Integracja radiomiki, głębokiego uczenia, transkryptomiki i metabolomiki ujawnia stratifikację ryzyka prognostycznego oraz leżące u podstaw mechanizmy biologiczne w raku jelita grubego

Dlaczego to badanie ma znaczenie dla pacjentów i rodzin

Rak jelita grubego jest jednym z najczęstszych i najbardziej śmiertelnych nowotworów na świecie, a lekarze wciąż mają trudności z przewidzeniem, którzy pacjenci poradzą sobie dobrze po operacji, a którzy są w większym ryzyku zgonu z powodu choroby. To badanie pokazuje, że powszechne badania obrazowe, w połączeniu z zaawansowaną analizą komputerową i testami molekularnymi, mogą podzielić pacjentów na wyraźne grupy ryzyka i ujawnić ukrytą biologię guzów. W przyszłości takie podejście może pomóc w dopasowaniu leczenia i nadzoru tak, by pacjenci wysokiego ryzyka otrzymywali bliższe monitorowanie i silniejsze terapie, podczas gdy pacjenci niskiego ryzyka uniknęli niepotrzebnych skutków ubocznych.

Wgląd w guzy bez skalpela

Naukowcy skupili się na tomografii komputerowej z kontrastem, rutynowym badaniu obrazowym już stosowanym w ocenie raka jelita grubego. Zamiast polegać na tym, co widzi ludzkie oko, użyli radiomiki i głębokiego uczenia do wydobycia niemal 2 000 drobnych ilościowych cech z obrazów, rejestrując subtelne wzory kształtu i tekstury odzwierciedlające heterogeniczność guza. Następnie systematycznie przetestowali 117 kombinacji dziesięciu algorytmów uczenia maszynowego, aby znaleźć najbardziej wiarygodny sposób powiązania tych cech obrazowych z długością przeżycia pacjentów. Zwycięski model, łączący dwie techniki zwane Lasso i gradient boosting, wygenerował pojedynczy wynik ryzyka dla każdej osoby oparty wyłącznie na przedoperacyjnym skanie CT.

Oddzielanie pacjentów niskiego i wysokiego ryzyka

Wykorzystując skany CT od 1 183 pacjentów leczonych w czterech szpitalach, zespół przeszkolił i rygorystycznie przetestował swój model radiomiki opartej na głębokim uczeniu. Zidentyfikowali próg w wyniku obrazowym, który podzielił pacjentów na grupy niskiego i wysokiego ryzyka. W zestawie treningowym, w wewnętrznej walidacji i w dwóch niezależnych ośrodkach pacjenci z wysokim ryzykiem konsekwentnie żyli krócej niż osoby z grupy niskiego ryzyka. Zdolność modelu do rozróżniania wyników utrzymywała się w wielu podgrupach, w tym u młodszych i starszych pacjentów, mężczyzn i kobiet, przy różnych stadiach guza oraz niezależnie od tego, czy pacjenci otrzymali chemioterapię. Gdy badacze połączyli wynik oparty na obrazie z dwoma standardowymi wskaźnikami klinicznymi — poziomem CEA we krwi i stopniem zajęcia węzłów chłonnych — w prostym narzędziu graficznym zwanym nomogramem, prognozy przeżycia trzy- i pięcioletniego stały się jeszcze dokładniejsze i bardziej użyteczne klinicznie.

Co sprawia, że jeden guz jest groźniejszy od innego?

Aby wyjść poza samą predykcję i zrozumieć, dlaczego niektóre guzy zachowują się bardziej agresywnie, zespół powiązał grupy ryzyka określone na podstawie obrazów z zmianami molekularnymi w raku. W podzbiorze pacjentów przeanalizowali małe cząsteczki w tkance guza za pomocą spektroskopii magnetycznego rezonansu jądrowego i porównali guzy z przyległą tkanką normalną. Stwierdzili, że guzy wysokiego i niskiego ryzyka miały odrębne metaboliczne odciski palców, obejmujące szlaki związane z aminokwasami i krótkołańcuchowymi kwasami tłuszczowymi. Równolegle zbadali aktywność genów w guzach z publicznej bazy obrazów. Guzy wysokiego ryzyka wykazywały silne sygnały z szlaków związanych z macierzą zewnątrzkomórkową — wspierającym rusztowaniem wokół komórek — która jest znana z tego, że pomaga komórkom nowotworowym rozprzestrzeniać się i opierać terapii. Guzy niskiego ryzyka, przeciwnie, były wzbogacone w ścieżki związane z układem odpornościowym i miały wyższy poziom komórek CD8 zabijających komórki nowotworowe, co wskazuje na bardziej aktywne środowisko immunologiczne przeciwnowotworowe.

Ochronne szlaki metaboliczne powiązane z lepszym przeżyciem

Co uderzające, zarówno dane metabolitowe, jak i dane o aktywności genów wskazały na te same dwa szlaki metaboliczne — metabolizm butonianu i metabolizm azotu — jako bardziej aktywne w guzach niskiego ryzyka. Szlaki te są powiązane z produktami bakterii jelitowych i z tym, jak komórki przetwarzają azot, co wpływa na równowagę energetyczną i funkcje odpornościowe. Gdy badacze sprawdzili duży, niezależny zestaw danych obejmujący 417 pacjentów z rakiem jelita grubego z The Cancer Genome Atlas, stwierdzili, że niższa aktywność tych dwóch szlaków była wyraźnie związana z gorszym całkowitym przeżyciem. Sugeruje to, że utrzymanie tych procesów metabolicznych może pomagać hamować wzrost guza lub wspierać silniejszą odpowiedź immunologiczną, i że w przyszłości mogłyby być badane jako biomarkery lub cele terapeutyczne.

Co to oznacza dla przyszłej opieki onkologicznej

Mówiąc prosto, to badanie pokazuje, że połączenie inteligentnej analizy obrazów z profilowaniem molekularnym może zarówno wyostrzyć narzędzia prognostyczne, jak i ujawnić, co dzieje się wewnątrz guzów jelita grubego. Wynik ryzyka uzyskany ze standardowych skanów CT, zwłaszcza w połączeniu z rutynowymi pomiarami klinicznymi, mógłby pomóc lekarzom zidentyfikować pacjentów wymagających bardziej intensywnego leczenia lub nadzoru po operacji. Jednocześnie odkrycie, że określone wzory odpornościowe i szlaki metaboliczne wiążą się z lepszymi wynikami, sugeruje nowe sposoby wspierania obrony organizmu i projektowania terapii ukierunkowanych. Chociaż potrzebne są większe, prospektywne badania, aby potwierdzić te ustalenia, to zintegrowane podejście stanowi krok w kierunku bardziej spersonalizowanej, opartej na biologii opieki dla osób z rakiem jelita grubego.

Cytowanie: Li, Z., Cai, R., Qin, Y. et al. Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer. npj Precis. Onc. 10, 155 (2026). https://doi.org/10.1038/s41698-026-01331-2

Słowa kluczowe: rak jelita grubego, radiomika, głębokie uczenie, metabolizm guza, mikrośrodowisko immunologiczne