پیش بینی کارایی درمان با CAR-T Cell در بیماران سرطانی با کمک machine learning
مدلهای رادیومیک مبتنی بر PET که با الگوریتمهای یادگیری ماشین(machine learning ) پیادهسازی شدهاند، میتوانند پیشبینی بالینی را بطور قابل توجهی بهبود بخشند و مزایای بالینی را افزایش دهند
مدلهای رادیومیک مبتنی بر PET که با الگوریتمهای یادگیری ماشین(machine learning ) پیادهسازی شدهاند، میتوانند پیشبینی بالینی را بطور قابل توجهی بهبود بخشند و مزایای بالینی را افزایش دهند و چشماندازهایی را برای طبقهبندی پیش آگهی بالینی برای درمان دقیق و همچنین حوزههای تحقیقاتی جدید فراهم کنند.
رادیومیک مبتنی بر PET قادر به پیش بینی اثربخشی گیرنده آنتی ژن کایمریک (CAR) سلول T بوده و بهتر از بیومارکرهای PET معمولی در بیماران مبتلا به لنفوم سلول B بزرگ منتشر (DLBCL) عمل می کند. در مطالعه منتشر شده در نشریه eJHaem درمان با سلول CAR-T درمان خط سوم R/R DLBCL است، اما نویسندگان این مطالعه توضیح دادند که همه بیماران از مزایای درمان با سلول CAR-T بهره مند نمی شوند، پس فرآیند انتخاب بیمار مناسب توسط نشانگرهای زیستی پیش بینی کننده موردی است که بعنوان یک تقاضا همچنان باقی است.
برخی پارامترهای تصویربرداری کیفی از جمله اندازهگیریهای مبتنی بر فلورودئوکسی گلوکز- توموگرافی انتشار پوزیترون (PET (FDG-مانند حجم کل تومور متابولیک (TMTV) و حداکثر مقدار جذب استاندارد شده (SUVmax) مرتبط با نتایج DLBCL هستند. پارامترها محدود به بار تومور و حداکثر مصرف متابولیکی هستند. با این حال، آنها فاقد جزئیات در مورد فنوتیپ بیماری یا توزیع فضایی بیماری هستند.
نویسندگان این مقاله در این خصوص گفتند: «رادیومیکس های مبتنی بر PET داده های کمی تصویربرداری را در مورد شکل تومور، ناهمگنی و توزیع مصرف متابولیک ارائه می دهد. این پارامترها میتوانند بینشی در مورد بیولوژی تومور، از جمله اطلاعات مهمی در مورد متابولیسم سلولهای سرطانی و ریزمحیط تومور برای شناسایی بیشتر فنوتیپهای پاسخدهنده ارائه دهند. در حالی که مطالعات قبلی ویژگیهای رادیومیکس مبتنی بر PET را که با پاسخ درمانی در بیماران مبتلا به DLBCL در محیط استاندارد شیمیدرمانی مرتبط است، مشخص کردهاند، دادههای مربوط به رادیومیکسهای مبتنی بر PET در محیط درمانی با سلول CAR-T وجود ندارد. این مطالعه فنوتیپهای رادیومیکس مبتنی بر FDG-PET را در گروهی از بیماران مبتلا به R/R DLBCL ارزیابی کرد تا مشخص کند کدام بیماران از درمان با سلول CAR-T بیشتر سود میبرند.
رادیومیکس های مبتنی بر PET نشان می دهند، ضایعات بزرگتر به پیش آگهی بدتر کمک می کنند و ضایعات با SUVmax بالا می تواند بصورت اختصاصی نشان دهنده عدم بهره مندی از درمان با سلولCAR-T باشد. این مطالعه با حجم نمونه نسبتاً کوچک و محدود اعتبارسنجی شد، اما نویسندگان، نتایج را دلگرمکننده و پرارزش جهت کاوش بیشتر میدانند.
لینک خبر:
https://www.ajmc.com/view/novel-pet-based-radiomics-signature-predicts-car-t-efficacy-in-dlbcl
ارسال به دوستان