AI, rektal kanserde tümör hücre yoğunluğunu ölçerek irinotekanlı tedaviden kimlerin daha çok yararlanacağını ayırabilir

UCL (University College London) araştırmacılarının yürüttüğü yeni bir çalışma, ileri evre rektal kanserde tedaviyi “herkese aynı doz/yoğunluk” yaklaşımından çıkarabilecek bir biyobelirteç yöntemini gündeme taşıdı. Araştırma, tümör biyopsilerindeki mikroskobik yapıyı değerlendiren yapay zekâ destekli bir okuma biçiminin, hangi hastaların standart kemoradyoterapiye irinotekan eklenmesinden daha fazla fayda görebileceğini daha iyi ayırabildiğini öne sürüyor. Bulgular eBioMedicine dergisinde yayımlandı.

Çalışmanın odağında, lokal olarak ilerlemiş rektal kanser tanısı alan hastalarda standart tedaviye irinotekan eklenmesinin sağkalımı ne ölçüde etkilediği sorusu bulunuyor. Bu yaklaşımın herkeste aynı sonuçları vermeyebileceği düşüncesiyle, araştırmacılar irinotekanı genel olarak “her zaman eklenmelidir” şeklinde ele almak yerine, klinik faydanın biyopsi örneklerinin tümör dokusu özelliklerine göre değişebileceğini test etti. Özellikle de tanı anındaki tümör hücre yoğunluğunun düzeyi, olası farklı tedavi yanıtlarını ayırmak için kullanıldı.

Gelinen noktada, biyopsilerde tümör hücre yoğunluğunu değerlendirmek için kullanılan geleneksel yöntemlerin büyük ölçekli çalışmalarda her zaman aynı tutarlılıkta sonuç vermeyebileceği belirtiliyor. Bu nedenle UCL ekibi, histoloji görüntülerini kullanarak tümör örneklerini “yüksek” ve “düşük” tümör hücre yoğunluğu gruplarına ayıran bir yapay zekâ modelinden yararlandı. Modelin, standart histopatoloji görüntülerinden tümör hücre yoğunluğuna ilişkin ayırt edici bir örüntüyü yakalayabildiği ve bu örüntünün geleneksel değerlendirme ile her zaman güvenilir biçimde yakalanamadığı ifade ediliyor.

Bu ayrımın klinik önemi, çalışmanın aynı zamanda daha önce yürütülen büyük bir faz 3 denemesinin verileri üzerinden kurgulanmış olmasından geliyor. Araştırmada, ARISTOTLE denemesinde yer alan hastaların verileri yapay zekâ temelli yeniden analiz edildi. Post-hoc (sonradan yapılan) bu analiz yaklaşımı, belirli bir tedavinin genel popülasyonda ne yaptığına bakmanın ötesine geçerek, alt gruplarda fayda ihtimalinin nasıl şekillenebileceğini incelemeyi amaçlıyor.

Çalışmanın sonuçları, tümör hücre yoğunluğu yüksek olan hastalarda yoğunlaştırılmış tedavi stratejisine ilişkin olası bir farklılık işaret ederken, tümör hücre yoğunluğu düşük olan gruplarda aynı etkinin görülmeyebileceğine dair bir çerçeve sunuyor. Metin, irinotekan içeren tedavinin sağkalım üzerinde etkisini özellikle tanı anındaki tümör hücre yoğunluğu yüksekliğine bağlayarak değerlendiriyor. Ancak çalışma, bu bulguların klinik uygulamada otomatik bir “seçim kuralı” olarak kullanılmasının henüz erken olabileceğine dair tıbbi belirsizliği de ima eden bir bilimsel tasarıma sahip.

Yine de bu çalışma, patoloji görüntülerinin yapay zekâ ile standardize edilmesi yoluyla “doğru hastaya doğru yoğunlukta tedavi” fikrini somutlaştırması bakımından dikkat çekiyor. İleri evre rektal kanserde standart tedavilerin temelini kemoradyoterapi oluştururken, sistemik tedaviye eklenecek ajanların kime fayda sağlayıp sağlamadığını belirlemek, gereksiz toksisiteyi azaltma açısından da kritik bir sorun. Araştırmanın önerdiği biyopsi temelli sınıflandırma, gelecekte daha hedefli denemelere kapı aralayabilir.

UCL ekibinin eBioMedicine’de yayımladığı bu çalışma, yapay zekâ destekli histoloji analiziyle hasta alt gruplarını daha net ayırmanın mümkün olabileceğini gösteriyor. Sonraki adım olarak, bu sinyalin farklı hasta gruplarında doğrulanması ve modelin klinik rutinde ne ölçüde tekrarlanabilir olduğunun ortaya konması gerekecek. Böylece, rektal kanserde tedavi yoğunluğunun kişiselleştirilmesine yönelik kanıt tabanı güçlenebilir.

Kaynak: https://scienmag.com/ai-study-shows-cancer-therapy-effectiveness/