Lunit ha annunciato la presentazione di sette studi al Meeting Annuale della Società Americana di Oncologia Clinica (ASCO) 2024 a Chicago, dal 31 maggio al 4 giugno. Lunit presenterà i risultati dettagliati di diversi studi innovativi, tra cui l'identificazione dell'espressione ultra-bassa di HER2 nel cancro al seno utilizzando la quantificazione basata sull'AI, e un modello basato sull'apprendimento profondo che integra la TAC del torace e l'analisi istopatologica per prevedere la risposta all'immunoterapia nel carcinoma polmonare non a piccole cellule (NSCLC). In una presentazione su poster, l'analizzatore HER2 con AI di Lunit, Lunit SCOPE HER2, ha dimostrato la capacità di identificare l'espressione ultra-bassa di HER2 e di differenziarla dai veri casi HER2-negativi nelle pazienti di cancro al seno, utilizzando la quantificazione subcellulare continua dalle immagini di immunoistochimica (IHC) di HER2. Secondo i risultati presentati all'ASCO 2022, i coniugati anticorpo-farmaco (ADC) mirati a HER2 possono colpire efficacemente le cellule tumorali anche nei tumori al seno a bassa espressione di HER2.

Ciò evidenzia l'importanza di identificare con precisione l'espressione di HER2-basso e HER2-ultra-basso nel cancro al seno, soprattutto per le pazienti precedentemente classificate come HER2-negative. In risposta, Lunit ha sviluppato un analizzatore di immagini a tutto schermo (WSI) basato sull'AI per i vetrini colorati con IHC, al fine di distinguere tra i veri casi HER2-negativi e HER2 ultra-bassi. Il modello AI ha valutato oltre 67 milioni di cellule tumorali e 119 milioni di cellule non tumorali da 401 WSI, identificando una percentuale significativa di casi HER2 ultra-bassi tra i casi HER2 score 0 valutati dal patologo.

Questa analisi alimentata dall'AI potrebbe ampliare e perfezionare le opzioni di trattamento per i pazienti con terapie mirate a HER2, come dimostrato dal 23,6% dei casi con punteggio HER2 0 identificati come HER2 ultra-basso dall'AI e dal 51,9% dei casi con punteggio HER2 1+ classificati come HER2 basso dall'AI, paragonabile al tasso di risposta obiettiva del 52,3% a un ADC mirato a HER2 osservato in un altro studio clinico. In un altro studio, Lunit ha sviluppato e convalidato un modello di AI che analizza le immagini TC del torace dei pazienti da sole e in combinazione con le immagini della patologia, per prevedere la risposta agli inibitori del checkpoint immunitario (ICI) nei pazienti con NSCLC. Il modello di previsione della TAC toracica basato sull'apprendimento profondo di Lunit, sviluppato utilizzando i dati di 1.876 pazienti NSCLC trattati con ICI, ha previsto la risposta al trattamento in base alle TAC toraciche pre-trattamento, insieme allo stato PD-L1 e al fenotipo immunitario.

Il modello ha dimostrato un significativo potere predittivo come biomarcatore indipendente. I pazienti previsti come responder dal modello AI hanno mostrato un tempo mediano al trattamento successivo significativamente più lungo (TTNT; 7 mesi vs. 2,5 mesi) e una sopravvivenza globale più lunga (OS; 16,5 mesi vs. 7,6 mesi) rispetto ai pazienti che hanno ricevuto il trattamento.

7,6 mesi) rispetto ai pazienti previsti come non-responder. La combinazione del modello AI CT con biomarcatori istopatologici come l'espressione di PD-L1 e i linfociti infiltranti il tumore (TIL) ha ulteriormente migliorato l'accuratezza della previsione, evidenziando i punti di forza complementari dei dati di imaging e di patologia nel migliorare i modelli predittivi della risposta all'ICI. Uno studio in collaborazione con la Stanford University School of Medicine ha esaminato l'associazione dei fenotipi immunitari con i risultati dopo l'immunoterapia nel melanoma metastatico, evidenziando l'eterogeneità dei fenotipi immunitari nei vari sottotipi di melanoma.

Un altro studio condotto con la Northwestern University ha utilizzato l'analisi AI delle strutture linfoidi terziarie (TLS) nelle immagini H&E whole-slide per prevedere la risposta all'immunoterapia nei pazienti con NSCLC. Ciò ha dimostrato il potenziale dell'AI nell'identificazione di biomarcatori predittivi per i risultati di sopravvivenza.