1713319826
2024-04-16 20:55:02
デジタル病理学は免疫表現型解析にアプローチします。 (A) 2 つの ML モデルは、デジタル化された WSI を使用して開発され、組織領域 (例: がん上皮、間質、壊死) と細胞タイプ (例: CD8) を分類しました。+、CD8–、非リンパ球）。 最初のアプローチ (方法 1) では、データ駆動型のカットオフが CD8 のモデル生成された HIF に適用されました。+ がん上皮および間質内のリンパ球数の割合を調べて、サンプルを砂漠、除外、または炎症に分類します。 2 番目のアプローチ (方法 2) では、すべての組織および細胞モデルの予測を使用して GNN をトレーニングし、サンプルを砂漠、除外、または炎症として分類しました。 (B) 空間モデルについては、教師なし GNN が CD8 IHC WSI に適用されました。 この GNN は、CD8 の空間配置によって定義される組織パターンを発見するようにトレーニングされました。+ 癌上皮および間質に関連する細胞および他の細胞型。 GNN、グラフィカル ニューラル ネットワーク。 HIF、人間が解釈可能な機能。 IHC、免疫組織化学; ML、機械学習。 WSI、スライド全体の画像。 クレジット： Precision Oncology における AI （2024年）。 DOI: 10.1089/aipo.2023.0008
新しい研究では、がん検体の免疫表現型を分類するための 2 つの機械学習モデルの開発が検討されています。
提示されたデジタル病理学的アプローチは、再現可能かつ拡張可能な方法でがんの免疫表現型を特徴付け、分類することができ、そのような手法の応用が期待されています。 免疫療法の恩恵を受ける可能性のある患者を特定する方法 非小細胞肺がん (NSCLC)、研究によると 出版された で Precision Oncology における AI。
腫瘍免疫微小環境の細胞組成は、免疫療法に対する腫瘍の反応に大きく寄与します。 TGF-β シグナル伝達は免疫排除を促進することが知られています。+ T 細胞は周囲の間質組織内に存在しますが、腫瘍自体内には存在しません。
免疫が排除されている患者をより適切に特定するために、サノフィの Rui Wang 氏と共著者は、CD8 を定量化するための 2 つの機械学習モデルを開発しました。+ NSCLC患者の細胞陽性率を調べ、がん検体の免疫表現型を分類します。
研究者らは、「我々の結果は、NSCLCにおける免疫療法とTGF-β遮断の恩恵を受ける可能性のある患者を特定するために、機械学習で予測されたがん免疫表現型を利用できる可能性を裏付けている」と結論付けた。
“これ 研究 AI と機械学習を活用して、薬剤候補の患者識別の改善を目指し、正確なバイオマーカーを特定します。 免疫療法 NSCLCで。 これは個別化医療への進歩を意味し、個々の患者のプロフィールに合わせて治療の有効性を高め、副作用を最小限に抑えることが約束されています。」
「基本的に、これは新しい治療法を適切な患者に提供することの重要性を強調し、精度の高い新しい時代への道を切り開くものです。 がん治療」と編集長のダグラス・フローラ医師は言います。 Precision Oncology における AI。
詳しくは：
Robert J. Pomponio ら、非小細胞肺癌における免疫療法および TGF-β 遮断の潜在的なバイオマーカーとして機械学習ベースの CD8 免疫表現型検査を使用した腫瘍免疫微小環境の分類、 Precision Oncology における AI （2024年）。 DOI: 10.1089/aipo.2023.0008
によって提供された
メアリー・アン・リーバート社
引用: 機械学習を使用して免疫療法の恩恵を受けるがん患者を特定する (2024 年 4 月 16 日) https://medicalxpress.com/news/2024-04-machine-patients-cancer-benefit-immunotherapy.html より 2024 年 4 月 16 日に取得
この文書は著作権の対象です。 個人的な研究や研究を目的とした公正な取引を除き、書面による許可なしにいかなる部分も複製することはできません。 コンテンツは情報提供のみを目的として提供されています。
#機械学習を使用して免疫療法の恩恵を受けるがん患者を特定する