Naukowcy z amerykańskiej grupy badawczej ECOG-ACRIN Cancer Research Group opracowali nowatorską metodę wykorzystującą sztuczną inteligencję do wykrywania struktur limfoidalnych trzeciorzędowych (ang. TLS – tertiary lymphoid structures) w cyfrowych obrazach tkanek czerniaka. To przełom w predykcji przeżycia pacjentów z operacyjnym stadium III oraz IV zaawansowanej choroby. W badaniach analizowano tysiące obrazów histologicznych, a dzięki zastosowaniu uczenia maszynowego proces identyfikacji TLS został nie tylko znacznie zautomatyzowany, ale także znacznie bardziej precyzyjny i skalowalny.
Struktury TLS odgrywają kluczową rolę w odpowiedzi immunologicznej organizmu — ich obecność w nowotworze jest pozytywnym czynnikiem rokowniczym i wskazuje na większe szanse pacjenta na długoterminowe przeżycie. Co istotne, mimo swojego znaczenia, obecność TLS nie jest jeszcze rutynowo uwzględniana w standardowych raportach histopatologicznych. Jak dotąd wykrywanie tych struktur opierało się głównie na czasochłonnej analizie manualnej i było podatne na błędy ludzkie. Inicjatywa naukowców może doprowadzić do fundamentalnej zmiany w sposobie prowadzenia diagnostyki i planowania terapii, w szczególności immunoterapii.
W ramach analiz, które zaprezentowane zostaną na dorocznym spotkaniu American Association for Cancer Research w 2025 roku, przebadano dane obejmujące 376 pacjentów z wysokim ryzykiem nawrotu czerniaka. Materiał badawczy pochodził z jednego z największych amerykańskich badań klinicznych — E1609 — które zostało przeprowadzone przez grupę ECOG-ACRIN i dotyczyło leczenia czerniaka z użyciem terapii punktów kontrolnych układu odpornościowego oraz cytokin. Rezultaty są imponujące: obecność TLS stwierdzono u 55% pacjentów, z czego osoby z więcej niż jedną strukturą TLS charakteryzowały się najwyższym odsetkiem pięcioletniego przeżycia (38,04% w porównaniu do 28,65% w grupie bez TLS). Dodatkowo wykazano, że gęstość TLS również ma istotne znaczenie prognostyczne.
Analiza obejmowała różnorodne czynniki wpływające na przeżycie, takie jak wiek pacjenta, płeć, stadium choroby według klasyfikacji AJCC, rodzaj zastosowanego leczenia oraz obecność owrzodzenia nowotworu. Jednak to właśnie TLS okazały się jednym z najsilniejszych niezależnych markerów prognostycznych, które mogą zrewolucjonizować sposób klasyfikowania pacjentów i predykcji odpowiedzi na leczenie.
Do przygotowania modelu AI, naukowcy wykorzystali otwartoźródłowy algorytm głębokiego uczenia o nazwie HookNet-TLS. Dzięki niemu byli w stanie wykrywać zarówno struktury TLS, jak i ośrodki rozmnażania (GC – germinal centers), również istotne w odpowiedzi immunologicznej. Model został przeszkolony na cyfrowych obrazach barwionych za pomocą standardowej techniki H&E, co oznacza, że jego zastosowanie nie wymaga specjalistycznych i kosztownych technologii – można go wdrożyć w oparciu o istniejącą infrastrukturę praktycznie w każdej placówce patomorfologicznej.
W dalszej części badań zastosowano model Gigapth Whole-Slide Foundation, który pozwalał na znacznie dokładniejsze odwzorowanie cech strukturalnych w obrazach. Gigapth umożliwia wizualizację danych za pomocą analizy głównych składowych (PCA), co znacząco wpłynęło na trafność wykrywania struktur immunologicznych. Choć wyniki tego podejścia są jeszcze na etapie dopracowywania, naukowcy przewidują, że będą one stanowiły ważny komponent przyszłych badań nad predykcją odpowiedzi immunoterapeutycznej.
Nie bez znaczenia pozostaje także fakt, że projekt został wsparty przez amerykański Narodowy Instytut Raka (National Cancer Institute), który dostrzegł potencjał sztucznej inteligencji w transformacji diagnostyki nowotworowej. Zdaniem prof. Ahmada A. Tarhiniego, kierującego badaniami, zastosowanie niedrogich i powszechnie dostępnych technik daje szansę na szybkie wdrożenie nowych narzędzi predykcyjnych w codziennej praktyce klinicznej. Może to wpłynąć zarówno na decyzje terapeutyczne, jak i zwiększyć przejrzystość rozmów lekarzy z pacjentami dotyczących potencjalnych korzyści z immunoterapii.
To badanie podkreśla, jak potężne może być połączenie klasycznej medycyny z narzędziami sztucznej inteligencji. Dzięki niemu możliwe staje się nie tylko przyspieszenie wykrywania kluczowych biomarkerów, ale także precyzyjna personalizacja leczenia nowotworów, co może uratować życie tysięcy pacjentów każdego roku.
