《柳叶刀》杂志发表的一项研究首次确定了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以分析CT扫描图像，Gustave Roussy，CentraleSupélec，Inserm，巴黎南大学和TheraPanacea的医学研究人员(从CentraleSupélec衍生出来，专门研究肿瘤学，放射疗法和精密医学方面的人工智能)所谓的放射学签名。
该标记定义了肿瘤的淋巴细胞浸润水平，并为患者免疫疗法的疗效提供了预测分数。因此，将来，医生可能可以使用成像技术来识别位于人体任何部位的肿瘤中的生物学现象，而无需进行活检。
迄今为止，在只有15%到30%的患者对此疗法有反应的情况下，没有任何标记物可以准确识别出那些将对抗PD-1 / PD-L1免疫疗法产生反应的患者。众所周知，从免疫学角度出发，肿瘤环境越丰富(存在淋巴细胞)，免疫疗法有效的机会就越大，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。这是《柳叶刀肿瘤》发表的研究中设计并验证的放射学签名的目标。
在这项回顾性研究中，对来自四个独立队列的500例实体瘤(所有部位)患者进行了放射学签名的捕获，开发和验证。经过基因组学，组织学和临床验证，使其特别坚固。
该团队首先使用基于机器学习的方法，教该算法使用从参与Moscato研究的患者的CT扫描中提取的相关信息，该信息还保存了肿瘤基因组数据。因此，仅基于图像，该算法学会了预测基因组可能揭示的有关肿瘤免疫浸润的信息，特别是关于肿瘤中细胞毒性T淋巴细胞(CD8)的存在，并建立了放射学特征。
在包括TCGA(癌症基因组图谱)在内的其他队列中对该签名进行了测试和验证，从而表明成像可以预测生物学现象，从而可以估计肿瘤的免疫浸润程度。
然后，为了在实际情况下测试该签名的适用性并将其与免疫疗法的功效相关联，使用参与抗PD-1 / PD的5期I期试验的患者在治疗开始前进行的CT扫描对其进行了评估-L1免疫疗法。发现免疫疗法在3个月和6个月有效的患者放射线评分较高，而总生存期较好的患者。
下次临床研究将回顾性和前瞻性评估签名，将使用更多的患者，并将根据癌症类型对他们进行分层，以完善签名。
这还将采用更先进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，巴黎南大学，CentraleSupélec和TheraPanacea之间合作的目标，目的是确定最有可能对治疗产生反应的患者，从而提高治疗的功效/成本比。
