|
在2023年ESMO大会上提交的研究报告中，癌症成像和预测性生物标志物的识别是公认执行的最好且较往年最具特色的栏目。近年来，人工智能(AI)应用已从研究过渡到临床实践，一些AI工具已在欧洲获得美国fda批准或ce标记，还有许多其他工具正在评估中。在2023年ESMO大会上(10月20日至24日，马德里)，展示了一些AI工具的性能数据，突出了它们在一系列应用中的好处。接下来，让我们一起赏析在本次ESMO大会上展示的那些有关人工智能的重磅研究，并通过这些研究来展望肿瘤领域AI智能的未来。 1266P 使用CT图像中的深度学习预测磨玻璃结节的肺癌风险 在一次海报展示中，之前开发的用于肺结节分析的AI工具首次证明了在CT图像上有磨玻璃结节(ggn)的患者中预测肺癌风险的能力，这可能导致在ggn患者中更合适地使用有创干预。在169个恶性结节和347个良性结节的CT图像中，AI模型的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)为89.1%，略高于两种参考模型的86.5%和80.9%。此外，与参考模型的14.1%和16.7%相比，该工具在良性模块中排除了48.7%的恶性(灵敏度为100%)。
这项研究采用了一个人工智能模型，该模型被设计用于识别最常见的肺癌模式，即定义明确的实性结节，并对其进行微调，以检测一种不太常见的肺癌模式，即ggn，这是一种定义不明确且密度较低的恶性肿瘤。他的方法在人工智能中很常见:在特定的环境中建立一个模型，然后改进它的性能，以找到不太常见的疾病的特定模式，在这里是肺癌亚型。尽管医学成像在癌症检测中发挥了关键作用，但仍受到观察者间差异和人眼在检测微小肿瘤方面的局限性的限制。人工智能工具在这一领域表现出色，它们能识别人类无法感知的模式，并有效处理大量数据。 1024MO 在接受抗PD-1治疗的黑色素瘤患者中，可解释的人工智能识别的肿瘤空间微环境(TME)邻域与严重免疫相关不良事件(IRAE)和疾病进展(PD)相关。 571P 肿瘤淋巴细胞浸润的人工智能分析:AtezoTRIBE试验的转化分析 两项研究也探讨了人工智能在识别临床结局预测生物标志物方面的作用。在第一项研究中，研究者在53例接受免疫检查点抑制剂治疗的晚期黑色素瘤患者中评估了深度学习AI框架NaroNet，以确定可预测疗效和毒性结局的生物标志物。在治疗前的肿瘤标本中，NaroNet确定了两个肿瘤微环境区域，它们都与3-4级免疫相关不良事件(均p=0.008)和疾病进展(均p=0.009)显著相关。研究作者提出，这些社区有可能作为治疗前的生物标志物，识别可能从其他治疗方案中获益的患者。 在第二项研究中，对接受检查点抑制剂和化疗的转移性结直肠癌(CRC)患者的全载片图像中的肿瘤浸润淋巴细胞(TILs)进行了人工智能分析。在这项分析中，Lunit SCOPE IO工具有效地描述了肿瘤微环境，并揭示了几种免疫相关生物标志物和结果之间的关联。在这两项研究中，将AI模型应用于数字化的苏木精和伊红(H&E)染色样本，强调了它们在提取生物学和临床意义见解方面的潜力。这可能具有深远的意义，特别是在癌症免疫治疗领域，因为它能够预测治疗反应、进展风险和免疫治疗相关副作用的风险。
579P 基于基线CT扫描的结肠癌复发的临床影像预测人工智能模型 568P 在SCOT试验中，基于单细胞ai的DNA错配修复缺陷检测1,988例结直肠癌揭示了预后和预测价值。 将临床数据与CT扫描的影像组学结果相结合时，AI模型预测复发的早期结果已经观察到，显示了AI的另一个有前景的应用领域。马德里发表的一项研究分析了170例局限性CRC患者(其中69例复发)的基线CT数据。作者发现，在预测这一人群的复发方面，包含影像组学数据的模型优于仅包含临床特征的模型(p=0.023)。 虽然这项研究的结果令人鼓舞，但现在需要生成大量注释良好的数据集，以提高模型的性能，并证明其普适性，从而产生有临床意义的结果。 通过自动化耗时的任务，AI系统也有望简化分子病理学实验室的工作流程。在对AIMMeR的评估中展示了一个例子，AIMMeR是一种AI工具，用于自动确定ⅱ/ⅲ期CRC患者免疫组化图像中的错配修复(MMR)蛋白状态。该分析包括比较3个月和6个月奥沙利铂辅助化疗的SCOT试验中的2,000多例病例，在该分析中，AIMMeR在识别MMR缺陷方面表现出较高的准确性，在该队列中显示出预后和预测价值。
对于人工智能的未来展望 对于这些结果，我们可以总结说，人工智能工具有可能管理重复的任务，从而解放医疗专业人员(hcp)来管理患者护理的更复杂方面。在医疗界，向AI支持的过渡通常被认为是积极的，因为它减轻了耗时任务的负担，使医务人员能够专注于关键决策. 人工智能工具将以支持性的方式用于临床实践，病理医师和放射科医师仍需在做出临床决策前评估结果。然而，这些工具在肿瘤学中的广泛应用仍存在一些挑战，包括提高这些工具的性能以匹配或超过当前的临床技术，以及确保医师理解并对这些工具有信心。人工智能模型的准确性、可靠性和临床相关性必须通过严格的临床试验来证明。将人工智能系统转化为临床实践并不是一个快速的过程，但我相信，随着不断的发展，许多挑战都可以克服。 声明：本资料中涉及的信息仅供参考，请遵从医生或其他医疗卫生专业人士的意见或指导。 |
|
|
