一项2024年12月发表于《JAMA Oncology》的研究表明，深度学习模型可以预测晚期非小细胞肺癌（NSCLC）患者对免疫检查点抑制剂（ICIs）的反应。这项研究为那些对抗常见且难以治疗的癌症患者提供了更加个性化的治疗方案。
免疫检查点抑制剂（ICIs）是一类免疫疗法药物，帮助免疫系统识别并攻击癌细胞。这些疗法对晚期NSCLC患者显示出临床益处，尤其是对于没有EGFR或ALK基因突变的患者。然而，只有约25%到30%的患者对ICI治疗有反应。
确定最有可能从ICIs中受益的患者一直是一个挑战，尽管PD-L1状态等生物标志物提供了一些指导，但其预测能力并不完美。现在，研究人员正在利用人工智能开发更可靠的模型来识别哪些患者可能受益最大。
奥斯陆大学医院的副教授兼研究员Mehrdad Rakaee博士表示：“病理样本对于癌症诊断和管理至关重要。除了传统的诊断应用外，人工智能（深度学习）模型可以从病理图像中提取预测治疗反应的特征，从而实现更精确的免疫疗法患者分层。”
Rakaee和他的同事专注于开发一个深度学习模型，该模型通过分析数字病理图像来预测患者对ICIs的反应。该模型在美国和欧洲的958名接受ICIs治疗的患者队列中进行了测试，共分析了超过295,000张病理样本图像。
研究团队发现，该模型的预测与更好的临床结果显著相关，包括无进展生存期和总生存期。内部测试集的预测得分（曲线下面积，AUC）为0.75，而在验证队列中，模型的预测得分为0.66。当与PD-L1评分结合时，模型的预测得分提高到0.70，优于单独使用PD-L1，后者响应率为41%。结合方法在验证队列中显示了51%的响应率。
值得注意的是，将深度学习模型的预测与传统生物标志物如PD-L1结合显著改善了患者分层，使反应预测更为精确。
尽管这些结果展示了强大的预测能力，研究人员也指出了某些局限性。并非每个样本都有PD-L1和肿瘤突变负荷（TMB）数据。此外，该模型需要病理学家评估某些区域，这可能会限制其可扩展性。尽管如此，这些发现可能为未来深度学习模型的应用铺平道路，使其与PD-L1测试一起，帮助医生和患者做出更明智的治疗决策。
“需要注意的是，此类模型的临床转化需要通过多机构前瞻性研究进一步验证，”Rakaee说。
(全文结束)
