Het Path-IO-model voorspelt de respons op immunotherapie bij longkankerpatiënten.
Een door onderzoekers van het MD Anderson Cancer Center van de Universiteit van Texas ontwikkeld model voor kunstmatige intelligentie (AI) heeft aangetoond dat het de respons op immunotherapie bij patiënten met uitgezaaide niet-kleincellige longkanker (NSCLC) nauwkeurig kan voorspellen. Indien klinisch gevalideerd, zou het artsen waardevolle inzichten kunnen verschaffen in een van de meest urgente uitdagingen binnen de oncologie.
Details van het model, genaamd Path-IO, werden vandaag gepresenteerd op de jaarlijkse bijeenkomst van de American Association for Cancer Research (AACR) in 2026 door Rukhmini Bandyopadhyay, Ph.D., postdoctoraal onderzoeker in het laboratorium van Jia Wu, Ph.D., universitair docent Beeldvormingsfysica en Thoracale/Hoofd- en Halsoncologie.
Er zijn de afgelopen jaren diverse AI-gebaseerde benaderingen die veelbelovend zijn gebleken, maar Path-IO onderscheidt zich echt doordat we het vanaf het begin hebben ontworpen voor klinische toepassing. Om dat te bereiken, moet een model verklaarbare beslissingen nemen op basis van bekende factoren en dat op een manier die consistent is over verschillende datasets. Wat we hier laten zien, is dat Path-IO dat niet alleen kan, maar dat het dat ook kan doen met data van microscopische preparaten die al routinematig worden verzameld."
Rukhmini Bandyopadhyay, PhD, postdoctoraal onderzoeker in het laboratorium van Jia Wu, PhD.
Meer informatie over alle onderwerpen die aan bod komen tijdens de jaarlijkse AACR-bijeenkomst van UT MD Anderson is te vinden op MDAnderson.org/AACR.
Wat is de betekenis van Path-IO en hoe kan het bijdragen aan de klinische zorg?
Immunotherapie is een revolutionaire vooruitgang in de kankerzorg, maar niet alle patiënten hebben er baat bij. Een belangrijke uitdaging in de oncologie is bepalen wie er het meest waarschijnlijk baat bij heeft, zodat artsen behandelingen op maat kunnen afstemmen en onnodige therapieën kunnen vermijden.
De huidige standaardbiomarker voor de uitkomst van immunotherapie is PD-L1-expressie, maar deze heeft slechts een bescheiden voorspellende waarde aangetoond. Sterker nog, in sommige van de validatiegroepen die in dit onderzoek zijn gebruikt, was de voorspellende waarde van PD-L1-expressie net zo groot als die van het opgooien van een munt.
Nieuw onderzoek toont aan dat bepaalde intratumorale structuren, zogenaamde niches, ook belangrijke biomarkers zijn voor het voorspellen van de respons. Path-IO gebruikt pathologische preparaten om deze niches en andere complexe patronen op te sporen die voor mensen lastig betrouwbaar te identificeren zijn. Het model gebruikt deze informatie vervolgens om patiënten in groepen in te delen op basis van hun risico op ziekteprogressie na immunotherapie.
Deze op biologie gebaseerde aanpak is een van de dingen die Path-IO uniek maakt. In plaats van te functioneren als een "black box" AI die volledig nieuwe en vaak oninterpreteerbare patronen identificeert, richt Path-IO zich op reeds bekende weefselkenmerken en -structuren die, hoewel moeilijk consistent te detecteren en te kwantificeren, bekend staan om hun invloed op de behandelingsrespons. Dit vermogen om de genomen beslissingen te verklaren is een belangrijk onderscheidend kenmerk voor de potentiële klinische toepassing ervan.
Path-IO gebruikte een historische dataset van UT MD Anderson om patiënten in te delen in groepen met een hoog en een laag risico. Patiënten in de groep met een hoog risico hadden een tweemaal zo hoog risico op overlijden of ziekteprogressie als patiënten in de groep met een laag risico. Ter validatie testten de onderzoekers het model op verschillende externe datasets met vergelijkbare resultaten.
In totaal is Path-IO gevalideerd bij meer dan 1000 patiënten in meerdere instellingen en landen, en het presteerde significant beter dan PD-L1-testen in alle datasets.
Wat zijn de volgende stappen voor Path-IO?
De volgende cruciale stap voor deze technologie is de validatie ervan in een prospectieve klinische studie. Ter voorbereiding daarop breidt het team de testcohorten al uit met meer diverse patiëntengroepen.
Zoals bij de meeste AI-tools geldt: hoe meer data Path-IO tot zijn beschikking heeft, hoe nauwkeuriger de voorspellingen. In deze studie hebben onderzoekers pathologiegebaseerde voorspellingen al gecombineerd met radiomics en klinische data om het voorspellend vermogen van het model verder te verbeteren.
Bandyopadhyay is ervan overtuigd dat het model binnenkort niet alleen zal kunnen voorspellen of patiënten zullen reageren op immunotherapie, maar zelfs wat de beste immunotherapiestrategie zal zijn, zoals een immuuncheckpointremmer alleen of in combinatie met andere middelen.
Bandyopadhyay hoopt dat dit platform in de toekomst volledig kan worden geïntegreerd met aanvullende gegevens in een digitaal tweelingmodel dat multimodale data, CT-beelden, genomische factoren en andere klinische variabelen omvat.
"Voor zover wij weten, is dit het meest grondig gevalideerde deep-learning pathomics-framework tot nu toe. Maar we staan nog maar aan het begin," aldus Bandyopadhyay. "Naarmate we meer datastromen in het model integreren, zal het verbeteren en specifieker worden in zijn voorspellende vermogen. Hopelijk wordt het zo een belangrijke aanwinst voor clinici die patiënten helpen bij het nemen van belangrijke beslissingen over hun behandelingsopties."