Nádory neznámé primární lokalizace (CUP – cancers of unknown primary) představují vzhledem ke své heterogenitě diagnostický oříšek. Jedná se o skupinu histologicky verifikovaných maligních nádorů, u kterých se běžnými postupy nepodařilo identifikovat primární nádor. Nádory neznámé primární lokalizace tvoří asi 3–5 % veškerých diagnostikovaných nádorových onemocnění. Nejčastěji se jedná o adenokarcinomy, následované skvamózními a nediferencovanými karcinomy.
Pro CUP je často charakteristická časná diseminace, agresivní průběh a mnohočetné metastázy v několika orgánech. Většina pacientů má i přes využití různých chemoterapeutických kombinací velmi špatnou prognózu. Mediánu přežití 10 měsíců dosahuje jen asi pětina nemocných.
Klíčem pro určení primárního nádoru obvykle bývá imunohistochemické barvení koktejlem asi 20 různých protilátek. Úspěšnost tohoto postupu však nedosahuje ani 30 %. Další diagnostický přístup spoléhá na nádorové buňky přítomné v tělních tekutinách. Značná část pacientů s CUP přichází s pleurálními nebo peritoneálními metastázami a přítomným pleurálním výpotkem či ascitem. Nádorové buňky přítomné v těchto tekutinách mohou svou morfologií připomínat primární nádor.
V univerzitní nemocnici v Tchien-ťinu bývá takto každoročně diagnostikováno asi 4000 pacientů. Diagnózu se však nepodaří určit přibližně u 300 nemocných. Bioinformatici a lékaři z multidisciplinárního výzkumného týmu tchientinské univerzity se proto rozhodli vyvinout algoritmus založený na hlubokém učení (deep learning), který by s obrazovou analýzou pomohl.
Vyvinutý model, nazvaný TORCH (tumor origin differentiation using cytological histology) vědci trénovali na přibližně 30 tisících snímků buněk nalezených v pleurálním výpotku nebo ascitu 21 tisíc pacientů s nádorem neznámého původu. Model byl poté otestován na dalších 27 tisících snímků ze 3 nezávislých datových sad (viz obr.). Jeho přesnost (tedy schopnost správně předpovědět původ primárního nádoru) dosahovala 83 %, a to s 99% šancí, že původ nádoru bude zahrnut ve 3 návrzích s nejvyšším skóre (top-3).
Obr: Schéma vývoje a testování algoritmu TORCH
Schopnost algoritmu nabídnout 3 nejpravděpodobnější možnosti je velmi užitečná, neboť lékařům umožňuje omezit počet dalších, mnohdy invazivních vyšetření nutných pro odhalení původního nádoru. Predikce původců metastatického onemocnění byla omezena na 12 nejběžnějších typů, včetně nádorů plic, vaječníků, prsu či žaludku. Některé jiné nádory, jako například karcinomy prostaty či ledvin, takto ovšem nebylo možno identifikovat, zejména protože se obvykle nešíří do tekutin deponovaných v hrudní či břišní dutině.
Při následném testování na reálných datech, které zahrnovalo 495 cytologických snímků (z nichž 333 bylo maligních a 162 benigních), byl model TORCH spolehlivější než lékař-patolog. 4 zúčastnění patologové dosahovali podle délky své praxe přesnosti od 43 do 70 %, zatímco model předpovídal nejpravděpodobnějšího původce nádoru s přesností 78,8 %. Zlepšení bylo statisticky signifikantní (všechna p v permutačním testu < 0,001).
Vědci také retrospektivně analyzovali výsledky souboru 391 pacientů, jejichž léčba byla ukončena asi před 4 lety. Ukázalo se, že ti, jež dostávali léčbu odpovídající typu nádoru, který u nich model předpověděl, měli větší pravděpodobnost i délku přežití (27 vs. 17 měsíců) než ti, u nichž predikce modelu neodpovídala podané léčbě.
Model TORCH se jeví jako účinný nástroj pro odlišení malignity od benigní cytologie a mohl by se využívat jako pomocný nástroj pro predikci původu primárního nádoru. Potenciální klinický benefit tohoto nástroje bude nutno ověřit v randomizovaných klinických studiích.
(este)
Zdroje:
1. Tian F., Liu D., Wei N. et al. Prediction of tumor origin in cancers of unknown primary origin with cytology-based deep learning. Nat Med. 2024; 30 (5): 1309–1319, doi: 10.1038/s41591-024-02915-w.
2. Mallapaty S. AI traces mysterious metastatic cancers to their source. Nature. 2024; 628 (8009): 699–700, doi: 10.1038/d41586-024-01110-8.
