Leikkauskelvottoman HCC:n tarkkuuskäsittely Multi-omics Deep Learning -mallien ohjaamana

Leikkaus on tärkein parantava hoito hepatosellulaarista karsinoomaa (HCC) sairastaville potilaille, mutta 70–80 % HCC-potilaista on diagnoosihetkellä keski- ja pitkälle edenneessä vaiheessa, eikä niitä voida leikata kirurgisesti. Paikallinen ja systeeminen hoito ovat pääasiallisia hoitoja ei-leikkaukselliselle HCC:lle. Kahdessa äskettäin tehdyssä HAIC-tutkimuksessa yhdistettynä PD-1-vasta-aineeseen ja kohdennettuun hoitoon raportoitiin objektiivisia vasteprosentteja (ORR) jopa 43,3–77,1 prosenttia. Hoidosta hyötyvien potilaiden valinta on kuitenkin edelleen suuri haaste HCC:n yksilölliselle hoidolle, mikä vaatii tarkempaa yhdistelmähoidon ennustamista.

Sekvensointitekniikan kehittymisen myötä voidaan saada yhä enemmän hienojakoista biologista tietoa, mukaan lukien radiomiikka, patologia, genomiikka ja immunomiikka. Viime vuosina uusien menetelmien, kuten graafisen neuroverkon ja monimittaisen PHATE:n, kehitys mahdollistaa multiomiikkadatan integroinnin. Tekoälymallien käyttö multimodaalisen datan integroimiseksi on tehokas tapa ennustaa hoitovastetta tarkemmin, mikä auttaa luokittamaan tarkemmin ja yksityiskohtaisemmin eri hoitotuloksia saaneet potilaat sekä tutkimaan sisäistä hoitovasteen mekanismia vai ei.

Rakensimme multi-omics syväoppimisen ennustemallin, joka perustui useiden lääketieteellisten keskuksien retrospektiivisiin kohorttitietoihin (jotka saivat HAIC:n yhdistettynä kohdeterapiaan ja immunoterapiaan). Malli pystyi erottamaan paremmin potilaat, jotka hyötyisivät yhdistelmähoidosta, AUC-arvolla 0,86.

Siksi tutkijat suorittivat tämän monikeskustutkimuksen, prospektiivisen, yksihaaraisen tutkimuksen tutkiakseen yhdistelmähoidon vastetta ja ennustetta mallilla seulotussa populaatiossa ja arvioidakseen mallin ennustevoimaa.