Improved prognostication in endometrial carcinomas by analysis of the tumor microenvironment using automated image analysis and deep learning

Bakgrund

Circa 80% av patienter som diagnostiseras med endometriecancer (cancer i livmoderslemhinnan) överlever efter 5 år. Men det finns grupper av tumörer med specifika molekylära förändringar där bara 50% överlever. Att så många som 50% överlever visar att det finns mekanismer som ligger bakom hur det går för patienterna som vi inte känner till. En sådan mekanism som skulle kunna vara inblandad är det immunsvar som riktas mot tumörer. Vi har sett att det finns ett sådant svar i många av dessa tumörer. Trots detta går det dåligt för många av dessa patienter. Det verkar som om tumörcellerna på något sätt kan undvika immunsystemet.

Beskrivning

Vi undersöker därför i detalj hur immunsvaret ser ut och om tumörcellerna uttrycker proteiner som kan dämpa immunsvaret i tunna snitt från tumörer som opererats ut. De mönster vi hittar kan vi jämföra med kliniska data om hur det går för patienterna och därigenom förbättra våra förutsägelser om hur det kommer att gå för patienterna. Vi använder oss av avancerade datorprogram som kan identifiera celler och av artificiell intelligens där en dator tränas att känna igen de viktiga mönstren och sedan hitta dem i nya prover. Vi kommer även att leta efter molekylära skillnader mellan prover som har de intressanta mönstren och de som inte har dem.

Mål

Genom att tydligt identifiera de patienter som det dåligt för kan vi fokusera på att hitta fungerande behandling för dem. Samtidigt kan vi undvika ytterligare behandling för patienter som kommer att klara sig bra. Vi hoppas även kunna identifiera patienter som skulle kunna ha nytta av immunterapi som aktiverar immunsystemet i fall där tumörcellerna har dämpat immunsvaret. Denna behandling är dyr och ges idag ändas till en liten grupp av patienter med en viss typ av tumör som återkommit.