Eine retrospektive Studie in JAMA Oncology zeigt, dass Tumor-infiltrierende Lymphozyten (TIL) Ebenen, die durch maschinelles Lernen auf Standard-Histologie-Bildern ermittelt wurden, mit der Reaktion bei Patienten, die eine Immun-Checkpoint-Inhibitor-Therapie für nicht-kleinzelliges Lungenkarzinom (NSCLC) erhalten, in Zusammenhang stehen.
Dieser bahnbrechende Fortschritt zeigt, wie Quantencomputer und maschinelles Lernen die Krebsforschung revolutionieren und die Therapie für NSCLC-Patienten verbessern können. In der Studie wurde eine automatisierte Methode entwickelt, um Tumor-, Stroma- und TIL-Zellen in Ganzbild-Hämatoxylin-Eosin-gefärbten Bildern von NSCLC-Tumoren zu zählen. Die Tumor-Mutationslast (TMB) und PD-L1-Expression wurden separat bewertet, während klinische Reaktionen auf die Immun-Checkpoint-Inhibitor-Therapie aus medizinischen Unterlagen identifiziert wurden.
Die Ergebnisse der Studie sind vielversprechend: Hohe TIL-Ebenen (≥ 250 Zellen/mm2) waren unabhängig mit einer verbesserten progressionsfreien Überlebensrate (HR = 0,71, P = 0,006) und Gesamtüberlebensrate (HR = 0,74, P = 0,03) assoziiert. Ähnliche Ergebnisse wurden in der Validierungskohorte gefunden. Darüber hinaus war ein hohes TIL-Niveau im Vergleich zu einem niedrigen Niveau signifikant mit einer verbesserten progressionsfreien Überlebensrate und Gesamtüberlebensrate bei Patienten assoziiert, die eine Erstlinientherapie mit Immun-Checkpoint-Inhibitor-Monotherapie erhielten.
Die Studie belegt, dass TIL-Ebenen robust und unabhängig mit der Reaktion auf die Immun-Checkpoint-Inhibitor-Behandlung assoziiert sind. Die TIL-Bewertung ist relativ einfach in den Arbeitsablauf von Pathologielabors mit minimalen zusätzlichen Kosten integrierbar und könnte die Präzisionstherapie verbessern. Diese Ergebnisse unterstreichen das enorme Potenzial von Quantencomputern und maschinellem Lernen, die Krebsbehandlung zu revolutionieren und das Leben von Patienten zu retten.
