Прецизионное лечение неоперабельного ГЦК на основе моделей глубокого обучения Multi-omics

Хирургическое вмешательство является основным методом лечения пациентов с гепатоцеллюлярной карциномой (ГЦК), но 70–80% пациентов с ГЦК на момент постановки диагноза находятся на средней и поздней стадиях и не подлежат хирургической резекции. Местная и системная терапия являются основными методами лечения неоперабельного ГЦК. В двух недавних исследованиях HAIC в сочетании с антителом PD-1 и таргетной терапией сообщалось о показателях объективного ответа (ЧОО) от 43,3% до 77,1%. Однако отбор пациентов, которым будет полезна терапия, остается серьезной проблемой для индивидуализированного лечения ГЦК, что требует более точного прогнозирования комбинированной терапии.

С развитием технологии секвенирования можно получать все больше и больше детальных биологических данных, включая радиомику, патологию, геномику и иммуномику. В последние годы развитие новых методов, таких как графовая нейронная сеть и многомасштабный PHATE, позволяет интегрировать данные мультиомики. Использование моделей искусственного интеллекта для интеграции мультимодальных данных является эффективным средством более точного прогнозирования ответа на лечение, что полезно для более точной и подробной классификации пациентов с различными результатами лечения, а также для изучения внутреннего механизма ответа на лечение или его отсутствия.

Мы построили мультиомную модель прогнозирования глубокого обучения на основе ретроспективных когортных данных из нескольких медицинских центров (которые получали HAIC в сочетании с таргетной терапией и иммунотерапией). Модель могла лучше различать пациентов, которым будет полезна комбинированная терапия, с AUC 0,86.

Поэтому исследователи провели это многоцентровое проспективное индивидуальное исследование, чтобы изучить реакцию и прогноз комбинированной терапии в популяции, проверенной с помощью модели, и оценить прогностическую силу модели.