AI-analys av immunceller kan förutsäga bröstcancerprognos
AI-analys av en specifik grupp immunceller kan förutsäga prognosen vid trippelnegativ bröstcancer. Det visar forskning från Karolinska Institutet i Sverige.
I studien, som publicerats i The Lancets publikation eClinicalMedicine, har de svenska forskarna undersökt hur väl olika AI-modeller kan förutsäga prognosen vid trippelnegativ bröstcancer genom att analysera tumorinfiltrande lymfocyter (en typ av immunceller som spelar en viktig roll i kampen mot cancer) i tumören.
Forskarna i studien testade tio olika AI-modeller och jämförde hur bra de var på att analysera tumorinfiltrande lymfocyter i 79 vävnadsprov från patienter med trippelnegativ bröstcancer. AI-modellerna testades i en retrospektiv analytisk kohort och i en oberoende prospektiv kohort för att jämföra prognostisk validering mot invasiv sjukdomsfri överlevnadsendpoint vid genomsnittlig fyra års uppföljning.
Resultaten visade att AI-modellerna hade olika analytiska förmågor. Trots sina skillnader visade åtta av de tio modellerna goda prognostiska förmågor.
- Även modeller som tränats på färre prov visade goda prognostiska förmågor, vilket indikerar att tumorinfiltrande lymfocyter är en robust biomarkör, säger Balazs Acs, forskare vid Onkologisk-Patologisk Avdelning, Karolinska Institutet, i ett pressmeddelande.
När tumorinfiltrande lymfocyter finns i en tumör betyder det att immunsystemet försöker angripa och förstöra cancercellerna. Dessa immunceller kan vara viktiga för att förutsäga hur en patient med så kallad trippelnegativ bröstcancer kommer att reagera på behandlingen och hur sjukdomen kommer att utvecklas. Men när patologer bedömer immuncellerna kan resultaten variera. AI kan hjälpa till att standardisera och automatisera denna process, men det har varit svårt att påvisa att AI fungerar tillräckligt bra för att användas inom sjukvården.
Även om resultaten från Karolinska Institutet är lovande, betonar forskarna bakom studien att stora datamängder behövs för att jämföra och säkerställa tillförlitligheten av olika AI-verktyg innan de kan implementeras i kliniken.
