发表在《03010》杂志上的一项研究首次证实，人工智能可以处理医学图像，提取生物和临床信息。通过设计算法并开发它们来分析CT扫描图像，来自Gustave Roussy、CentraleSuplec、Inserm、巴黎南方大学和TheraPanacea的医学研究人员(源自CentraleSuplec，专攻肿瘤学、放射治疗和精密医学方面的人工智能)的所谓放射学签名。
该标记物定义了肿瘤的淋巴细胞浸润水平，并为患者免疫治疗的疗效提供了预测评分。因此，在未来，医生可能能够使用成像技术来识别位于人体任何地方的肿瘤中的生物现象，而无需活检。
到目前为止，在只有15%至30%的患者对这种疗法有反应的情况下，没有任何标志物可以准确地识别那些将对PD-1/PD-L1免疫疗法有反应的患者。众所周知，从免疫学的角度来看，肿瘤环境(淋巴细胞存在)越丰富，有效免疫治疗的机会就越大。因此，研究人员试图通过成像来表征这种环境，并将其与患者的临床反应相关联。这是《柳叶刀》年发表的研究中设计和验证的放射学签名的目标。
在这项回顾性研究中，来自四个独立队列的500名实体瘤患者(所有部分)被捕获、发展并通过放射学特征进行验证。经过基因组学、组织学和临床验证，它特别强大。
起初，该团队使用基于机器学习的方法来教算法使用从参与莫斯卡托研究的患者的CT扫描中提取的相关信息，这也保存了肿瘤基因组数据。因此，该算法仅基于图像，学会了预测基因组可能揭示的肿瘤免疫浸润信息，特别是肿瘤中细胞毒性T淋巴细胞(CD8)的存在，并建立了放射学特征。
该签名已在包括TCGA(癌症基因组图谱)在内的其他队列中得到测试和验证，表明成像可以预测生物现象，从而估计肿瘤的免疫浸润程度。
然后，为了测试签名的适用性并将其与实际情况中免疫治疗的疗效相关联，在开始治疗-L1免疫治疗之前，对参与抗PD-1/PD的I期试验的患者进行CT扫描评估。研究发现，在3个月和6个月内接受有效免疫治疗的患者具有更高的放射评分，而总生存期更长的患者。
在下一次临床研究中，将对签名进行回顾性和前瞻性评估，将使用更多的患者，并根据癌症类型对他们进行分层，以改善签名。
这也将使用更先进的自动学习和人工智能算法来预测患者对免疫疗法的反应。为此，研究人员打算整合来自成像、分子生物学和组织分析的数据。
这是古斯塔夫鲁西、欧洲工商管理学院、巴黎南方大学、中央大学和治疗学院之间的合作目标。目的是确定最有可能对治疗产生反应的患者，从而提高治疗的疗效/费用比。