İleri Evre Küçük Hücreli Dışı Akciğer Kanserinde Çoklu Omik Tabanlı Bir Seri Derin Öğrenme Yaklaşımı

Akciğer kanseri, küresel olarak ölümlerin önde gelen nedeni olmakla birlikte yapılan çalışmalar küçük hücreli olmayan akciğer kanserinin (KHDAK), akciğer kanseri vakalarının %80-85'ini oluşturduğunu ortaya koymuştur. Son yıllarda, immünoterapinin, KHDAK hastalarının genel sağkalımını (OS) ve yaşam kalitesini önemli ölçüde iyileştirmiş olduğu gözlemlenmiştir. Ne olursa olsun uzmanlar, KHDAK hastalarının sadece %20'sinin kalıcı bir yanıtla immünoterapiden fayda gördüğünü vurgulamışlardır. Tümör mutasyon yükü, PD-L1 ekspresyonu, tümör infiltre eden lenfositler ve bağırsak mikrobiyom çeşitliliği gibi bazı biyobelirteçlerin, anti-PD-1 / PD-L1 tedavisine olumlu yanıtlarla ilişkili olduğu bildirilmiştir. Bununla birlikte, bu potansiyel biyobelirteçlerin klinik ortamda daha geniş bir hasta popülasyonuna uygulanmasının, örneklerin mevcudiyeti ve mevcut biyobelirteçlerin hiçbirinin tüm anti-PD-1 / PD-L1 ilaçları için geçerli olmaması nedeniyle sınırlı olduğuna dikkat çekilmiştir. Bu nedenle, immünoterapinin hızlı gelişimi ve ekonomik fayda analizi ile, gerçek dünya klinik ortamında kolayca elde edilebilen ve takip edilebilen biyo-işaretleyicilerin kombinasyonuna acilen ihtiyaç duyulmaktadır.

Artan kanıtlar, yapay zekanın (AI), KHDAK'de radyomik biyobelirteçlerin tanınması yoluyla immünoterapiye yanıtı değerlendirebileceğini göstermiştir. Yapay zeka ile geliştirilmiş yüksek boyutlu radyolojik özellikler olan radyomiğin, invaziv olmama ve kolay ve otomatik seri izleme gibi bir dizi avantaja sahip olduğu bildirilmiştir. Radyografik görüntüler, biyopsi ile karşılaştırıldığında tüm tümör hakkında tam ve kapsamlı bilgi sağlamakla birlikte KHDAK 'de erken akciğer kanseri ve epitel büyüme faktörü reseptörü (EGFR) ve KRAS mutasyonlarını tanımlamaya yardımcı olabilmektedir. Bilim insanları ,tümör heterojenliğini ve olası bir heterojen tedavi yanıtını ortaya çıkarabileceğini belirtmişlerdir. Mevcut biyobelirteçler, örneklerin mevcudiyeti ile sınırlıdır ve immünoterapiden kimin yararlanacağını tam olarak tahmin etmemektedir.

Basit Temporal Dikkat (SimTA) modülü

Yapılan bu çalışmanın amacını araştırmacılar, BT'den gelen çok modlu seri bilgileri laboratuvar ve temel klinik bilgilerle entegre etmek için birleşik bir derin öğrenme modeli geliştirmek olarak açıklamışlardır. Çalışmada, Nisan 2016 ile Aralık 2019 arasında tek bir anti-PD-1 / PD-L1 ajanı alan 200 ileri evre KHDAK hastasından alınan 1633 BT taramasını ve 3414 kan örneği geriye dönük olarak analiz edilmiştir. Seri radyomikler, laboratuvar verileri ve temel klinik veriler dahil çok boyutlu bilgiler, immünoterapiye yanıt verenleri ve yanıt vermeyenleri belirlemek için derin öğrenme modellerini geliştirmek ve doğrulamak için kullanılmıştır. Eşzamansız zaman serisi görüntüleme ve laboratuvar verilerini işlemek için Basit Temporal Dikkat (SimTA) modülü geliştirilmiştir. Çapraz doğrulama kullanan 90 günlük derin öğrenmeye dayalı tahmin modeli, yanıt verenleri yanıt vermeyenlerden ayırmada iyi bir performans göstermiş olmakla birlikte eğri altındaki alanın (AUC) 0.80 olduğu bildirilmiştir. Çalışmada immünoterapiden önce, model kullanılarak hastalar yüksek ve düşük riskli yanıt vermeyenler olarak sınıflandırılmıştır. Stabil hastalığı (SD) olan 93 hastanın keşif analizi [Solid Tümörlerde Yanıt Değerlendirme Kriterlerine (RECIST) 1.1 göre ilk etkililik değerlendirmesinden sonra], 90 günlük modelin iyi bir sağkalım öngörüsüne sahip olduğunu ve düşük riskli hastaların yüksek riskli hastalara göre önemli ölçüde daha uzun PFS ve OS'ye sahip olduğunu göstermiştir. Sonuç olarak araştırmacılar, SimTA tabanlı çoklu omik seri derin öğrenmenin, ileri KHDAK hastalarının anti-PD-1 / PD-L1 monoterapisine yanıtını tahmin etmek için umut verici bir metodoloji sağladığını belirtmişler, dahası, modellerinin SD hastaları arasında sağkalım faydasını geleneksel RECIST değerlendirme yönteminden daha iyi ayırt edebileceğini de sözlerine eklemişlerdir.