九州大学的研究人员开发并验证了一种机器学习模型，该模型可以准确评估骨肉瘤(最常见的恶性骨肿瘤)病理图像中治疗后存活肿瘤细胞的密度。该模型可以评估单个肿瘤细胞对治疗的反应，并且可以比传统方法更可靠地预测患者的整体预后。

手术和化疗显著改善了局限性骨肉瘤患者的预后。然而，晚期转移性疾病(癌细胞扩散到远处组织的阶段)患者的存活率很低。在标准的手术和化疗治疗后，评估患者的预后对于确定其后续的个体治疗计划至关重要。然而，预测患者的预后有许多挑战。目前，预后依赖于坏死率评估，病理学家评估肿瘤内死亡组织的比例。不幸的是，这些方法受到病理学家评估差异的限制，可能无法准确预测治疗反应。

认识到需要更快，更准确的预后，共同第一作者来自日本九州大学医学研究生院骨科外科的Kengo Kawaguchi博士和Kazuki Miyama博士以及九州大学医院骨科外科讲师Makoto Endo博士与合作者一起转向人工智能(AI)进行更细致的评估。远藤博士领导的多学科团队包括九州大学的龙马·比斯教授、小田吉雄教授和中岛康春教授。他们的研究发表在2024年1月22日的《njp精密肿瘤学》杂志上，Endo博士解释了研究背后的基本原理，他说:“在传统方法中，坏死率是根据坏死区域而不是单个细胞计数来计算的，这在评估者之间没有足够的可重复性，也不能充分反映抗癌药物的效果。因此，我们考虑使用人工智能来改进估计。”

在研究的第一阶段，该团队训练了一种称为深度学习模型的人工智能来检测存活的肿瘤细胞，并使用患者数据验证其检测性能。人工智能模型显示出在病理图像中检测活肿瘤细胞的熟练程度，与专家病理学家的能力一致。在第二阶段，研究人员分析了两个关键指标:疾病特异性生存期(追踪诊断或治疗后没有直接死亡的时间)和无转移生存期(监测治疗后没有癌细胞扩散到远处身体部位的时间)。他们还探讨了人工智能估计的活肿瘤细胞密度与预后之间的相关性。值得注意的是，人工智能模型的检测性能和精度与病理学家相当，具有良好的可重复性。

接下来，研究人员根据活的肿瘤细胞密度高于或低于400/mm2对患者进行分组。生存分析显示，高密度组的预后较差，而低密度组的疾病特异性生存和无转移生存预后较好。另一方面，坏死率与疾病特异性生存或无转移生存无关。此外，对个别病例的分析显示，人工智能估计的活细胞密度比坏死率更可靠地预测预后。

总的来说，这些发现表明，基于人工智能的活肿瘤细胞测量反映了骨肉瘤固有的恶性(癌症扩散的能力)和个体肿瘤细胞的反应。在病理图像分析中结合人工智能可以提高检测准确性，减少评估者之间的差异，并实现及时评估。此外，存活肿瘤细胞的估计，反映了它们在化疗后继续繁殖的能力，是比细胞死亡更可靠的治疗反应预测指标。本研究开发的人工智能模型的大规模验证可以帮助其在现实临床环境中得到更广泛的应用。

“这种新方法有可能提高接受化疗的骨肉瘤患者预后的准确性。未来，我们打算积极将人工智能应用于罕见疾病，如骨肉瘤，这些疾病在流行病学、发病机制和病因学方面的进展有限。尽管几十年过去了，特别是在治疗策略方面，仍难以取得实质性进展。通过让人工智能来解决这个问题，这可能最终会改变，”远藤博士满怀希望地总结道。