一个计算病理学模型来预测Docetaxel在局部高风险和转移性前列腺癌中所带来的益处
Sebastian Medina1, Naoto Tokuyama2, Kamal Hammouda3
1The Wallace H. Coulter Department of Biomedical Engineering, Atlanta, United States.
概括
基于人工智能的病理图像分类器 (APIC) 可以预测哪些前列腺癌患者将受益于多塞素化疗. 这种人工智能工具有助于通过识别可能经历改善生存和延迟耐药性的患者来个性化治疗.
科学领域:
- 在瘤学瘤学.
- 病理学 病理学 病理学
- 人工智能的人工智能
背景情况:
- 多塞素改善了转移性激素敏感前列腺癌 (mHSPC) 和高风险局部前列腺癌的存活率.
- 多塞素对患者的益处各不相同,因此需要预测性生物标志物,以避免非响应者的毒性.
研究的目的:
- 开发和验证基于人工智能的病理图像分类器 (APIC),用于预测前列腺癌患者的多塞塔利益处.
- 确定谁将受益于dcetaxel的患者,从而优化治疗策略和最大限度地减少毒性.
主要方法:
- 分析了两个第三阶段试验 (CHAARTED和NRG/RTOG 0521) 的数字化H&E染色活检样本.
- APIC利用了捕捉瘤免疫空间相互作用和核异质性的特征.
- 使用考克斯的比例危险模型评估了APIC对多塞塔克塞尔对整体生存和割抵抗的益处的预测值.
主要成果:
- 在CHAARTED试验中,APIC阳性患者在使用多塞塔塞尔时显示出显著的整体生存率改善 (HR 0.52) 和延迟割抗性 (HR 0.48).
- 在CHAARTED的APIC阴性患者中,多塞素没有显著的益处 (HR 1.31).
- 在NRG/RTOG 0521试验中观察到类似的显著预测值,APIC阳性患者显示生存益处 (HR 0.49).
结论:
- 在转移性和局部性前列腺癌中,APIC有效地预测了多塞塔克塞尔的益处,独立于临床因素.
- 这种以人工智能为导向的方法可以指导对多塞素治疗的治疗决策.
- 在三重疗法方案中需要进一步验证.
