AI dự đoán đáp ứng với phong tỏa điểm kiểm soát miễn dịch ở bệnh nhân ung thư hắc tố di căn

  • 23/11/2020
Phương pháp mới mang lại lợi ích lâm sàng và giảm thiểu tiếp xúc với độc tính không cần thiết.

Theo kết quả được công bố trên Clinical Cancer Research, một tạp chí của Hiệp hội nghiên cứu ung thư Mỹ, một phương pháp tính toán kết hợp các tham số lâm sàng với học sâu các hình ảnh mô học trước khi điều trị có thể dự đoán đáp ứng với phong tỏa điểm kiểm soát miễn dịch ở những bệnh nhân bị u ác tính tiến triển.

Các nhà nghiên cứu cho biết nghiên cứu này là nghiên cứu đầu tiên khám phá Học máy để dự đoán đáp ứng của bệnh nhân mắc ung thư hắc tố với các chất ức chế điểm kiểm soát miễn dịch.

Ảnh minh họa

Tác giả nghiên cứu Thạc sĩ Iman Osman, bác sĩ chuyên khoa ung thư đến từ Khoa Da liễu tại Trường Y khoa Grossman thuộc Đại học New York (NYU) và là giám đốc của Chương trình ung thư hắc tố liên ngành tại Trung tâm ung thư Perlmutter của Đại học New York cho biết: "Trong khi các chất ức chế điểm kiểm soát miễn dịch đã thay đổi mạnh mẽ bối cảnh điều trị ở ung thư hắc tố, nhiều khối u không đáp ứng với điều trị và nhiều bệnh nhân gặp phải độc tính liên quan đến điều trị. Một nhu cầu chưa được đáp ứng là khả năng dự đoán chính xác khối u nào sẽ đáp ứng với liệu pháp nào. Điều này sẽ cho phép các chiến lược điều trị được cá thể hóa nhằm tối đa hóa tiềm năng mang lại lợi ích lâm sàng và giảm thiểu tiếp xúc với độc tính không cần thiết”.

Tác giả nghiên cứu Aristotelis Tsirigos, Giáo sư, Tiến sĩ tại Viện Y học tính toán thuộc Trường Y Grossman của Đại học New York và là thành viên của Trung tâm ung thư Perlmutter thuộc Đại học New York cho biết: "Một số nỗ lực gần đây để dự đoán các đáp ứng của liệu pháp miễn dịch với độ chính xác cao nhưng sử dụng các công nghệ, chẳng hạn như giải trình tự ARN, không dễ dàng khái quát hóa trong môi trường lâm sàng. Cách tiếp cận của chúng tôi cho thấy rằng các đáp ứng có thể được dự đoán bằng cách sử dụng thông tin lâm sàng chăm sóc tiêu chuẩn như hình ảnh mô học trước khi điều trị và các biến số lâm sàng khác".

Ảnh minh họa

Các nhà nghiên cứu đã sử dụng dữ liệu từ một nhóm gồm 121 bệnh nhân ung thư hắc tố di căn đã được điều trị phong tỏa điểm kiểm soát miễn dịch từ năm 2004 đến năm 2018. Tất cả bệnh nhân đều được điều trị bằng liệu pháp kháng CTLA-4 dòng đầu, liệu pháp kháng PD-1 hoặc kết hợp của cả hai, và kết quả lâm sàng được ghi nhận là có sự tiến triển về tình trạng bệnh hoặc đáp ứng, bao gồm đáp ứng hoàn toàn hoặc một phần (những bệnh nhân mà tình trạng bệnh ổn định bị loại khỏi nghiên cứu chứng minh nguyên tắc này). Các nhà nghiên cứu đã sử dụng các thuật toán máy tính được gọi là mạng nơ-ron tích chập sâu (DCCN) để phân tích hình ảnh kỹ thuật số của các khối u ác tính di căn và xác định các mô hình liên quan đến đáp ứng điều trị. Thông qua cách tiếp cận này, họ đã phát triển một công cụ phân loại đáp ứng, nhằm dự đoán liệu khối u chưa được điều trị của bệnh nhân có đáp ứng với việc phong tỏa điểm kiểm soát miễn dịch hoặc tiến triển sau khi điều trị hay không. Công cụ phân loại đáp ứng mạng nơ-ron tích chập sâu này đã được xác nhận trong một nhóm thuần tập độc lập gồm 30 bệnh nhân bị u ác tính di căn được điều trị tại Trung tâm ung thư Vanderbilt-Ingram từ năm 2010 đến năm 2017.

Ảnh minh họa

Hiệu suất của bộ phân loại đáp ứng mạng nơ-ron tích chập sâu được đánh giá bằng cách tính diện tích dưới đường cong (AUC), một phép đo độ chính xác của mô hình, trong đó điểm 1 tương ứng với dự đoán hoàn hảo. Mô hình dự đoán mạng nơ-ron tích chập sâu đã đạt được diện tích dưới đường cong khoảng 0,7 trong cả nhóm đào tạo và xác nhận.

Để tăng cường độ chính xác trong dự đoán của mô hình, các nhà nghiên cứu đã thực hiện các phép hồi quy logistic đa biến kết hợp dự đoán của mạng nơ-ron tích chập sâu với các đặc điểm lâm sàng thông thường. Mô hình cuối cùng kết hợp dự đoán của mạng nơ-ron tích chập sâu, hiệu suất của Nhóm nghiên cứu ung thư Miền Đông (ECOG) và phác đồ điều trị (hoặc đơn trị liệu kháng CTLA-4, đơn trị liệu kháng PD-1 hoặc liệu pháp kết hợp). Trong cả nhóm đào tạo và xác thực, bộ phân loại đa biến đã đạt được diện tích dưới đường cong khoảng 0,8. Trong thuần tập xác nhận, bộ phân loại có thể phân loại bệnh nhân thành nguy cơ tiến triển bệnh cao và thấp, với kết quả sống thêm không tiến triển khác nhau đáng kể giữa hai nhóm.

GS. TS. Aristotelis Tsirigos

Trong khi phần lớn bệnh nhân trong nhóm đào tạo nhận được đơn trị liệu kháng CTLA-4 (khoảng 64 phần trăm bệnh nhân), phần lớn bệnh nhân trong nhóm xác nhận nhận được thuốc kháng PD-1 (khoảng 53 phần trăm bệnh nhân). Kết quả cho thấy rằng một số mô hình dự đoán không đặc hiệu cho mục tiêu điểm kiểm soát miễn dịch. Lập bản đồ kích hoạt lớp, có thể xác định các vùng trong hình ảnh kỹ thuật số mà mạng nơ-ron sử dụng để tạo ra các dự đoán, cho thấy rằng các nhân tế bào rất quan trọng đối với các dự đoán của mạng nơ-ron tích chập sâu, trong đó các hạt nhân lớn hơn và nhiều hơn có liên quan đến sự tiến triển của bệnh. Bà cho biết thêm: “Những kết quả này cho thấy rằng thể dị bội có thể là một trong những yếu tố sinh học được phát hiện bởi mạng nơ-ron tích chập sâu”.

Ảnh minh họa

GS.TS. Tsirigos cho biết: "Có tiềm năng sử dụng các thuật toán máy tính để phân tích hình ảnh mô học và dự đoán đáp ứng điều trị, nhưng cần phải thực hiện nhiều công việc hơn bằng cách sử dụng bộ dữ liệu đào tạo và thử nghiệm lớn hơn, cùng với các thông số xác nhận bổ sung, để xác định xem liệu một thuật toán có thể được phát triển để đạt được hiệu quả lâm sàng - nâng cấp hiệu suất và có thể khái quát rộng rãi".

Hạn chế của nghiên cứu bao gồm số lượng hình ảnh tương đối ít được sử dụng để đào tạo thuật toán máy tính, bao gồm 302 hình ảnh trong nhóm đào tạo và 40 hình ảnh trong nhóm xác thực. GS. TS. Tsirigos cho biết: " Có dữ liệu cho thấy có thể cần hàng nghìn hình ảnh để đào tạo các mô hình đạt được hiệu suất cấp lâm sàng". 

Hoa Hồng

Theo medicalxpress


Tin khác

  • Lượt truy cập: 4938026
  • Đang xem: 1596