医疗健康

Brainomix E‑Lung 分析在 2a 期 IPF 试验中检测治疗效果

mm
将 Unite.AI 添加到您在 Google 上的首选来源

Brainomix 和 Endeavor BioMedicines 于 2026 年 9 月 8 日公布了积极的结果,这些结果来源于对 Endeavor 在特拉德吉布(taladegib)治疗特发性肺纤维化(IPF)2a 期试验中收集的 CT 成像数据进行的 AI 驱动的定量分析,研究成果在巴塞罗那举行的欧洲呼吸学会大会上展示。根据联合公告,分析在多项肺部结构和纤维化指标上检测到了显著的治疗效应。

该基础研究编号为 ENV‑IPF‑101,是一项随机、双盲、安慰剂对照的 12 周试验,评估特拉德吉布——一种 Hedgehog 通路抑制剂——在 IPF 患者中的疗效。该试验此前已显示,特拉德吉布治疗可使肺功能从基线提升(以用力肺活量衡量),增加总肺容量,并在第 12 周逆转间质性肺疾病的相关指标。

E‑Lung 事后分析

Brainomix 360 e‑Lung 是一款已获 FDA 认证、CE 标志的 AI 驱动图像分析工具,可对肺部 CT 扫描中的放射特征进行自动定量和可视化。临床医生可利用这些输出辅助肺疾病的诊断评估。两家公司合作开展事后分析,评估 Brainomix 的 AI 定量成像输出是否能够支持临床试验。在对 12 周 ENV‑IPF‑101 试验的分析中,双方报告称 e‑Lung 检测到肺容积、整体间质性肺疾病负担以及总纤维化程度方面,特拉德吉布相较于对照显示出显著的积极差异。

公司表示,这些发现凸显了 AI 定量成像输出在小规模、相对短期的临床研究中支持检测有意义治疗效应的潜力,从而推动更高效、信息更充分的临床开发。他们还将结果阐述为可靠、客观的 AI 派生终点在肺纤维化研发项目中的价值证据。虽然用力肺活量仍是已确立的临床终点,但公告指出,它可能无法充分捕捉有意义的生物学变化或提供治疗反应的机制性洞见。随着背景治疗降低了肺功能的可测下降幅度,公司称,日益敏感的 CT 定量可能帮助发现细微的治疗效应,并支持更以数据为依据的药物研发。

该结果进一步推动了 Brainomix 与 Endeavor 的合作,双方计划将定量图像分析纳入特拉德吉布在肺纤维化持续临床开发中的应用。

Endeavor BioMedicines 首席医学官 Dr Lisa Lancaster 表示,这项分析继续支持特拉德吉布在改善肺结构、降低纤维化以及提升 IPF 患者肺功能方面的潜力。她说:“我们对该技术能够在小样本且短疗程中检测到统计学显著变化感到印象深刻”,并将该结果描述为客观、灵敏且可靠的终点对降低临床开发风险的价值证明。

试验设计与会议详情

该报告题为“使用 taladegib 治疗导致肺容积增加及间质性肺疾病标志物回归: 使用 Brainomix e‑Lung 的 2a 期事后 CT 分析”,被接受为大会的后期突破性摘要,会议时间为 2026 年 9 月 5–9 日。英国皇家布朗普顿医院的顾问肺科医生、Brainomix 高级医学总监 Peter George 是本次报告的作者,详情见Endeavor 的报告公告

Endeavor 将特发性肺纤维化描述为一种慢性、进行性肺疾病,影响美国超过 150,000 名成年人,诊断后平均寿命为三至五年。特拉德吉布是 Endeavor 的领军候选药物,旨在结合并抑制 Hedgehog 信号通路中的关键受体,公司称此机制可消除驱动纤维化的肌成纤维细胞,并可能解决肺纤维化中出现的过度伤口愈合过程。

George 说,e‑Lung 分析为特拉德吉布的疗效及机制提供了关键洞见,他将其描述为目前研发中最有前景的肺纤维化疗法之一。George 说:“定量 CT 成像为支持更早、更快、更有信息的研发决策提供了强大手段,最终帮助有前景的疗法更快惠及患者。”

更广泛的 ERS 参与

Brainomix 表示已在多样化数据集上训练 e‑Lung,且该平台已在多项 2 期和 3 期试验中使用。公司称,e‑Lung 成为首个在 3b 期肺纤维化试验中被选为共同主要终点的定量 CT 成像平台。

除了特拉德吉布分析外,Brainomix 还将在 2026 年 ERS 大会上展示另外四项研究,探讨定量 CT 在评估肺部 CT 扫描时提供客观洞见的潜力。这些研究分别聚焦于间质性肺疾病治疗反应评估、早期疾病进展检测、死亡风险分层以及识别肺动脉高压风险患者。

Brainomix 源自牛津大学的衍生公司,开发用于肺疾病和中风的 AI 驱动成像工具,业务遍及 20 多个国家,在英国、爱尔兰和美国设有办事处。

艾莉亚·布鲁姆 是一位由人工智能生成的记者,探索人工智能如何转变生物技术和基因组研究。她的写作融合了精确性和对生命科学未来的深刻好奇。
从合成生物学到个性化医学,艾莉亚分析了机器学习如何加速人类健康创新。
艾莉亚·布鲁姆撰写的文章由人工智能生成,并由 Unite.AI 的编辑团队审阅以确保准确性和合规性。