AI预测胃癌对HER2和免疫疗法反应：北大肿瘤医院沈琳团队研究

仅依靠单一模式数据，难以捕捉患者之间的复杂差异，尤其是在治疗HER2阳性胃癌（GC）GC时，对抗HER2治疗的耐药性和联合治疗效果的差异性。此外，人工智能在治疗反应预测中的应用仍处于初级阶段，尤其是针对像GC这样复杂的疾病。因此，本研究旨在利用综合分析方法，精准预测HER2阳性GC患者对抗HER2治疗或其联合免疫治疗的反应。

2024年8月26日，北京大学肿瘤医院沈琳团队在《Signal Transduction and Targeted Therapy》期刊上发表了题为“基于多模态数据预测胃癌对抗HER2治疗或抗HER2联合免疫治疗的反应”的研究论文。研究团队引入了一种称为多模态（MuMo）的深度学习模型，通过集成患者的多种数据，做出精确的治疗反应预测。研究表明，多模态数据分析在提高HER2阳性胃癌治疗评估和个性化用药方面具有重要意义，显示出该模型的潜力和临床价值。

胃癌是全球第五大常见癌症，也是中国第二大常见癌症。约15-30%的晚期胃或胃食管交界处腺癌患者表现出HER2的扩增或过表达，这种生物标志物的异质性给有效治疗带来了重大挑战。曲妥珠单抗治疗GC试验显示，不到半数的HER2阳性患者对联合治疗有反应，显示出患者间和肿瘤间的显著变异性。KEYNOTE-811研究的中期结果表明，尽管在标准治疗中加入pembrolizumab可以显著提高客观缓解率，但并不总能提高所有患者的总生存期。

人工智能作为开发多模态模型的创新工具，具有很大的潜力，能够分析和集成不同类型的数据。然而，预测治疗反应需要更精细的数据集，并且数据集的不完整性对建模提出了技术挑战。为应对这些挑战，本研究采用全面的分析方法，准确预测接受抗HER2治疗或其联合免疫治疗的GC患者的治疗反应。研究团队收集了一个包含429名患者的综合多中心数据集，整合了基线治疗阶段的多种信息模式，包括CT扫描、病理全玻片图像、放射学和病理报告，以及患者的基本信息。研究对象包括接受抗HER2治疗和化疗的患者，及接受抗HER2治疗联合免疫治疗的患者。团队开发了一个基于transformer的深度学习模型MuMo，通过多模态输入，预测治疗反应。结果表明，MuMo能从多模态数据中提取互补的见解，提高了治疗反应预测的准确性。

MuMo在抗HER2队列中的预测性能表现优异，AUC评分为0.821，预测性能超过了6名临床医生，并与这些医生的综合评分相匹配。在公共数据集中，MuMo框架展示了灵活的可扩展性，将每个队列分为高风险和低风险组，低风险组表现出更长的无进展生存期和总生存期的增加。在独立测试集中，两组的中位总生存期显著不同（高风险组为6个月，低风险组为17个月）。

在抗HER2联合免疫治疗队列中，MuMo表现出卓越的预测性能，AUC为0.914，显示出很高的准确性。MuMo能够区分高风险和低风险组，对患者的预后和治疗计划至关重要。研究表明MuMo在预测治疗反应方面具有一致的稳定性，其预测性能的变异性显著低于个体临床医生和其集体决策过程。

MuMo的灵活性使其成为跨学科合作的理想平台，促进生物信息学家、临床医生和数据科学家之间的知识融合。通过不断迭代更新和完善其算法，MuMo可以迅速适应不同的癌症类型和诊断标志物，支持更全面的个性化医疗方法。

总的来说，MuMo利用AI技术提高了HER2阳性GC患者对抗HER2治疗或其联合免疫治疗反应的预测准确性，通过多模态数据集取得了显著进展，展示了AI和多种模式整合的潜力，为未来的肿瘤学研究提供了新方向。

如何获取生物制药领域的最新研究进展？

在智慧芽新药情报库，您可以随时随地了解药物、靶点、适应症、机构等方面的最新研发进展。点击下方图片，开启全新的药物发现之旅吧！