Trodelvy
Zkrácená informace o léčivém přípravku 
Souhrn: Autoři studie hledali využití xenograftů (PDX) získaných z nádorů pacientů k optimalizaci a identifikaci robustních radiomických rysů k predikci odpovědi na terapii u spárovaných subtypů triple negativního karcinomu prsu (triple-negative breast cancer, TNBC) PDX a k zavedení PDX optimalizovaného zobrazení v co-clinical studiích TNBC k predikci odpovědi na terapii za použití algoritmu strojového učení (machine learning, ML).
Metody: Pacienti s TNBC a spárované subtypy PDX byli zařazeni do co-clinical studie zobrazení FDG-PET ke zjištění predikce odpovědi na terapii. Bylo získáno sto třicet jedna zobrazovacích význačných rysů z PDX a tumorů pacientů. Robustní zobrazovací charakteristiky byly vybrány na základě reprodukovatelnosti, zkřížené korelace a nezávislosti na objemu. Při stanovení kategorie důležitosti prediktivních radiomických rysů v preklinické PDX studii spolu s ML algoritmem byla využita technika rozhodovacího stromu, naivní Bayesovy klasifikátory (Naive Bayes-NB) a metoda podpůrných vektorů (support vector machine – SVM). Byly definovány čtyři nejlepší PDX optimalizované zobrazovací charakteristiky, definované jako radiomické podpisy (radiomic signatures, RadSig), z nichž každý může být využit k predikci nebo zhodnocení odpovědi na terapii. Byly porovnány s metrickým měřením tumoru (SUV max, SUV mean a SUL peak).
Výsledky: 64 ze 131 preklinických zobrazovacích rysů bylo určeno jako robustní. NB-RadSig ukázal největší význam v predikci a zhodnocení odpovědi na terapii v preklinické PDX studii. V klinické studii byl výsledek SVM-RadSig a NB-RadSig skoro identický a nadřazený metrickému hodnocení predikce/odpovědi.
Závěr: Autoři studie identifikovali robustní radiomický podpis k predikci a zhodnocení odpovědi na terapii v souvislosti s co-clinical zobrazovací studií.
TNBC je velmi heterogenní a agresivní karcinom charakterizovaný špatnou prognózou a vysokým počtem relapsů ve srovnání s ostatními subtypy karcinomu prsu. Dosažení kompletní patologické odpovědi po neoadjuvantní chemoterapii (NACHT) je rozhodujícím prognostickým znakem. Proto je extrémně důležité identifikovat pacienty, kteří odpoví na terapii a mohou se vyhnout neefektivní léčbě. Intratumorózní heterogenita je hlavní příčinou progrese a rezistence k NACHT. Cílem RadSig je zlepšení predikce léčby včasným zhodnocením všech charakteristik tumoru.
Dosud bylo identifikováno šest subtypů TNBC – basal like 1 (BL1) a basal like 2 (BL2), immudomodulatory (IM), mesenchymal (IM), mesenchymal-stem like (MSL) a luminal androgen receptor (LAR). Použití PDX v preklinických studiích poskytuje mnoho výhod, z nichž hlavní je možnost zachování této heterogenity na rozdíl od použití buněčných linií. Spárování jednotlivých subtypů ve studii TNBC PDX umožnilo identifikovat robustní radiomické charakteristiky k predikci odpovědi na terapii a implementovat optimalizované PDX zobrazovací rysy za pomoci ML (machine learning) algoritmu.
Tato co-clinical studie hodnotila účinnost chemoterapie docetaxel/carboplatina u pacientů s TNBC a xenograftů odvozených z tumorů. Do studie bylo zařazeno dvacet pacientů s nově diagnostikovaným TNBC II. nebo III. klinického stadia. Šesti až desetitýdenním samičkám myší bylo (pod anestezií) inokulováno standardizované množství nádorových buněk (získaných od pacientů) do mammární tkáně. PDX byly vyšetřovány PET/CT s FDG v určených intervalech. Pacienti byli sledováni simultánně FDG-PET a MRI, hodnocení bylo prováděno standardně dle PERCIST (positron emission tomography response criteria in solid tumors).
Během klinických i preklinických měření bylo získáno 131 zobrazovacích charakteristik, zahrnující 120 radiomických rysů, objem tumoru, metabolický objem tumoru a devět SUV metrických rysů. Jednotlivá měření byla prováděna zvlášť pro predikci léčby a pro zhodnocení odpovědi na léčbu. V preklinické části byla odpověď na léčbu hodnocena měřením tumoru kaliperem, v klinické části bylo měřítkem dosažení kompletní patologické odpovědi. Predikce byla stanovena za pomoci radiomických rysů získaných během zobrazení a pomocí strojového učení.
Při hodnocení predikce i odpovědi na léčbu se ukázal RadSig jako nejpřesnější metoda ve srovnání s metrickým hodnocením. Tato studie byla první studií cílenou na optimalizaci radiomických rysů v preklinickém PET zobrazení k získání predikce/hodnocení odpovědi na terapii TNBC PDX.
Závěr: Autoři identifikovali robustní FDG-PET radiomické charakteristiky ve smyslu závislosti na objemu, zkřížené korelace a reprodukovatelnosti k predikci a zhodnocení odpovědi na léčbu v preklinické PDX studii. Optimalizované radiomické rysy za pomoci strojového učení vedly k vytvoření RadSig odpovědi na terapii. V preklinické části vedl RadSig ke zlepšení predikce k terapii. Protože byla na PDX zachována heterogenita tumoru, lze nyní aplikovat tento podpis na klinickou část studie. Ukázalo se, že RadSig je přesnější pro predikci i zhodnocení odpovědi na léčbu, nicméně na malém vzorku populace, a tak je potřeba dalších studií k verifikaci tohoto zjištění.
Souhrn článku napsala MUDr. Lucie Reifová