Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
KI-Tool zur Vorhersage der Wirksamkeit der Checkpoint-Therapie
{{{sourceTextContent.subTitle}}}
Forscher der Case Western Reserve University haben ein neues Berechnungswerkzeug entwickelt, um auf der Grundlage der CT-Bildgebung vorherzusagen, ob Lungenkrebspatienten von der Krebsbehandlung mit Immun-Checkpointhemmern profitieren werden. Dies ist eine spannende Entwicklung für Patienten mit Lungenkrebs und kann eines Tages helfen, medizinische Entscheidungen zu treffen.
{{{sourceTextContent.description}}}
Derzeit gibt es keine prädiktiven Biomarker, die darauf hinweisen könnten, ob Patienten mit nicht-kleinzelligem Lungenkrebs (NSLC) von der Immun-Checkpointhemmer-Therapie profitieren werden, einer neuen Form der Krebstherapie, die dem Immunsystem des Körpers hilft, Krebs effektiver zu bekämpfen. Derzeit profitiert nur jeder fünfte NSLC-Patient von der Therapie mit einem Immun-Checkpointhemmer. Um die medizinische Entscheidungsfindung besser zu informieren, entwickelten die Forscher ein Berechnungswerkzeug, um vorherzusagen, ob Patienten von einer Therapie profitieren würden, basierend auf CT-Bildern der Lunge.
Ein NSLC-Patient würde sich zunächst einer CT-Bildgebung unterziehen und so den Tumorknoten in der Lunge sichtbar machen. Das Berechnungswerkzeug analysiert die Größe des Knotens, zusammen mit subtileren Funktionen wie Textur und Form. Diese Merkmale werden dann verwendet, um vorherzusagen, ob ein Patient auf eine Immun-Checkpoint-Therapie ansprechen würde oder nicht. Die Forscher trainierten einen Klassifikator für die lineare Diskriminanzanalyse (LDA) mit Daten von 139 NSLC-Patienten für diese Aufgabe, aber das System kann wahrscheinlich mit einem größeren Datensatz verbessert werden.
Unter Verwendung mehrerer Datensätze für Training und Validierung fanden die Forscher einen Bereich unter der Kurve von 0,81 bis 0,85, um Responder von Nicht-Respondern zu identifizieren. Sie identifizierten auch, dass die von ihnen identifizierten radiologischen Merkmale mit einer größeren Infiltration von Immunzellen in das Lungengewebe verbunden waren, basierend auf diagnostischen Biopsien, die an einigen der Patienten in der Studie durchgeführt wurden. Zukünftige Arbeiten werden die Erprobung des Algorithmus an Fällen von anderen klinischen Standorten und mit verschiedenen Immuntherapeutika beinhalten.
"Dies ist wichtig, denn wenn ein Arzt allein anhand von CT-Bildern entscheidet, ob ein Patient auf die Therapie angesprochen hat, richtet sich dies oft nach der Größe der Läsion", sagte Mohammad Khorrami, ein Doktorand und Mitautor der Studie, in einer Case Western Pressemitteilung. "Wir haben festgestellt, dass Texturveränderungen ein besserer Indikator dafür sind, ob die Therapie funktioniert.
"Dies ist eine Demonstration des grundlegenden Wertes des Programms, dass unser maschinell lernendes Modell die Reaktion bei Patienten vorhersagen könnte, die mit verschiedenen Immun-Checkpoint-Inhibitoren behandelt werden", sagt Prateek Prasanna, eine Postdoc-Forscherin und Co-Autorin der Studie. "Wir haben es mit einem grundlegenden biologischen Prinzip zu tun."
Die Studie in der Zeitschrift Cancer Immunology Research: Änderungen der CT-Radiomikmerkmale im Zusammenhang mit der Lymphozytenverteilung prognostizieren das Gesamtüberleben und die Reaktion auf die Immuntherapie bei nicht-kleinzelligem Lungenkrebs