Clinique · Biologie moléculaire · Bioinfo & IA
Multimodal features and prognostic risk assessment in locally advanced gastric cancer patients following neoadjuvant therapy based on machine learning algorithms: a multicenter study
Résumé
Cette étude multicentrique a développé un modèle multimodal (MuMo) pour évaluer le pronostic des patients atteints de cancer gastrique localement avancé après une thérapie néoadjuvante. Le modèle intègre des caractéristiques radiomiques issues d’images CT préopératoires, des données de séquençage transcriptomique post-thérapie néoadjuvante et des données clinicopathologiques. Les algorithmes d’apprentissage automatique ont identifié des facteurs de risque radiomiques et moléculaires indépendants. Le MuMo a démontré une performance supérieure aux modèles unimodaux et à la stadification ypTNM pour prédire la survie globale et la survie sans maladie, suggérant une implication des voies immuno-inflammatoires dans l’efficacité de la thérapie.
Analyse critique
Clinique. Cette étude multicentrique de grande envergure (505 patients) propose un modèle pronostique multimodal pour le cancer gastrique localement avancé post-thérapie néoadjuvante. Les risques radiomiques (HR: 4.0, P < 0.001) et moléculaires (HR: 7.1, P < 0.001) sont des facteurs pronostiques indépendants. Le modèle MuMo, avec des C-index de 0.855 pour la survie globale et 0.786 pour la survie sans maladie, surpasse les méthodes de stadification actuelles. Cela pourrait permettre une meilleure stratification des patients pour des traitements adjuvants personnalisés ou un suivi intensifié, avec un impact clinique potentiel à moyen terme (3-5 ans) en justifiant des essais cliniques pour valider son utilisation en routine.
Biologie moléculaire. La découverte de trois caractéristiques moléculaires significativement associées à la réponse à la thérapie néoadjuvante, obtenues par séquençage d’ARN sur des échantillons post-thérapie néoadjuvante, est notable. L’analyse mécanistique suggère que l’efficacité de la thérapie néoadjuvante est enrichie dans les voies immuno-inflammatoires, ce qui ouvre des pistes pour de nouvelles cibles thérapeutiques ou des biomarqueurs prédictifs de réponse. La validation de ces marqueurs dans des cohortes indépendantes et leur intégration dans des panels de NGS cliniques pourrait suivre.
Bioinfo & IA. L’étude utilise des algorithmes d’apprentissage automatique pour intégrer des données hétérogènes (radiomiques, transcriptomiques, cliniques) dans un modèle multimodal. Le modèle MuMo a été entraîné sur 168 cas et validé sur des cohortes internes (72 cas) et externes (804 cas de TCGA/GEO), démontrant une robustesse. La performance est évaluée par le C-index, montrant une amélioration significative par rapport aux modèles unimodaux. Ce type de modèle pourrait être déployé cliniquement pour automatiser et affiner l’évaluation pronostique, aidant les équipes multidisciplinaires à prendre des décisions éclairées.
Le résumé et l’analyse ont été rédigés par un modèle de langage à partir du titre et du résumé de l’article original. Un curateur a décidé de sa publication. Méthodologie