Revoluce v léčbě rakoviny prostaty: AI předpoví dávku radiace pro personalizovanou terapii

Nový přístup založený na umělé inteligenci (AI) by mohl zásadně změnit léčbu metastatického kastračně rezistentního karcinomu prostaty (mCRPC). Tato inovativní metoda dokáže odhadnout dávku záření pro nádory i zdravé orgány ještě před zahájením terapie.

Nový přístup založený na umělé inteligenci (AI) by mohl zásadně změnit léčbu metastatického kastračně rezistentního karcinomu prostaty (mCRPC). Tato inovativní metoda dokáže odhadnout dávku záření pro nádory i zdravé orgány ještě před zahájením terapie. Využívá k tomu data, která jsou již k dispozici z předterapeutických PET/CT skenů, což otevírá cestu k personalizovaným léčebným plánům, lepšímu výběru pacientů a snížení rizika toxicity.

Dosimetrie je klíčová pro optimalizaci radiofarmaceutické terapie 177Lu-PSMA u mCRPC. V současnosti se k výpočtu dosimetrie obvykle používá zobrazování po terapii, což je časově náročné a vyžaduje značné zdroje. Předterapeutické PET/CT skeny však nabízejí příležitost posoudit potenciální účinnost a rizika léčby ještě před jejím zahájením. Dr. Amit Nautiyal, vědec a člen NIHR z University Hospital Southampton, zdůrazňuje, že 18F-PSMA PET/CT se již rutinně provádí u pacientů s rakovinou prostaty, ale jeho potenciál pro předpověď dávky záření dosud nebyl prozkoumán.

Ve studii, která slouží jako důkaz konceptu, bylo analyzováno devět pacientů s mCRPC, u nichž bylo zkoumáno 57 nádorů, 36 slinných žláz a 18 ledvin. Vědci vyvinuli model strojového učení se smíšenými efekty pro předpověď absorbovaných dávek v nádorech a orgánech. Prediktory zahrnovaly metriky PET založené na vychytávání, radiomické rysy a klinické biomarkery. Předpovědi byly porovnány s dosimetrií vypočítanou po jednom cyklu terapie 177Lu-PSMA, aby se posoudila jejich přesnost.

Model strojového učení založený na předterapeutickém 18F-PSMA PET/CT prokázal slibnou schopnost předpovídat absorbovanou dávku v nádorech a orgánech. Kombinací dat o vychytávání, radiomiky a klinických biomarkerů, a zároveň zohledněním variability na úrovni pacienta, model ukazuje potenciál pro využití předterapeutických informací k předpovědi dosimetrie po terapii.

Pokud se tento přístup potvrdí ve větších studiích, mohl by výrazně zlepšit výběr pacientů a podpořit lepší rozhodování při předléčebném posouzení, což by pomohlo optimalizovat terapii 177Lu-PSMA pro každého jednotlivého pacienta. Tento výzkum je součástí plánovaného pětiletého programu, jehož cílem je shromáždit více dat a vyvinout robustní a validovaný model. Budoucí práce se zaměří na větší, multicentrické kohorty, aby se zpřesnily předpovědi absorbované dávky před terapií a provedla nezávislá validace, která podpoří stratifikaci pacientů pro personalizovanou radiofarmaceutickou terapii 177Lu-PSMA v klinické praxi.