בכתב העת Lung Cancer פורסמו ממצאיו של מחקר אשר בחן את היכולת לנבא באופן טרום-ניתוחי את דרגת התמיינות הגידול (Tumor differentiation grade) בקרב מטופלים עם אדנוקרצינומה של הריאה (Lung adenocarcinoma - ADC) בשלב קליני IA. דרגת ההתמיינות, כפי שהיא מוגדרת על ידי מערכת הדירוג של ה-IASLC, מהווה גורם מפתח בקביעת האסטרטגיה הטיפולית במחלה זו.

במסגרת המחקר, החוקרים ביקשו לפתח ולתקף מודל למידת מכונה (Machine learning) לצורך ניבוי טרום-ניתוחי של דרגת התמיינות הגידול.

המודל שילב מאפיינים רדיומיומיים (Radiomic features) שהופקו מבדיקת PET/CT (מסוג 18F–FDG), יחד עם נתונים על תאי גידול סרטניים במחזור הדם (Circulating tumor cells - CTCs). תאים אלה אופיינו כחיוביים לקולטן פולאט (Folate receptor–positive - FR+).

הניבוי התבסס על מערכת הדירוג של האיגוד הבינלאומי לחקר סרטן הריאה (IASLC) עבור חולים עם אדנוקרצינומה של הריאה בשלב קליני IA.

במחקר רטרוספקטיבי זה נכללו 1,797 מטופלים משני מרכזים רפואיים. הערכה פתולוגית סיווגה 1,008 מקרים כגידולים עם התמיינות נמוכה (Poorly differentiated tumors - PDT) ו-789 מקרים כגידולים שאינם עם התמיינות נמוכה (n-PDT).

במחקר נבנו שלושה סוגי מודלים: מודל קליני, מודל רדיומיומי ומודל משולב. המודל המשולב פותח באמצעות חמישה אלגוריתמים של למידת מכונה, כאשר אלגוריתם מסוג SFFS שימש לזיהוי תת קבוצת המאפיינים האופטימלית. ביצועי המודל הוערכו באמצעות השטח שמתחת לעקומת ה-ROC (מדד AUC), ונעשה שימוש במדד SHAPי(Shapley Additive Explanations) לצורך מתן פרשנות ליכולת הניבוי של המודל.

תוצאות המחקר הדגימו כי המודל המשולב מסוג LightGBMי(Light gradient boosting machine), שכלל את מדד ה-FR+-CTCs ו-11 מאפיינים רדיומיומיים, הציג יכולת ניבוי מעולה בהשוואה למודלים האחרים. ערכי ה-AUC היו 0.960 בקבוצת האימון, 0.906 בקבוצת התיקוף הפנימית ו-0.902 בקבוצת התיקוף החיצונית.

בנוסף, המודל הציג כיול (Calibration) טוב ותועלת נטו גבוהה. הישרדות ללא התקדמות מחלה (Progression-free survival - PFS) היתה שונה באופן מובהק בין חולי ה-PDT לבין חולי ה-n-PDT וכן בין מטופלים שסווגו על ידי המודל כבעלי סיכון גבוה לעומת סיכון נמוך (בשני המקרים p < 0.001).

החוקרים ציינו כי FR+-CTCs הוא סמן ביולוגי חדשני אשר שיפר משמעותית את ביצועי הניבוי של המודל.

החוקרים סיכמו כי המודל המשולב מסוג LightGBM מנבא ביעילות את דרגת התמיינות הגידול בחולים עם אדנוקרצינומה של הריאה בשלב קליני IA. לדבריהם, מודל זה יכול לשמש ככלי עזר חשוב לסיווג רמת הסיכון של המטופלים ובכך לסייע בהתאמה אישית של הטיפול עוד לפני שלב הניתוח.

מקור:

Li Y, Zhang FX, Zhang WL, Shen MJ, Yi JW, Zhao QQ, Zhao QP, Hao LY, Qi JJ, Li WH, Wu XD, Zhao L, Wang Y. ¹⁸F-FDG PET/CT and receptor-positive circulating tumor cells-based machine learning model for predicting poorly differentiated lung adenocarcinoma. Lung Cancer. 2026 Mar 2;215:109353. doi: 10.1016/j.lungcan.2026.109353. Epub ahead of print. PMID: 41785640.

הירשמו לקבלת עדכונים בנושאים שעלו בכתבה