画像と臨床データの深層学習分析を使用した PD-1 チェックポイント遮断に対する反応の予測 (Onc AI)

最近の第 III 相試験では、転移性トリプルネガティブ乳がん [3] および小細胞肺がんにおけるアテゾリズマブ (PD-L1) の有効性が示されましたが、ステージ III の非小細胞肺がんの標準治療は変化し、良好な結果が得られています。化学放射線療法後にデュルバルマブ（PD-L1）を投与すると、全生存期間が大幅に延長されたことが示された PACIFIC 第 III 相試験の結果。

応答率が低く、単剤で使用した場合、ほとんどの疾患で一般的に 15% から 20% の範囲であり、世界的に高い治療費 (米国では年間 15 万ドル以上) と、特に PD-1 の場合に重篤な免疫介在性有害事象/PD-L1 阻害剤は、CTLA-4 阻害剤 (イピリムマブ) と併用されます。 高い薬剤費と深刻な毒性が相まって、予測不可能で低い患者の反応率は、医療システム、第三者の支払者、および患者に大きな負担をかける可能性があります。 PD-[L]1 チェックポイント阻害剤の採用が増え続けているため、奏効の可能性に応じて患者を層別化する診断ツールが必要であることは明らかです。

標準治療のバイオマーカーは、腫瘍サンプルで発現する PD-L1 タンパク質のレベルを測定する免疫組織化学 (IHC) 検査です。 腫瘍の変異負荷、腫瘍浸潤リンパ球の存在、および炎症性サイトカインは、PD-(L)1 を含む複数の臨床試験で調査されており、多くの場合、追加の免疫腫瘍学 (IO) 療法と組み合わせて使用​​されます。病変のサブセットのサンプルではなく、患者の腫瘍負荷全体に関する洞察と情報を提供できます (生検または血清ベースのアッセイによって提供される)。 すべての治療可能な病変を示す診断画像が、機械学習や人工知能などの計算技術を使用してさらに分析され、関連する画像バイオマーカーが特定されると、PD-[L]1 療法に対する患者の反応の正確な全体評価が達成できる可能性があります。 .