CT-Based Habitat Radiomics and Deep Learning for Predicting Early Response and Survival in Unresectable Hepatocellular Carcinoma Treated with Hepatic Arterial Infusion Chemotherapy plus Lenvatinib and Programmed Death Receptor-1 Inhibitors
طورت هذه الدراسة وصادقت على نموذج دمج متعدد الأبعاد وغير جراحي يدمج بين الراديوميات البيئية القائمة على التصوير المقطعي المحوسب، وميزات التعلم العميق ثنائية ونصف الأبعاد (2.5D)، والمؤشرات السريرية للتنبؤ بدقة بالاستجابة المبكرة للعلاج والبقاء على قيد الحياة دون تقدم المرض لدى المرضى المصابين بسرطان الخلايا الكبدية غير القابل للاستئصال الذين يتلقون علاج HAIC-FOLFOX مدمجاً مع ليفاتينيب ومثبطات PD-1.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد سرطان الكبد، وتحديداً النوع المعروف باسم سرطان الخلايا الكبدية، خصماً عنيداً لأن سلوكه نادراً ما يتشابه بين مريض وآخر. فحتى عندما يمتلك شخصان أوراماً بنفس الحجم ويتلقيان نفس العلاج القوي، قد يشهد أحدهما انكماشاً كبيراً في السرطان بينما لا يطرأ على الآخر أي تغيير. وينبع هذا عدم اليقين من حقيقة أن الورم الواحد ليس كتلة متجانسة من الأنسجة، بل هو مشهد معقد من أنواع الخلايا والبيئات المختلفة المتراصة معاً. وبالنسبة للأطباء، كان التحدي يكمن في إيجاد وسيلة للنظر داخل هذا المشهد قبل بدء العلاج، لتخمين أي المرضى سيستجيبون لمزيج معين من الأدوية وأيهم لن يستجيبوا. والهدف هو الابتعاد عن التخمين والتوجه نحو خطة دقيقة وشخصية، مما يوفر على بعض المرضى العلاجات غير الفعالة ويضمن حصول آخرين على المساعدة التي يحتاجونها على الفور.
ولحل هذه المعضلة، سعى باحثون في الصين إلى إنشاء نوع جديد من الخرائط الرقمية. فقد ركزوا على مجموعة محددة من المرضى المصابين بسرطان الكبد المتقدم الذين لا يمكنهم الخضوع للجراحة. هؤلاء المرضى عولجوا بعلاج ثلاثي مشترك: حقن كيميائي يُعطى مباشرة في شرايين الكبد، وحبوب مستهدفة تسمى "لينفاتينيب"، ودواء مناعي يساعد الجهاز المناعي للجسم على محاربة السرطان. وبينما أظهر هذا المزيج نتائج واعدة، أدرك الباحثون أن ليس الجميع سيستفيد منه. أرادوا بناء أداة يمكنها التنبؤ، قبل إعطاء الجرعة الأولى، ما إذا كان ورم المريض سينكمش بشكل كبير ومدة بقائه دون تقدم في المرض.
جمع الفريق صوراً طبية من 240 مريضاً عبر مستشفيين مختلفين. كانت هذه الصور عبارة عن فحوصات مقطعية (CT) قياسية أُجريت باستخدام صبغة لجعل الأوعية الدموية والورم يبرزان بوضوح. وبدلاً من النظر إلى الورم كجسم صلب واحد، استخدم الباحثون تقنية تسمى "تصوير الموائل" (habitat imaging). تخيل الورم كمدينة كبيرة ومتنوعة بدلاً من كونه مبنى واحداً؛ فتماماً كما تمتلك المدينة أحياءً متميزة — بعضها يعج بالنشاط والبعض الآخر هادئ أو في حالة تدهور — فإن للورم مناطق مختلفة ذات خصائص فريدة. استخدم الباحثون خوارزمية حاسوبية لتصنيف البكسلات الصغيرة في الفحص المقطعي إلى هذه الأحياء المتميزة بناءً على مظهرها. ووجدوا أن تقسيم الورم إلى ثلاث مناطق محددة قدم الصورة الأكثر وضوحاً لتنوعه الداخلي.
بمجرد تحديد هذه المناطق، استخرج الفريق آلاف التفاصيل الدقيقة من الصور، مثل الملمس والشكل وأنماط السطوع. وهذا ما يُعرف بـ "الراديوميكس" (radiomics). وقد فعلوا ذلك للورم بأكمله ولكل حي من الأحياء الثلاثة على حدة. وفي الوقت نفسه، استخدموا نوعاً من الذكاء الاصطناعي يُسمى "التعلم العميق" لمسح الصور. تعمل هذه التقنية بشكل مختلف؛ فبدلاً من البحث عن أنماط محددة مسبقاً، تتعلم التعرف على الأشكال والهياكل المعقدة من خلال دراسة الصور مباشرة، تماماً كما يتعلم الطفل التعرف على الوجه من خلال رؤية أمثلة كثيرة. واختبر الباحثون عدة بنيات للتعلم العميق لمعرفة أيها الأفضل في رصد العلامات الخفية لورم سيستجيب للعلاج.
قام الباحثون بعد ذلك بدمج كل هذه المعلومات — التفاصيل من مناطق الورم المختلفة، والأنماط التي تعلمها الذكاء الاصطناعي، والبيانات السريرية الأساسية مثل اختبارات وظائف الكبد — في نموذج تنبؤ واحد قوي. واختبروا هذا النموذج على ثلاث مجموعات مختلفة من المرضى: مجموعة استُخدمت لبناء النموذج، ومجموعة ثانية للتحقق منه داخلياً، ومجموعة ثالثة من مستشفى آخر لرؤية مدى نجاحه في العالم الحقيقي. كانت النتائج مذهلة؛ فقد تمكن النموذج المدمج من التنبؤ بدقة عالية بالمرضى الذين ستنكمش أورامهم بشكل كبير بعد أسابيع قليلة من العلاج. وفي المجموعة المستقلة من المرضى في المستشفى الثاني، حدد النموذج المستجيبين للعلاج بدقة بلغت حوالي 87 بالمئة، وهو أداء أفضل بكثير من استخدام أي طريقة منفردة وحدها.
وبعيداً عن مجرد التنبؤ بمن سيستجيب، قدم النموذج أيضاً نافذة على المستقبل. فقد وجد الباحثون أن المرضى الذين حددهم النموذج كمرشحين للاستجابة استمروا في العيش لفترة أطول دون تقدم مرضهم مقارنة بمن توقع النموذج عدم استجابتهم. في الواقع، استطاع النموذج تقسيم المرضى إلى مجموعات عالية المخاطر ومنخفضة المخاطر بفارق واضح في نتائج البقاء على قيد الحياة. فقد عاش المرضى الذين توقع النموذج أنهم منخفضو المخاطر لمدة متوسطة قدرها 14 شهراً دون تقدم السرطان، بينما عاش أولئك في المجموعة عالية المخاطر لمدة متوسطة قدرها 6.3 أشهر فقط. وهذا يشير إلى أن النموذج يلتقط شيئاً جوهرياً يتعلق ببيولوجيا الورم لا تستطيع القياسات البسيطة رؤيته.
كشفت الدراسة أيضاً عن سبب نجاح هذا النهج بهذا الشكل الكبير. فمن خلال تقسيم الورم إلى موائله المختلفة، استطاع النموذج رؤية المناطق المحددة التي تقود المقاومة أو الحساسية للأدوية. وقد أضاف الذكاء الاصطناعي طبقة أخرى، حيث رصد أنماطاً بصرية معقدة قد تغفل عنها العين البشرية أو القياسات القياسية. وعند دمج هذين الأسلوبين القويين مع البيانات السريرية البسيطة، خلقوا أداة أكثر موثوقية بكثير من أجزائها المنفردة. وأشار الباحثون إلى أنه بينما يعد النموذج واعداً للغاية، إلا أنه بُني على بيانات سابقة ويحتاج إلى اختبار في دراسات مستقبلية أكبر لتأكيد قيمته لكل مريض. ومع ذلك، فإن النتائج تقدم خطوة ملموسة للأمام: طريقة غير جراحية للنظر داخل العالم المعقد لورم الكبد واتخاذ قرارات أفضل وأكثر استنارة حول كيفية محاربته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.