Præcisionsbehandling af uoperabelt HCC styret af Multi-omics Deep Learning-modeller

Kirurgi er den vigtigste helbredende behandling for patienter med hepatocellulært karcinom (HCC), men 70%-80% af HCC-patienter er i mellem- og fremskredne stadier på diagnosetidspunktet og kan ikke kirurgisk resekeres. Lokal og systemisk terapi er de vigtigste behandlinger for uoperabelt HCC. To nylige forsøg med HAIC kombineret med PD-1-antistof og målrettet terapi rapporterede objektive responsrater (ORR) så høje som 43,3 % til 77,1 %. Udvælgelsen af ​​patienter, der vil drage fordel af terapien, er dog fortsat en stor udfordring for den individualiserede behandling af HCC, som kræver mere præcis forudsigelse af kombinationsterapi.

Med fremskridt inden for sekventeringsteknologi kan flere og flere finkornede biologiske data opnås, herunder radiomik, patologi, genomik og immunomi. I de senere år har udviklingen af ​​nye metoder som grafisk neuralt netværk og multi-scale PHATE gjort det muligt at integrere multi-omics data. Brugen af ​​kunstig intelligens-modeller til at integrere multimodale data er et effektivt middel til at forudsige behandlingsrespons mere præcist, hvilket er nyttigt til mere præcis og detaljeret klassificering af patienter med forskellige behandlingsresultater og til at udforske den interne mekanisme for behandlingsrespons eller ej.

Vi konstruerede en multi-omics dyb læring forudsigelsesmodel baseret på de retrospektive kohortedata fra flere medicinske centre (som modtog HAIC kombineret med målterapi og immunterapi). Modellen kunne bedre skelne de patienter, der ville have gavn af kombinationsbehandling, med en AUC på 0,86.

Derfor udførte efterforskerne denne multicenter, prospektive, enkeltarmede undersøgelse for at udforske responsen og prognosen for kombinationsterapi i en population screenet af modellen og for at evaluere modellens forudsigelsesevne.