Interdyscyplinarny zespół naukowców z BIFOLD (Berlin Institute for the Foundations of Learning and Data), Technische Universität Berlin, Universitätsklinikum Köln, Charité – Universitätsmedizin Berlin, firmy Aignostics oraz Ludwig-Maximilians-Universität München (LMU) opracował nowatorską, wspomaganą sztuczną inteligencją metodę, która umożliwia bardziej precyzyjne prognozowanie przebiegu choroby u pacjentów z rakiem płuca. Wyniki badań opublikowano w czasopiśmie Nature Communications.
Badacze opracowali nowe podejście pozwalające trafniej ocenić prawdopodobieństwo nawrotu raka płuca. Dotychczas predykcja ta, szczególnie we wczesnych stadiach choroby, była ograniczona i opierała się przede wszystkim na klasycznych cechach nowotworu, takich jak wielkość guza czy zajęcie węzłów chłonnych. Tradycyjne „staging” nie obejmuje jednak szczegółowej analizy interakcji pomiędzy komórkami nowotworowymi, komórkami układu odpornościowego oraz elementami zrębu w mikrośrodowisku guza.
W ramach projektu połączono dane histologiczne, obrazowanie multiparametryczne typu multiplex immunofluorescence oraz multimodalne uczenie maszynowe. Pozwoliło to szczegółowo zbadać złożone struktury komórkowe i ich interakcje w mikrośrodowisku nowotworowym u 1168 pacjentek i pacjentów z dwóch dużych niemieckich ośrodków onkologicznych.
Naukowcy zidentyfikowali 43 różne typy komórek oraz ich przestrzenne relacje w obrębie mikrośrodowiska guza, definiując tak zwane nisze komórkowe. Są to niewielkie, lokalne skupiska komórek w promieniu około 34 µm, w których analizowano skład komórkowy (m.in. komórki nowotworowe, limfocyty T i B, makrofagi). Połączenie tych danych z parametrami klinicznymi przy pomocy algorytmów sztucznej inteligencji wyraźnie poprawiło możliwości stratyfikacji ryzyka.
„Sztuczna inteligencja pomaga nam lepiej zrozumieć przestrzenną organizację komórek oraz powstawanie specyficznych nisz komórkowych w obrębie guza, a następnie przełożyć tę wiedzę na kliniczne decyzje”, podkreśla PD dr Simon Schallenberg, patolog z Charité i jeden z pierwszych autorów publikacji.
„Te wzorce nisz komórkowych dostarczają istotnych prognostycznie informacji uzupełniających klasyczne metody oceny zaawansowania choroby. Udało nam się wykazać, że skład komórkowy mikrośrodowiska guza jest silnie powiązany z przeżyciem pacjentów, szczególnie we wczesnych stadiach raka płuca”, wyjaśnia prof. dr Frederick Klauschen, kierujący grupą badawczą w BIFOLD i patolog w LMU München. „Wiele osób na tym etapie można skutecznie wyleczyć samą operacją, jednak nie u wszystkich jest to wystarczające. Nasza metoda pozwala lepiej identyfikować chorych z większym ryzykiem nawrotu, którzy mogą odnieść korzyść z terapii uzupełniającej.”
„Nasze wyniki pokazują, że multimodalna, wyjaśnialna sztuczna inteligencja może ujawnić klinicznie istotne zależności w danych biomedycznych, które są trudne do wykrycia konwencjonalnymi metodami. System łączy analizę obrazową opartą na AI z algorytmicznymi modelami predykcyjnymi, jest zautomatyzowany i wymaga dalszej walidacji w badaniach prospektywnych”, dodaje prof. dr Klaus-Robert Müller z BIFOLD/TU Berlin.
Praca zespołu podkreśla, że integracja nowoczesnych technik obrazowania z zaawansowanymi modelami sztucznej inteligencji otwiera drogę do nowych wglądów w biologię nowotworów. Stanowi to istotny krok w kierunku bardziej precyzyjnej diagnostyki oraz lepiej dopasowanych, spersonalizowanych strategii terapeutycznych.
Źródło: Schallenberg S., Dernbach G., et al. (2025): AI-powered spatial cell phenomics enhances risk stratification in non-small-cell lung cancer. Nature Communications 16, 9701. doi.org/10.1038/s41467-025-65783-z
