субтипа могут извлечь выгоду из комбинированной терапии, в то время как опухоли базального субтипа могут лучше реагировать на ингибиторы PD-L1 отдельно или в комбинации с другими методами лечения.
Банчере подчеркнул потенциал цифровой патологии и моделей глубокого обучения для улучшения понимания биологии опухолей и ускорения стратификации пациентов в клинических условиях.