Forutsi respons på PD-1 Checkpoint Blockade ved hjelp av dyp læringsanalyse av bildediagnostikk og kliniske data (Onc AI)

Nyere fase III-studier har vist effektiviteten av atezolizumab (PD-L1) ved metastatisk trippel-negativ brystkreft [3] og småcellet lungekreft, mens standarden for omsorg for stadium III ikke-småcellet lungekreft har endret seg med positive resultater av PACIFIC fase III-studien, der durvalumab (PD-L1) administrert etter kjemoradiasjon viste en signifikant økning i total overlevelse.

Lave responsrater, vanligvis i området 15 % til 20 % i de fleste sykdommer når de brukes som enkeltmiddel, høye terapikostnader globalt ($150 000 eller mer per år i USA) og alvorlige immunmedierte bivirkninger, spesielt når PD-1 /PD-L1-hemmere kombineres med CTLA-4-hemmere (ipilimumab). Uforutsigbare og lave pasientresponsrater kombinert med høye legemiddelkostnader og alvorlig toksisitet kan belaste helsevesenet, tredjepartsbetalere og pasienter betydelig. Det er klart at diagnostiske verktøy for å stratifisere pasienter i henhold til sannsynlighet for respons er nødvendig ettersom PD-[L]1-sjekkpunkthemmere fortsetter å bli tatt i bruk.

Standard-of-care biomarkøren er en immunhistokjemi (IHC) test som måler nivåer av PD-L1-proteinet uttrykt i tumorprøver. Tumormutasjonsbyrde, tilstedeværelse av tumorinfiltrerende lymfocytter og inflammatoriske cytokiner utforskes i flere kliniske studier som involverer PD-(L)1 ofte i kombinasjon med ytterligere immunonkologiske (IO)-terapier. I en slik tilnærming, en ikke-invasiv bildeskanning kan gi innsikt og informasjon om pasientens hele tumorbyrde i stedet for en prøve av en undergruppe av lesjoner (som gitt av biopsi eller serumbaserte analyser). Når diagnostiske bilder som viser alle behandlingsbare lesjoner analyseres videre med beregningsteknikker som maskinlæring og kunstig intelligens, noe som resulterer i identifisering av relevante bildediagnostiske biomarkører, kan en nøyaktig totalvurdering av pasientens respons på PD-[L]1-terapi være oppnåelig. .