发表在“The Lancet Oncology”上的一项研究首次证实，AI可以处理医学图像以提取生物学和临床信息。通过设计算法并将其开发用于分析CT扫描图像，Gustave Roussy，CentraleSupélec，Inserm，Paris-Sud University和TheraPanacea（专门从事AI的放射治疗和精密医学）的医学研究人员创建了一个所谓的放射学特征。该特征定义了肿瘤的淋巴细胞浸润水平，并提供了患者免疫治疗功效的预测评分。

将来，医生可能因此能够使用成像来识别位于身体任何部位的肿瘤中的生物现象，而无需进行活组织检查。

到目前为止，没有任何标记能够准确地识别出那些对抗pd-1/PD-L1免疫疗法有反应的患者，在这种情况下，只有15%到30%的患者会对这种治疗做出反应。众所周知，肿瘤环境越丰富（淋巴细胞的存在）就越有可能使免疫疗法有效，因此研究人员试图利用成像技术来描述这种环境，并将其与患者的临床反应联系起来。这是在发表的研究中设计和验证的放射状特征的目标。

在这项回顾性研究中，在来自四个独立队列的500名实体瘤患者（所有部位）中捕获，开发和验证了放射学特征。它在基因组学，组织学和临床上得到了验证，使其具有鲁棒性。

该团队使用基于机器学习的方法，首先教导该算法使用从参与MOSCATO研究的患者的CT扫描中提取的相关信息，该研究还包含肿瘤基因组数据。因此，仅基于图像，该算法学习预测基因组可能揭示的关于肿瘤免疫浸润的内容，特别是关于肿瘤中细胞毒性T淋巴细胞（CD8）的存在，并且它建立了放射性组织特征。

这一特征在其他人群中进行了测试和验证，包括TCGA（癌症基因组图谱），从而表明成像可以预测一种生物现象，提供对肿瘤免疫浸润程度的估计。

然后，为了测试该特征在实际情况下的适用性，并将其与免疫疗法的功效相关联，在参与5阶段抗pd-1/PD-L1免疫疗法的患者的治疗开始前，对其进行了CT扫描。研究发现，免疫疗法在3个月和6个月有效的患者的放射学得分更高，与那些整体存活率更高的患者相近。

下一个临床研究将回顾性地和前瞻性地评估特征，将使用更多数量的患者并且将根据癌症类型对它们进行分层以便改进特征。

这还将采用更复杂的自动学习和AI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。这是研究所之间合作的目的，以确定那些最有可能对治疗有反应的患者，从而提高治疗的疗效和成本比。

论文：www.thelancet.com/journals/lanonc/article/PIIS1470-2045(18)30413-3/fulltext