Previsione della risposta al blocco del checkpoint PD-1 utilizzando l'analisi dell'apprendimento approfondito di immagini e dati clinici (Onc AI)

Recenti studi di fase III hanno dimostrato l'efficacia di atezolizumab (PD-L1) nel carcinoma mammario triplo negativo metastatico [3] e nel carcinoma polmonare a piccole cellule, mentre lo standard di cura per il carcinoma polmonare non a piccole cellule in stadio III è cambiato con risultati positivi dello studio PACIFIC di fase III, in cui durvalumab (PD-L1) somministrato dopo chemioradioterapia ha mostrato un aumento significativo della sopravvivenza globale.

Bassi tassi di risposta, generalmente compresi tra il 15% e il 20% nella maggior parte delle malattie se usati come singolo agente, costi terapeutici elevati a livello globale ($ 150.000 o più all'anno negli Stati Uniti) e gravi eventi avversi immuno-mediati, in particolare quando PD-1 Gli inibitori /PD-L1 sono combinati con gli inibitori CTLA-4 (ipilimumab). Tassi di risposta dei pazienti imprevedibili e bassi, associati a costi elevati dei farmaci e gravi tossicità, possono gravare in modo significativo sui sistemi sanitari, sui contribuenti terzi e sui pazienti. Chiaramente, gli strumenti diagnostici per stratificare i pazienti in base alla probabilità di risposta sono necessari poiché gli inibitori del checkpoint PD-[L]1 continuano ad essere adottati.

Il biomarcatore standard di cura è un test di immunoistochimica (IHC) che misura i livelli della proteina PD-L1 espressa nei campioni tumorali. Il carico mutazionale del tumore, la presenza di linfociti infiltranti il ​​tumore e citochine infiammatorie vengono esplorati in molteplici studi clinici che coinvolgono PD-(L)1 spesso in combinazione con ulteriori terapie immuno-oncologiche (IO) In tale approccio, una scansione di imaging non invasiva può fornire approfondimenti e informazioni sull'intero carico tumorale del paziente piuttosto che su un campione di un sottogruppo di lesioni (come fornito dalla biopsia o dai test basati sul siero). Quando le immagini diagnostiche che raffigurano tutte le lesioni trattabili vengono ulteriormente analizzate con tecniche computazionali come l'apprendimento automatico e l'intelligenza artificiale, con conseguente identificazione di biomarcatori di imaging rilevanti, è possibile ottenere un'accurata valutazione complessiva della risposta del paziente alla terapia PD-[L]1 .