再一次,他们通过教计算机发现肺癌第一次诊断时的CT扫描与前2-3个免疫治疗周期后的扫描相比,之前看不见的变化。而且,和之前的工作一样,这些变化在肿瘤内部和外部都被发现了,这是该实验室最近研究的一个标志。“这并不是昙花一现——这项研究似乎真的反映了这种疾病的生物学特性,即更具有侵略性的表型,而这是肿瘤学家目前没有的信息。”Anant Madabhushi说,他的计算成像和个性化诊断中心(CCIPD)已经通过网格医学成像和机器学习成为各种癌症和其他疾病的检测、诊断和表征的全球领导者。
目前,根据美国国家癌症研究所(National cancer Institute)的数据,只有约20%的癌症患者能从免疫疗法中获益。免疫疗法与化疗不同,它使用药物帮助免疫系统对抗癌症,而化疗使用药物直接杀死癌细胞。
Madabhushi说,他的实验室最近的工作将帮助肿瘤学家知道哪些患者实际上会从治疗中受益,哪些患者不会。Madabhushi说:“尽管免疫疗法已经改变了癌症的整个生态系统,但它仍然非常昂贵——每年每位患者大约需要20万美元。”“这是癌症带来的经济毒性的一部分,导致大约42%的新诊断癌症患者在确诊后一年内失去了他们的生命积蓄。”
有工具基于现在由他实验室所做的研究将会对“做一个更好的匹配,病人会对免疫疗法,而不是把800000美元扔进下水道,”他补充说,引用的四个病人五谁不会受益,乘以年度估计成本。
一项新的研究
合著者Mohammadhadi Khorrami是一名在cipd工作的研究生,他说,这项研究的一个更重要的进展是计算机程序能够记录给定病变的质地、体积和形状的变化,而不仅仅是病变的大小。“这很重要,因为当医生仅根据CT图像来决定病人是否对治疗有反应时,通常是基于病变的大小,”霍拉米说。“我们发现,质地变化是治疗是否有效的一个更好的预测因素。例如,有时,由于肿瘤内部血管破裂等其他原因,治疗后结节可能会显得更大,但治疗实际上是有效的。现在,我们有办法知道这一点。”
Madabhushi实验室的博士后研究助理Prateek Prasanna说,这项研究还表明,对在两个不同部位接受治疗和使用三种不同免疫疗法的患者的扫描结果是一致的。他说:“这证明了该程序的基本价值,我们的机器学习模型可以预测接受不同免疫检查点抑制剂治疗的患者的反应。”“我们面对的是一个基本的生物学原理。”
Prasanna说,最初的研究使用了50名病人的CT扫描来训练计算机,并创建一个数学算法来识别病变的变化。他说,下一步将是在从其他网站和不同免疫治疗制剂获得的病例上测试该项目。这项研究最近获得了ASCO 2019征服癌症基金会功绩奖。
Madabhushi说,此外,研究人员表明,CT扫描上的模式是最相关的积极响应与整体治疗和病人生存也后发现与免疫细胞的排列方式密切相关的原始诊断性活检的病人。
他说,这表明,这些CT扫描实际上似乎捕捉了肿瘤引发的免疫反应,以对抗癌症的侵袭——免疫反应最强的那些显示出最显著的结构变化,最重要的是,对免疫治疗的反应最好。
来源:凯斯西储大学