Un model AI evaluează riscul de pneumonie în urma imunoterapiei pe baza CT-urilor
Cercetătorii de la The University of Texas MD Anderson Cancer Center au dezvoltat un model de inteligență artificială (AI) capabil să identifice pacienții cu cancer pulmonar care prezintă un risc crescut de a dezvolta un efect secundar grav legat de imunoterapie înainte de începerea tratamentului, oferind o posibilă cale spre o monitorizare și strategii de prevenire mai personalizate.
Rezultatele sugerează că imaginile medicale standard pot conține indicii despre susceptibilitatea unui pacient la pneumonită, o formă de inflamație pulmonară potențial letală care apare la aproximativ 10% dintre pacienții cu cancer pulmonar care primesc imunoterapie. Prin analizarea scanărilor CT toracice de rutină efectuate înainte de tratament, cercetătorii au identificat tipare imagistice asociate cu riscul viitor. Această metodă a depășit abordările actuale, care se bazează pe analize subiective ale imaginilor și pe factori de risc clinici ce nu surprind complet vulnerabilitatea de fond.
Studiul, publicat în Journal for ImmunoTherapy of Cancer, a fost condus de Jia Wu, Ph.D., profesor asociat de Fizică Imagistică și Oncologie Toracică/Cap și Gât și membru afiliat al Institutului pentru Știința Datelor în Oncologie de la UT MD Anderson; coautori seniori Ajay Sheshadri, M.D., profesor asociat de Medicină Pulmonară; și Mehmet Altan, M.D., profesor asociat de Oncologie Toracică/Cap și Gât.
„Pneumonita rămâne una dintre cele mai dificile complicații ale imunoterapiei, deoarece poate fi greu de prezis înainte ca simptomele să apară”, a declarat Wu. „Modelul nostru a reușit să identifice semnalele asociate cu riscul viitor folosind informații care există deja în scanările CT de rutină.”
Cum a identificat modelul AI pacienții cu risc mai mare?
Cercetătorii au dezvoltat Checkpoint-Inhibitor Pneumonitis Hazard EstimatoR (CIPHER), un model de AI fundamentat, antrenat cu peste 590.000 de secțiuni de imagini CT de la 2.500 de pacienți cu cancer pulmonar. În loc să învețe direct din cazurile confirmate de pneumonită, modelul a învățat mai întâi să recunoască tipare în țesutul pulmonar și apoi a evaluat dacă aceste tipare ar putea identifica pacienții care au dezvoltat ulterior pneumonită după primirea imunoterapiei.
Cercetătorii au testat CIPHER folosind scanările CT efectuate înainte de tratament de la 347 de pacienți cu cancer pulmonar non-mici celule (NSCLC) tratați la UT MD Anderson și au validat abordarea folosind un set de date extern independent. Modelul a obținut o arie sub curba (AUC) de aproximativ 0,83 în ambele cohorte, ceea ce înseamnă că puterea sa de predicție a depășit modelele convenționale bazate pe factori clinici și abordări radiomice.
Modelul a menținut o performanță puternică în ciuda diferențelor în populațiile de pacienți, scanerele CT și protocoalele de imagistică. Pacienții clasificați ca fiind la risc înalt au tendința de a dezvolta pneumonită mai devreme după începerea imunoterapiei, indicând că modelul ar putea detecta semne semnificative de vulnerabilitate pulmonară, mai degrabă decât să identifice pur și simplu cazuri viitoare. Predicțiile modelului au rămas semnificative chiar și după ce s-au luat în considerare factori precum vârsta, istoricul fumatului, histologia tumorii și expunerea anterioară la radiații toracice.
„Ceea ce face această abordare deosebit de interesantă este că nu a fost concepută pentru a căuta pneumonită în sine”, a spus Wu. „În schimb, modelul a învățat tipare în țesutul pulmonar și a identificat anomalii subtile asociate cu riscul viitor. Aceasta sugerează că imaginile de rutină pot conține mult mai multe informații despre toxicitatea tratamentului decât am recunoscut anterior.”
Ce urmează pentru această abordare?
Rezultatele demonstrează o performanță predictivă puternică. Studii suplimentare prospective care implică populații de pacienți mai mari și mai diverse vor fi necesare pentru a determina dacă abordarea poate fi integrată în fluxurile de lucru clinice. Cercetătorii intenționează de asemenea să evalueze dacă modelul funcționează similar în alte tipuri de cancer tratate cu imunoterapie.
Studii viitoare ar putea explora dacă combinarea datelor de imagistică cu alți biomarkeri poate îmbunătăți și mai mult predicția riscurilor și dacă abordări similare de AI pot prezice toxicități suplimentare legate de imunoterapie. Aceste instrumente ar putea ajuta la identificarea candidaților pentru studiile de prevenire, la ghidarea strategiilor de monitorizare și la îmbunătățirea înțelegerii modului în care se dezvoltă efectele secundare legate de tratament.
