Modelul Path-IO prezice răspunsul la imunoterapie în cazurile de cancer pulmonar
Un model de inteligență artificială (AI) dezvoltat de cercetătorii de la Centrul de Cancer MD Anderson al Universității din Texas a demonstrat capacitatea de a prezice cu acuratețe răspunsurile la imunoterapie pentru pacienții cu cancer pulmonar non-microcelular metastatic (NSCLC).
Dacă va fi validat clinic, acest model ar putea oferi medicilor informații esențiale pentru a aborda una dintre cele mai mari provocări în oncologie.
Detaliile despre modelul numit Path-IO au fost prezentate la Congresul Anual al Asociației Americane pentru Cercetarea Cancerului (AACR) 2026 de către Rukhmini Bandyopadhyay, postdoctorand în laboratorul lui Jia Wu, Ph.D., profesor asociat de Fizică de Imagistică și Oncologie Medicală Toracică/Cap și Gât.
Există numeroase abordări bazate pe AI care au arătat potențial în ultimii ani, dar Path-IO se distinge prin faptul că a fost conceput de la început pentru a fi utilizat în clinică. Pentru ca un model să fie utilizat în acest mod, acesta trebuie să ia decizii explicabile pe baza unor factori cunoscuți și să facă acest lucru într-un mod care să fie consistent în diverse seturi de date. Ceea ce arătăm aici este că Path-IO nu doar că poate face acest lucru, dar o poate face folosind date din mostrele care sunt deja adunate în mod obișnuit.
Imunoterapia a reprezentat o avansare transformatoare în tratamentul cancerului, dar nu toți pacienții beneficiază de aceasta. O provocare semnificativă în oncologie este determinarea pacienților care sunt cei mai susceptibili să profite de acest tip de tratament, astfel încât medicii să poată adapta terapiile și să evite tratamentele inutile.
Standardul actual pentru biomarkerii rezultatelor imunoterapiei este expresia PD-L1, dar aceasta a demonstrat o capacitate predictivă modestă. De fapt, în unele dintre grupurile de validare utilizate în acest studiu, expresia PD-L1 a fost la fel de predictivă ca aruncarea unei monede.
Noi cercetări arată că anumite structuri intratumorale, cunoscute sub denumirea de nișe, sunt biomarkeri importanți pentru predicția răspunsului. Utilizând slide-uri de patologie, Path-IO caută aceste nișe și alte modele complexe care pot fi dificil de identificat cu fiabilitate de către oameni. Modelul folosește apoi aceste informații pentru a stratifica pacienții în grupuri bazate pe riscul de progresie a bolii după tratamentul cu imunoterapie.
Această abordare bazată pe biologie este ceea ce face Path-IO unic. Spre deosebire de un AI „cutie neagră” care identifică modele complet noi și adesea imposibil de interpretat, Path-IO se concentrează pe caracteristicile și structurile tisulare bine stabilite care, deși sunt dificile de detectat și cuantificat în mod constant, sunt cunoscute că influențează răspunsul la tratament. Această capacitate de a explica deciziile luate este o distincție importantă pentru adoptarea sa clinică.
Folosind un set de date istoric de la UT MD Anderson, Path-IO a separat pacienții în grupuri cu risc ridicat și scăzut. Pacienții din grupul cu risc ridicat aveau un risc dublu de deces sau progresie a bolii comparativ cu cei din grupul cu risc scăzut. În scopul validării, cercetătorii au testat modelul pe mai multe seturi de date externe cu rezultate comparabile.
În total, Path-IO a fost validat pe peste 1.000 de pacienți din diverse instituții și țări, iar acesta a depășit semnificativ testarea PD-L1 în toate seturile de date.
Care sunt pașii următori pentru Path-IO?
Următorul pas crucial pentru această tehnologie va fi validarea sa într-un studiu clinic prospectiv. Pentru a se pregăti, echipa extinde deja cohorte de testare pentru a include grupuri de pacienți mai diverse.
Ca în cazul majorității instrumentelor AI, cu cât Path-IO are mai multe date de procesat, cu atât predicțiile sale devin mai precise. În acest studiu, cercetătorii au combinat deja predicțiile bazate pe patologie cu date de radiomică și clinice pentru a îmbunătăți capacitatea prognostică a modelului.
Peste puțin timp, Bandyopadhyay consideră că modelul va putea nu doar să prezică dacă pacienții vor răspunde la imunoterapie, ci și să determine cea mai bună strategie de imunoterapie, cum ar fi un inhibitor al punctului de control imun utilizat singur sau combinat cu alți agenți.
Pe termen lung, Bandyopadhyay speră că această platformă poate fi integrată complet cu date suplimentare într-un model de gemeni digitali care să includă date multimodale, imagistică CT, factori genomici și alte variabile clinice.
„Cât putem ști, acesta este cel mai riguros validat cadru de pathomică bazat pe învățare profundă de până acum. Dar abia am început,” a spus Bandyopadhyay. „Pe măsură ce continuăm să integrăm mai multe fluxuri de date în model, acesta se va îmbunătăți și va deveni mai specific în abilitățile sale predictive, sperând să devină un instrument major pentru clinicieni care ajută pacienții să ia decizii importante cu privire la opțiunile lor de tratament.”
