JAMA – Mô hình Deep Learning để Dự đoán Phản ứng Miễn dịch trị liệu ở Ung thư Phổi Không phải Tế bào Nhỏ Tiến triển
Mehrdad Rakaee, PhD; Masoud Tafavvoghi, MSc, Biagio Ricciuti, MD
Câu hỏi
Các thuật toán dựa trên Deep Learning có thể sử dụng hình ảnh mô học để trực tiếp dự đoán phản ứng với chất ức chế điểm kiểm soát miễn dịch (ICI) ở những bệnh nhân ung thư phổi không phải tế bào nhỏ (NSCLC) tiến triển không?
Phát hiện
Nghiên cứu theo dõi này đã phát triển và xác nhận bên ngoài một quy trình tính toán dự đoán phản ứng bao gồm 958 bệnh nhân mắc NSCLC được điều trị bằng liệu pháp đơn trị ICI và chứng minh rằng điểm dự đoán học sâu có liên quan đến tỷ lệ đáp ứng, tỷ lệ sống không tiến triển và tỷ lệ sống tổng thể, với hiệu suất tương đương với phối tử tử vong được lập trình 1 (PD-L1). Kết hợp điểm Deep Learning và điểm PD-L1 đã cải thiện phân tầng bệnh nhân.
Ý nghĩa
Những phát hiện này chỉ ra rằng mô hình bệnh lý trí tuệ nhân tạo có khả năng đóng vai trò là công cụ mới để hướng dẫn điều trị ICI, tinh chỉnh việc lựa chọn bệnh nhân và cải thiện kết quả lâm sàng trong điều trị NSCLC tiến triển.
Tầm quan trọng
Chỉ một phần nhỏ bệnh nhân ung thư phổi không phải tế bào nhỏ (NSCLC) tiến triển đáp ứng với phương pháp điều trị bằng chất ức chế điểm kiểm soát miễn dịch (ICI). Để có dịch vụ chăm sóc NSCLC cá nhân hóa tối ưu, điều bắt buộc là phải xác định những bệnh nhân có nhiều khả năng được hưởng lợi từ liệu pháp miễn dịch.
Các mô hình Deep Learning đã được một số nhóm phát triển để diễn giải các mô hình không gian phức tạp trong hình ảnh mô học và dự đoán các yếu tố như sự sống sót và biến đổi bộ gen, ở mức độ tinh vi vượt xa hầu hết các chuyên gia. Khả năng DL để phân tích đầy đủ các đặc điểm hình ảnh, mà không có ràng buộc hoặc thiên vị trước đó, cho phép đánh giá toàn diện nhiều mô hình bệnh học, có khả năng dẫn đến dự đoán chính xác hơn về kết quả lâm sàng.
Mở rộng những nỗ lực này, chúng tôi đã tìm cách phát triển một mô hình phân tầng phản ứng dựa trên học sâu để dự đoán trực tiếp hiệu quả ICI từ hình ảnh kỹ thuật số của các mẫu bệnh lý ở những bệnh nhân mắc NSCLC tiến triển. Chúng tôi đặt mục tiêu xác thực bên ngoài mô hình trong một nhóm độc lập lớn và so sánh kết quả đầu ra của nó với mức PD-L1, TMB và TIL để dự đoán đáp ứng với điều trị ICI.
Mục tiêu
Phát triển phương pháp dự đoán đáp ứng ICI dựa trên học sâu có giám sát; đánh giá hiệu suất của phương pháp này cùng với các dấu ấn sinh học dự đoán đã biết khác; và đánh giá mối liên hệ của phương pháp này với kết quả lâm sàng ở những bệnh nhân mắc NSCLC tiến triển.
Thiết kế, Bối cảnh và Người tham gia
Nghiên cứu nhóm đa trung tâm này đã phát triển và xác nhận độc lập một mô hình phân tầng phản ứng dựa trên học sâu để dự đoán kết quả điều trị ICI ở những bệnh nhân mắc NSCLC tiến triển từ hình ảnh nhuộm hematoxylin và eosin toàn bộ tiêu bản. Hình ảnh để phát triển và xác nhận mô hình được lấy từ 1 trung tâm tham gia tại Hoa Kỳ và 3 trung tâm tại Liên minh Châu Âu (EU) từ tháng 8 năm 2014 đến tháng 12 năm 2022. Phân tích dữ liệu được thực hiện từ tháng 9 năm 2022 đến tháng 5 năm 2024.
Phơi nhiễm đơn trị liệu với ICI.
Kết quả và đo lường chính
Hiệu suất mô hình được đo bằng các điểm cuối lâm sàng và sức mạnh biệt hóa tỷ lệ đáp ứng khách quan (ORR) so với các dấu ấn sinh học dự đoán khác, tức là phối tử chết theo chương trình 1 (PD-L1), gánh nặng đột biến khối u (TMB) và tế bào lympho xâm nhập khối u (TIL).
Kết quả
Tổng cộng 295.581 ô hình ảnh từ 958 bệnh nhân (tuổi trung bình [SD], 66,0 [10,6] năm; 456 [48%] nữ và 502 [52%] nam) được điều trị bằng ICI cho NSCLC đã được đưa vào phân tích.
Nhóm phát triển có trụ sở tại Hoa Kỳ bao gồm 614 bệnh nhân với thời gian theo dõi trung bình (IQR) là 54,5 (38,2-68,1) tháng và nhóm xác nhận có trụ sở tại EU, 344 bệnh nhân với thời gian theo dõi là 43,3 (27,4-53,9) tháng.
Tỷ lệ ORR so với ICI là 26% trong nhóm phát triển và 28% trong nhóm xác nhận. Diện tích mô hình Deep Learning dưới đường cong đặc trưng hoạt động của máy thu (AUC) đối với ORR là 0,75 (95% CI, 0,64-0,85) trong tập kiểm tra nội bộ và 0,66 (95% CI, 0,60-0,72) trong nhóm xác thực.
Trong phân tích đa biến, điểm số của mô hình học sâu là một yếu tố dự báo độc lập về phản ứng ICI trong nhóm xác thực đối với cả tình trạng không tiến triển (tỷ lệ nguy cơ, 0,56; 95% CI, 0,42-0,76; P < 0,001) và tỷ lệ sống sót chung (tỷ lệ nguy cơ, 0,53; 95% CI, 0,39-0,73; P < 0,001).
Mô hình DL được điều chỉnh đạt được AUC cao hơn TMB, TIL và PD-L1 trong tập nội bộ; trong nhóm xác nhận, nó vượt trội hơn TIL và tương đương với PD-L1 (AUC, 0,67; 95% CI, 0,60-0,74), với cải thiện 10 phần trăm về độ đặc hiệu.
Trong nhóm xác thực, việc kết hợp mô hình DL với điểm PD-L1 đạt được AUC là 0,70 (95% CI, 0,63-0,76), vượt trội hơn bất kỳ dấu hiệu nào riêng lẻ, với tỷ lệ đáp ứng là 51% so với 41% đối với riêng PD-L1 (≥50%).
Kết luận và tính liên quan
Những phát hiện của nghiên cứu nhóm này chứng minh một tính năng mạnh mẽ và độc lập dựa trên học sâu liên quan đến phản ứng ICI ở những bệnh nhân mắc NSCLC trên nhiều nhóm khác nhau. Việc sử dụng lâm sàng mô hình học sâu này có thể cải thiện độ chính xác của phương pháp điều trị và xác định tốt hơn những bệnh nhân có khả năng được hưởng lợi từ ICI để điều trị NSCLC tiến triển.
Trích JAMA Oncol. Published online December 26, 2024. doi:10.1001/jamaoncol.2024.5356