Tafadzwa Chaunzwa, MD, nhà nghiên cứu trong Chương trình Trí tuệ nhân tạo trong Y học (AIM) tại Mass General Brigham và là bác sĩ nội trú cao cấp tại Chương trình Ung thư Bức xạ Harvard, là tác giả chính của bài báo đăng trên JAMA Oncology. Chaunzwa và tác giả cấp cao Hugo Aerts, Tiến sĩ, giám đốc Chương trình AIM, đồng thời là phó giáo sư tại Đại học Harvard, đã chia sẻ những điểm nổi bật từ bài báo của họ.

 

Bạn sẽ tóm tắt nghiên cứu của mình như thế nào cho khán giả bình thường?

Khi các phương pháp điều trị như liệu pháp miễn dịch cải thiện tỷ lệ sống sót sau ung thư, nhu cầu ngày càng tăng về các công cụ hỗ trợ quyết định lâm sàng để dự đoán đáp ứng điều trị và kết quả của bệnh nhân. Điều này đặc biệt quan trọng đối với bệnh ung thư phổi, căn bệnh vẫn là nguyên nhân hàng đầu gây tử vong do ung thư trên toàn cầu. Các nghiên cứu trước đây liên kết chỉ số khối cơ thể (BMI) với kết quả ung thư phổi và tác dụng phụ của thuốc trị liệu miễn dịch. Tuy nhiên, BMI là một thước đo hạn chế, không nắm bắt được thông tin chi tiết về các mô cơ thể khác nhau và sự tương tác của chúng với các liệu pháp điều trị ung thư. Chúng tôi đã sử dụng hình ảnh y tế và trí tuệ nhân tạo (AI) để phân tích thành phần cơ thể trong một nhóm lớn bệnh nhân bị ung thư phổi đã di căn sang các bộ phận khác của cơ thể. Nghiên cứu của chúng tôi cho thấy những thay đổi về khối lượng cơ và chất lượng mỡ trong quá trình điều trị là những chỉ số quan trọng về kết quả đối với nhóm đối tượng này.

 

Nghiên cứu của bạn giúp lấp đầy những khoảng trống kiến thức nào?

Khi chúng tôi tiếp tục cải thiện việc điều trị ung thư phổi tiến triển bằng các tác nhân toàn thân khác nhau, bao gồm cả thuốc trị liệu miễn dịch, các dấu ấn sinh học vừa tiên lượng vừa dự đoán đáp ứng điều trị ngày càng cần thiết để đưa ra các quyết định lâm sàng. Các nghiên cứu trước đây đã xác định mối liên quan giữa BMI và kết quả ung thư phổi. Mối liên quan giữa BMI và tỷ lệ tác dụng phụ của liệu pháp miễn dịch cũng đã được làm sáng tỏ. Tuy nhiên, riêng BMI là một thước đo thô không thể hiện được sự phân bố và đóng góp tương đối của các mô cơ thể khác nhau. Các phân tích thành phần cơ thể dựa trên hình ảnh y tế đang ngày càng được khám phá; tuy nhiên, trong bối cảnh ung thư phổi không phải tế bào nhỏ (NSCLC) tiến triển, các nghiên cứu đã bị hạn chế bởi cỡ mẫu nhỏ cũng như các phương pháp thủ công và khó tái tạo.

 

Bạn đã tiến hành nghiên cứu của mình như thế nào?

Chúng tôi bắt đầu thực hiện phân tích thành phần cơ thể toàn diện trong các nhóm lớn gồm những cá nhân được điều trị ung thư phổi giai đoạn nặng hoặc di căn bằng các loại thuốc có hệ thống khác nhau. Chúng tôi đã phát triển một nền tảng dựa trên AI mạnh mẽ từ đầu đến cuối để hỗ trợ thực hiện nhiệm vụ này.

Bạn đã tìm thấy gì?

Chúng tôi nhận thấy rằng mặc dù việc phân bố các ngăn mô khác nhau khi bắt đầu điều trị theo hướng ung thư có một số giá trị, nhưng sự thay đổi trong các phép đo này trong quá trình điều trị có liên quan chặt chẽ hơn đến kết quả của bệnh nhân. Cụ thể, chúng tôi thấy rằng mất khối lượng cơ là yếu tố tiên lượng kém ở những bệnh nhân được điều trị bằng hóa trị, liệu pháp miễn dịch hoặc liệu pháp miễn dịch hóa học. Điều thú vị là, trong số những bệnh nhân được điều trị bằng liệu pháp miễn dịch, đơn độc hoặc kết hợp với hóa trị, những thay đổi về chất lượng mỡ dưới da (mô mỡ dưới da), như được thấy trên ảnh chụp CT, cũng liên quan đến nguy cơ tiến triển hoặc tử vong do ung thư phổi.

 

Ý nghĩa của nó là gì?

Nghiên cứu này trình bày những đột phá quan trọng sẽ giúp nâng cao tiên lượng và giám sát bệnh nhân được điều trị bằng liệu pháp miễn dịch cho NSCLC. Bước đột phá đầu tiên là việc triển khai quy trình dựa trên AI tự động để phân tích thành phần cơ thể toàn diện trên quy mô lớn cho nhiều bệnh nhân đang được điều trị bằng liệu pháp miễn dịch và hóa trị liệu gây độc tế bào cho NSCLC tiên tiến. Đây là nghiên cứu lớn nhất và sâu rộng nhất, kết hợp cả dữ liệu thực tế và đoàn hệ thử nghiệm lâm sàng trong tương lai, với việc thu thập dữ liệu đa phương thức theo chiều dọc và theo dõi mở rộng để theo dõi phản ứng của bệnh với liệu pháp điều trị. Kết quả của chúng tôi chứng minh tiềm năng của khung phân tích này trong việc cung cấp sự hiểu biết sâu sắc hơn về mối quan hệ giữa thành phần cơ thể và phản ứng với liệu pháp miễn dịch trong NSCLC so với các phép đo BMI thô. Điều này có thể có ý nghĩa lâm sàng quan trọng đối với việc lựa chọn, điều trị và theo dõi bệnh nhân. Đóng góp thứ hai là chia sẻ quy trình học sâu từ đầu đến cuối mạnh mẽ này để tự động lựa chọn lát cắt và phân chia khoang cơ thể trên hình ảnh cắt ngang.

 

Các bước tiếp theo là gì?

Chúng tôi cung cấp phần mềm dưới dạng công cụ AI nguồn mở tích hợp liền mạch với các nền tảng để phân tích hình ảnh và cũng phổ biến nó trên nền tảng modelhub.ai. Bằng cách công khai thuật toán này, chúng tôi hy vọng sẽ đẩy nhanh các nghiên cứu trong tương lai trong lĩnh vực này và tạo điều kiện thuận lợi hơn nữa cho việc phát triển các phương pháp tiếp cận mới để phân tích các bộ dữ liệu hình ảnh ung thư phức tạp. Điều này sẽ cho phép điều tra sâu hơn về các mối liên quan quan trọng được thiết lập bằng cách sử dụng BMI hoặc các phép đo thành phần cơ thể dựa trên CT thủ công. Nói rộng hơn, những tiến bộ trong lĩnh vực nghiên cứu này sẽ giúp hướng dẫn việc quản lý các bệnh ung thư khác nhau và nâng cao năng lực của chúng ta về ung thư chính xác.

 

Nguồn: News medical life sciences| May 24 2024| Mass General Brigham

Đường dẫn: Xem tại đây