Lunit a annoncé la présentation de sept études lors de la réunion annuelle de l'American Society of Clinical Oncology (ASCO) 2024 à Chicago, du 31 mai au 4 juin. Lunit présentera les résultats détaillés de plusieurs études innovantes, notamment l'identification de l'expression ultra-faible de HER2 dans le cancer du sein en utilisant une quantification basée sur l'IA, et un modèle basé sur l'apprentissage profond intégrant la tomodensitométrie thoracique et l'analyse histopathologique pour prédire la réponse à l'immunothérapie dans le cancer du poumon non à petites cellules (NSCLC). Dans une présentation de poster, l'analyseur HER2 alimenté par l'IA de Lunit, Lunit SCOPE HER2, a démontré sa capacité à identifier l'expression ultra-faible de HER2 et à la différencier des vrais cas HER2-négatifs chez les patientes atteintes d'un cancer du sein en utilisant la quantification subcellulaire continue à partir des images d'immunohistochimie (IHC) de HER2. Selon les résultats présentés à l'ASCO 2022, les conjugués anticorps-médicament (ADC) ciblant HER2 peuvent cibler efficacement les cellules tumorales même dans les cancers du sein à faible expression de HER2.

Cela souligne l'importance d'identifier avec précision l'expression HER2 faible et HER2 ultra-faible dans le cancer du sein, en particulier pour les patientes précédemment classées comme HER2-négatives. En réponse, Lunit a développé un analyseur d'images de lames entières (WSI) basé sur l'IA pour les lames colorées par IHC afin de différencier les vrais cas HER2-négatifs des cas HER2 ultra-faibles. Le modèle d'IA a évalué plus de 67 millions de cellules tumorales et 119 millions de cellules non tumorales à partir de 401 WSI, identifiant une proportion significative de cas HER2 ultra-faibles parmi les cas HER2 score 0 évalués par le pathologiste.

Cette analyse alimentée par l'IA pourrait élargir et affiner les options de traitement pour les patients avec des thérapies ciblant HER2, comme le démontrent les 23,6% de cas HER2 score 0 identifiés comme HER2 ultra-faible par l'IA, et les 51,9% de cas HER2 score 1+ classés comme HER2 faible par l'IA, comparables au taux de réponse objective de 52,3% à un ADC ciblant HER2 observé dans un autre essai clinique. Dans une autre étude, Lunit a développé et validé un modèle d'IA qui analyse les images de tomodensitométrie thoracique des patients seules et en combinaison avec des images pathologiques pour prédire la réponse aux inhibiteurs de point de contrôle immunitaire (ICI) chez les patients atteints de cancer du poumon non à petites cellules. Le modèle de prédiction du scanner thoracique de Lunit, basé sur l'apprentissage profond et développé à partir des données de 1 876 patients atteints de CPNPC et traités avec des ICI, a prédit la réponse au traitement en se basant sur les scans du scanner thoracique avant le traitement, ainsi que sur le statut PD-L1 et le phénotype immunitaire.

Le modèle a démontré un pouvoir prédictif significatif en tant que biomarqueur indépendant. Les patients prédits comme répondeurs par le modèle AI ont montré un temps médian jusqu'au prochain traitement significativement plus long (TTNT ; 7 mois vs. 2,5 mois) et une survie globale plus longue (OS ; 16,5 mois vs.

7,6 mois) par rapport aux patients prédits comme non répondeurs. La combinaison du modèle AI CT avec des biomarqueurs histopathologiques tels que l'expression de PD-L1 et les lymphocytes infiltrant la tumeur (TIL) a encore amélioré la précision de la prédiction, soulignant les forces complémentaires des données d'imagerie et de pathologie dans l'amélioration des modèles prédictifs de la réponse à l'ICI. Une étude menée en collaboration avec la faculté de médecine de l'université de Stanford a examiné l'association entre les phénotypes immunitaires et les résultats de l'immunothérapie dans le mélanome métastatique, soulignant l'hétérogénéité des phénotypes immunitaires dans les sous-types de mélanome.

Une autre étude menée avec la Northwestern University a utilisé l'analyse des structures lymphoïdes tertiaires (TLS) dans les images H&E de lames entières pour prédire la réponse à l'immunothérapie chez les patients atteints de cancer du poumon non à petites cellules (NSCLC). Cette étude a démontré le potentiel de l'IA dans l'identification de biomarqueurs prédictifs pour les résultats de survie.