KI -Werkzeuge verbessern die Erkennung wichtiger Immunstrukturen beim Melanom
Forscher der Ecog-Acrin Cancer Research Group (Ecog-Acrin) haben AI-gesteuerte Prozesse zum Nachweis von lymphoiden Strukturen (TLS) in Tausenden digitaler Bilder von Melanom-Tumorgewebe angewendet, wodurch die Identifizierung von TLs und die Überlebensvorhersagen für operative Stufe III/IV signifikant verbessert wird. Das Vorhandensein von TLS, einem wichtigen Biomarker für eine bessere Prognose und ein verbessertes Überleben, ist noch kein Standardbestandteil der Pathologieberichte der Patienten, und die manuelle Erkennung ist arbeitsintensiv und kann variabel sein. Die führenden Forscher Ahmad A. Tarhini, MD, PhD, und Xuefeng Wang, PhD, werden den neuen Ansatz bei der Jahrestagung der American Association for Cancer Research 2025 in Chicago vorstellen.
Unsere Bemühungen zeigen das Potenzial von Open-Source-KI-Tools, um die Art und Weise zu verändern, wie wir Überlebens- und Immuntherapievorteile vorhersagen, indem kritische Immunstrukturen wie TLS mit beispiellose Leichtigkeit und Genauigkeit erfasst werden. „
Dr. Ahmad A. Tarhini, Professor und Seniormitglied, Cutaneous Oncology and Immunology, am Moffitt Cancer Center und Forschungsinstitut in Tampa, Florida
Die Studie analysierte retrospektiv Tausende von archivierten digitalen Bildern in Verbindung mit entsprechenden RNA-Sequenzierungsdaten von 376 Patienten mit fortgeschrittenem Melanom mit hohem Risiko, wodurch das Vorhandensein von TLS mit einem signifikant besseren Gesamtüberleben verbindet. Die Kohorte hatte an einer von Ecog-Acrin namens E1609 unterliegenden Kooperationsgruppenstudie der US-amerikanischen US-amerikanischen US-amerikanischen Genossenschaft teilgenommen, bei der die Blockade des Immun-Checks und die Zytokin-Therapie bei Hochrisiko-Melanom (Tarhini A.) getestet wurde (Tarhini A. J Clin Oncol. Februar 2020).
Diese Analyse ergab, dass TLs in 55% der E1609 -Kohorte vorhanden waren und ein signifikant besseres Gesamtüberleben vorhergesagt haben als diejenigen ohne TLS (36,23% gegenüber 29,59% nach 5 Jahren), insbesondere bei Patienten mit mehr als einem TLS (38,04% in> 1 TLS gegenüber 28,65%). Die TLS -Dichte war auch signifikant prognostisch für das Gesamtüberleben (37,77% gegenüber 28,72% nach 5 Jahren für den mittleren Grenzwert). Das Überleben variierte auch je nach AJCC -Stadiumgruppe, Alter, Geschlecht, Behandlungstyp und Tumorgeschwüre, wie in AACR Abstract 3358 gezeigt.
„Diese Ergebnisse unterstreichen das Potenzial für AI-gesteuerte Ansätze zur Standardisierung der TLS-Bewertung unter Verwendung kostengünstiger H & E-gefärbter Bilder mit dem Potenzial zur Verbesserung der Prognose und Schichtung innerhalb von AJCC und rechtfertigen weitere Untersuchungen“, sagte Dr. Tarhini.
Die Forscher haben zuerst HookNet-TLS angewendet, ein Open-Source-Deep-Lern-Algorithmus, um TLS und Keimzentren (GC) innerhalb der E1609-Digitalisierten H & E-gefärbten Objektträger zu messen. Nach der Überprüfung der ersten Ergebnisse haben sie das Modell für eine bessere Genauigkeit umgeschrieben. Sie bewerteten den prognostischen Wert der TLS -Scores, indem sie das Vorhandensein von TLS und GC korrelierten, die in den digitalisierten Bildern mit normalisierten TLS -Zahlen gefunden wurden.
Als nächstes verwendeten die Forscher das Gigaph-Gigh-Whole-Slide-Foundation-Modell für die Extraktion für digitale Pathologie und untersuchten das Potenzial bei der TLS-Erkennung in dieser Kohorte. Gigapth ermöglichte eine verbesserte Visualisierung von H & E -Bildfliesen durch die Erzeugung der Hauptkomponentenanalyse (PCA).
„Mithilfe des Gigapth Foundation-Modells scheinen die generierten PCA-Visualisierungen vielversprechend bei der Verbesserung der TLS- und GC-Erkennung zu sein. Diese werden bei einem zukünftigen Treffen weiterhin eine weitere Feinabstimmung unterzogen, und die endgültigen Ergebnisse werden bei einem zukünftigen Treffen geteilt“, sagte Dr. Wang, Vorsitzender von Biostatistik und Bioinformatik im Moffitt Cancer Center.
Diese Forschung wurde durch ein Stipendium des National Cancer Institute, einem der National Institutes of Health, unterstützt.
„Die neuen Methoden zur Vorhersage von Überlebensvorhersagen nutzen kostengünstige, leicht zugängliche Technologien. Sie können die Einführung von TLS-Tests für Melanompatienten mit hohem Risiko beschleunigen und Diskussionen mit Ärzten über potenzielle Immuntherapie-Vorteile unterstützen“, fügte Dr. Tarhini hinzu.
Quellen:
