人工智能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（专门从事肿瘤学-放射治疗和精准医学中的人工智能的CentraleSupélec分拆）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，没有标记可以准确地识别那些对抗PD-1/PD-L1免疫治疗有反应的患者，在这种情况下，只有15％至30％的患者对此类治疗有反应。众所周知，肿瘤环境免疫学上更丰富（淋巴细胞的存在），免疫疗法有效的可能性越大，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。这就是在“柳叶刀肿瘤学”上发表的研究中设计和验证的放射学特征的目标。
 
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，使其特别稳健。
 
使用基于机器学习的方法，该团队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。
该签名在包括TCGA（癌症基因组图谱）在内的其他队列中进行了测试和验证，从而表明成像可以预测生物现象，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，使用在参与抗PD-1/PD的5期I期试验的患者中在治疗开始之前进行的CT扫描来评估该特征。-L1免疫疗法。结果发现，3个月和6个月免疫治疗有效的患者的放射学评分较高，总体生存率较高。
 
下一个临床研究将回顾性地和前瞻性地评估签名，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签名。
 
这还将采用更复杂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Gustave Roussy，Inserm，UniversitéParis-Sud，CentraleSupélec和TheraPanacea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/成本比。