Presisjonsbehandling av uoperabel HCC veiledet av Multi-omics Deep Learning-modeller

Kirurgi er den viktigste kurative behandlingen for pasienter med hepatocellulært karsinom (HCC), men 70 % - 80 % av HCC-pasienter er i midt- og avanserte stadier ved diagnosetidspunktet og kan ikke kirurgisk resekteres. Lokal og systemisk terapi er hovedbehandlingen for uoperabel HCC. To nylige studier av HAIC kombinert med PD-1-antistoff og målrettet terapi rapporterte objektive responsrater (ORR) så høye som 43,3 % til 77,1 %. Valget av pasienter som vil ha nytte av terapien er imidlertid fortsatt en stor utfordring for individualisert behandling av HCC, som krever mer nøyaktig prediksjon av kombinasjonsterapi.

Med utviklingen av sekvenseringsteknologi kan flere og flere finkornede biologiske data oppnås, inkludert radiomik, patologi, genomikk og immunomikk. De siste årene har utviklingen av nye metoder som grafisk nevrale nettverk og multi-scale PHATE gjort det mulig å integrere multiomics-data. Bruken av kunstig intelligensmodeller for å integrere multimodale data er et effektivt middel for å forutsi behandlingsrespons mer nøyaktig, noe som er nyttig for mer nøyaktig og detaljert klassifisering av pasienter med ulike behandlingsresultater, og for å utforske den interne mekanismen for behandlingsrespons eller ikke.

Vi konstruerte en multi-omics dyplæringsprediksjonsmodell basert på retrospektive kohortdata fra flere medisinske sentre (som mottok HAIC kombinert med målterapi og immunterapi). Modellen kunne bedre skille pasientene som ville ha nytte av kombinasjonsbehandling, med en AUC på 0,86.

Derfor utførte etterforskerne denne multisenter, prospektive, enarmsstudien for å utforske responsen og prognosen for kombinasjonsterapi i en populasjon screenet av modellen og for å evaluere modellens prediktive kraft.