Precyzyjne leczenie nieoperacyjnego HCC kierowane przez wieloomiczne modele głębokiego uczenia się

Chirurgia jest główną metodą leczenia pacjentów z rakiem wątrobowokomórkowym (HCC), ale 70–80% pacjentów z HCC w momencie rozpoznania znajduje się w środkowym lub zaawansowanym stadium i nie można ich usunąć chirurgicznie. Głównymi metodami leczenia nieresekcyjnego HCC są leczenie miejscowe i ogólnoustrojowe. W dwóch niedawnych badaniach dotyczących HAIC w połączeniu z przeciwciałem PD-1 i terapią celowaną wykazano, że współczynnik obiektywnych odpowiedzi (ORR) wynosił od 43,3% do 77,1%. Jednakże dobór pacjentów, którzy odniosą korzyść z terapii, pozostaje poważnym wyzwaniem w zindywidualizowanym leczeniu HCC, co wymaga dokładniejszego przewidywania terapii skojarzonej.

Wraz z postępem technologii sekwencjonowania można uzyskać coraz więcej drobnoziarnistych danych biologicznych, w tym radiomiki, patologii, genomiki i immunomiki. W ostatnich latach rozwój nowych metod, takich jak grafowa sieć neuronowa i wieloskalowy PHATE, umożliwia integrację danych multiomicznych. Wykorzystanie modeli sztucznej inteligencji do integracji danych multimodalnych jest skutecznym sposobem dokładniejszego przewidywania odpowiedzi na leczenie, co jest pomocne w dokładniejszej i szczegółowej klasyfikacji pacjentów z różnymi wynikami leczenia oraz w badaniu wewnętrznego mechanizmu odpowiedzi na leczenie.

Skonstruowaliśmy wieloomiczny model przewidywania głębokiego uczenia się w oparciu o retrospektywne dane kohortowe z wielu ośrodków medycznych (które otrzymały HAIC w połączeniu z terapią celowaną i immunoterapią). Model mógłby lepiej rozróżnić pacjentów, którzy odnieśliby korzyść z terapii skojarzonej, przy AUC wynoszącym 0,86.

Dlatego badacze przeprowadzili to wieloośrodkowe, prospektywne, jednoramienne badanie, aby zbadać odpowiedź i rokowanie terapii skojarzonej w populacji objętej badaniem przesiewowym za pomocą modelu oraz ocenić siłę predykcyjną modelu.