استفاده از هوش مصنوعی برای پیش بینی سرطان روده بزرگ TMB-H ازطریق ویژگی های هیستوپاتولوژیک:

نشانگرهای زیستی تعیین کننده های مهم رویکردهای درمانی مناسب و موثر برای بیماری های مختلف از جمله سرطان هستند. شواهد زیادی وجود دارد که به اهمیت مهارکننده های نقطه کنترل ایمنی (ICI) در برابر سرطان اشاره دارد و آنها مزایای بالینی امیدوار کننده ای را برای گروه خاصی از بیماران مبتلا به سرطان روده بزرگ (CRC) نشان می دهند. گزارشات متعددی نشانگر اثربخشی نشانگرهای زیستی مانند لیگاند پروتئین مرگ-1 برنامه ریزی شده (PD-L1) ، تراکم لنفوسیتهای نفوذ دهنده تومور (TILs) و بار جهش تومور (TMB) ، برای تعیین پاسخ بیمار برای استفاده کارآمد از ICI ها است. به عنوان درمانی علیه سرطان

سطح بالایی از TMB (TMB-H) ، كه تعداد كامل جهشهای سوماتیک غیر مترادف را در هر منطقه رمزگذاری از ژنوم تومور منعكس می كند و به طور معمول از آزمایش پانل ژن مشتق می شود ، به عنوان یك نشانگر زیستی امیدواركننده برای درمانهای مختلف ICI شناخته شده است. سرطان ها با این حال ، در عمل بالینی ، انجام آزمایش پانل ژن برای همه بیماران سرطانی امکان پذیر نیست.

دکتر Yoshifumi Shimada و همکاران بخش جراحی هضم و عمومی ، دانشکده تحصیلات تکمیلی علوم پزشکی و دندانپزشکی ، دانشگاه نیگاتا ، TMB-H را از یک گروه خاص بیمار CRC در نظر گرفتند ، به عنوان یک نشانگر قوی تر برای پیش بینی اثر ICI ها ، و یک الگوریتم مبتنی بر شبکه عصبی کانولوشن (CNN) برای پیش بینی TMB-H CRC به طور مستقیم از ویژگی های آسیب شناسی ، به ویژه TIL ، به دست آمده از اسلایدهای رنگ آمیزی شده با هماتوکسیلین و ائوزین (H&E) ایجاد کرد. یک تصویر میکروسکوپی نماینده از تومور سرطانی روده بزرگ روده بزرگ تومور رنگ آمیزی شده با H&E در شکل همراه نشان داده شده است ، حضور لنفوسیتهای نفوذ دهنده تومور را در سطح قابل توجهی بالاتر نسبت به بافت طبیعی اطراف نشان می دهد.

اطلاعات دیجیتال حاصل از این تصاویر نئوپلاستیک و همچنین غیر نئوپلاستیکی به دست آمده از گروه کوهستانی JP-CRC برای ساخت مدل پیشگویی شبکه عصبی پیچیده با استفاده از مدل یادگیری Inception V3 ، توسط گروه دکتر Shimada تغییر شکل داده و عادی می شود. مدل مبتنی بر CNN که توسط دکتر شیمادا و همکاران تهیه شده است ، نه تنها از بار تشخیص صحیح متخصصان آسیب شناسی می کاهد بلکه اطلاعات لازم را در مورد پاسخگویی بیماران به درمان های مبتنی بر ICI ، بدون استفاده از وقت گران ، فراهم می کند. تست پانل ژن مصرف کننده و به راحتی در دسترس نیست. این مطالعه توسط دکتر شیمادا و همکاران در شماره اخیر مجله Gastroenterology منتشر شده است.

علاوه بر این ، مطالعات گروه دکتر شیمادا همچنین وسیله ای برای پیش بینی TMB-H CRC فقط با استفاده از اطلاعات TIL از اسلایدهای H&E از بافت تومور بیماران فراهم کرده است. با این حال ، با توجه به اینکه بیماران در گروه مورد مطالعه با هیچ ICI تحت درمان قرار نگرفتند ، هیچ نتیجه ای در مورد پاسخ به ICI آنها پس از تشخیص TMB-H نمی توان نتیجه گرفت و پیشنهاد شد که آزمایشات بالینی آینده برای بررسی اینکه آیا TIL به تنهایی می تواند انجام شود ، صورت گیرد و به عنوان یک نشانگر زیست پیش بینی برای اثر ICI مفید باشد.

دکتر شیمادا در مورد مطالعه حاضر می گوید: "ما هوش مصنوعی را برای پیش بینی تغییرات ژنتیکی در سرطان روده بزرگ با یادگیری عمیق با استفاده از اسلایدهای هماتوکسیلین و ائوزین ایجاد کرده ایم.هوش مصنوعی در حل مشکلات هزینه مرتبط با تجزیه و تحلیل ژنتیکی و تسهیل داروی شخصی در سرطان روده بزرگ تاثیر به سزایی دارد." به طور کلی ، مطالعات انجام شده توسط دکتر شیمادا و همکارانش روشی موثر و قابل اعتماد برای آگاهی پزشکان دارد .اگر بیمار CRC تحت مدیریت خود بتواند از مهارکننده ایمنی (از جمله مهارکننده های پروتئین PD-1 و لیگاند آن ، PD) بهره مند شود. 201000325.047