Použití zobrazovacích dat a genomických dat k predikci metastáz rakoviny prsu po léčbě

Pozadí

Rakovina prsu je druhou nejčastější příčinou úmrtí žen na celém světě. Jen kvůli rakovině prsu zemřelo v roce 2015 podle statistik WHO 571 000 žen. V Hongkongu je rakovina prsu nejčastější rakovinou u žen.

V současné době se standardní protokol v léčbě rakoviny prsu skládá z chirurgického zákroku (mastektomie), chemoterapie, radioterapie a případně hormonální terapie nebo cílené terapie v závislosti na přítomnosti nebo nepřítomnosti určitých hormonálních receptorů v nádorových buňkách, jako jsou estrogenové receptory (ER), progesteronové receptory (PR) nebo lidský epidermální receptor 2 (HER2). Standardní protokol má za cíl odstranit nádor a zabít všechny zbývající nádorové buňky. Léčba se obvykle upravuje na základě tolerance pacientů a celkového zdravotního stavu. Standardní protokol byl dosud velmi účinný při léčbě pacientek s rakovinou prsu v časném stadiu. Pětileté relativní přežití může být vyšší než 90 %, pokud jsou pacienti léčeni dostatečně včas. Ale stále je velmi náročné léčit pacientky se středním nebo pozdním stádiem rakoviny prsu, zejména ty s metastatickým onemocněním. U pacientů s metastázami klesá 5letá relativní míra přežití na přibližně 20 %. Tento pokles má dva hlavní důvody.

Zatímco všechny rakoviny prsu vycházejí ze stejného orgánu, vývoj rakovinných buněk vykazuje u různých pacientů různé vzorce. To platí zejména tehdy, když rakovina prsu pokročila do středního nebo pozdního stádia. Standardní protokol je však založen na zprůměrovaných statistikách pacientů a nezohledňuje plně jedinečnost jednotlivců. Například pacienti s různým genomovým pozadím reagují odlišně na stejnou dávku léku a pociťují různé vedlejší účinky. Populační léčebné strategie tedy nemohou poskytnout účinnou a optimální léčbu pro každou pacientku, zejména pro pacientky se středním nebo pozdním stádiem rakoviny prsu.

Zlatým klinickým standardem pro diagnostiku rakoviny je multimodální zobrazování: mamografie a ultrazvuk plus patologie bioptické tkáně. Zobrazování bylo účinné při detekci primární rakoviny prsu, ale stává se méně účinným pro sledování pacientek po léčbě, protože jejich primární nádory a postižené lymfatické uzliny byly odstraněny. Zatímco lékaři stále spoléhají na screening orgánů, jako jsou plíce a játra, kde se již prokázaly metastázy, aby monitorovali své pacienty po léčbě, takové screeningové testy nejsou dostatečně citlivé. Pacienti s vyšším rizikem metastáz často promeškají nejlepší příležitost pro úpravu terapie před sekundárním nástupem. Když jsou metastázy pozorovány v jiných částech těla o několik let později, často je již příliš pozdě na jakýkoli účinný zásah.

Pro pacientky, jejichž rakovina prsu je v raném stádiu, je standardní protokol velmi užitečný. Ale u pacientek, jejichž karcinomy prsu jsou již pokročilejší, nemusí standardní protokol a nástroje pro monitorování po léčbě stačit k účinné kontrole dalšího vývoje karcinomu a k zamezení sekundárního nástupu nebo metastáz. Pokud dokážeme přesně předpovědět výskyt metastáz po léčbě primárního karcinomu, mohou být vyšetřovatelé schopni upravit průběh intervence během časového okna mezi primární léčbou nádoru a sekundárním nástupem. Potenciálně mohou být vyšetřovatelé schopni oddálit metastázy nebo se jim dokonce vyhnout.

Mnoho studií prokázalo, že genomové změny patří mezi nejdůležitější faktory iniciující rakovinu a kontrolující její progresi a metastázy. Aby bylo možné takové mutace identifikovat, sekvenační projekty, jako je Cancer Genome Atlas (TCGA) a International Cancer Genome Consortium (ICGC), systematicky studovaly genomy a transkriptomy tisíců rakovin. V důsledku toho bylo identifikováno mnoho mutací, které způsobují rakovinu prsu. Ale role těchto mutací v metastázách rakoviny prsu je stále nejasná.

Klinicky existují určité souvislosti mezi léčbou primárního nádoru a rizikem sekundárního nástupu. Například je známo, že ženy, které dostávají radioterapii po mastektomii, mají vyšší riziko rakoviny plic. Takové asociace jsou však slabé a nemají žádné klinicky použitelné důsledky.

V této studii se náš tým specializující se na chirurgii, onkologii, radiologii, patologii, strojové učení, analýzu lékařského obrazu, jednobuněčnou genomiku, analýzu genomických dat a vývoj rakoviny vypořádá s výzvou předvídání metastáz po léčbě u pacientů s rakovinou prsu. Členové našeho týmu získali klinickou odbornost a silné záznamy o relevantní práci v oblastech včetně léčby a prognózy rakoviny prsu, multimodální obrazové analýzy pro detekci a diagnostiku rakoviny a predikce relapsu glioblastomu pomocí identifikace klíčových rysů evoluce rakoviny. Na základě našich rozsáhlých zkušeností vyšetřovatelé předpokládají, že kombinace multimodálních zobrazovacích dat a genomických dat, shromážděných jak v době diagnózy, tak během období sledování po léčbě, poskytne dostatečné informace k předpovědi rizika metastáz navzdory neúplné pochopení základních biologických mechanismů. Metody založené na strojovém učení již ukázaly velký potenciál při řešení problému heterogenity mezi pacienty s rakovinou, což umožnilo vybudovat jednotný nástroj pro predikci rizika metastáz po léčbě.

Jakmile bude takový predikční model vyvinut a ověřen, umožní lékařům provádět úpravy v léčbě pacientů. Před získáním úplného vhledu do biologického mechanismu za metastázami by takový predikční nástroj nabídl efektivní způsob, jak vybrat nejlepší léčbu pro zlepšení kvality života každého pacienta a prodloužení jeho délky života.

Ještě důležitější je, že taková predikční technika by měla být potenciálně zobecnitelná na jiné typy rakoviny. Pokud ano, mělo by to obrovský dopad na klinickou praxi v léčbě rakoviny a monitorování po léčbě.

Metodika a plán spolupráce

1. Návrh studie Aby se maximalizovalo využití existujících dat, výzkumníci provedou retrospektivní studii smíchanou s pilotní fází prospektivní studie. V retrospektivní studii budou vyšetřovatelé používat veřejně dostupné snímky a genomická data pacientek s rakovinou prsu před a po léčbě k provedení analýzy obrazu, výběru vlastností a vytváření prediktorů. Aby se kompenzoval nedostatek odpovídajících obrazových a genomických dat ve veřejné databázi, doplní ji vyšetřovatelé o nová data shromážděná v pilotní prospektivní studii, pro kterou vyšetřovatelé naberou 400 pacientek s rakovinou prsu. Všichni podstoupí chirurgickou léčbu plus chemoterapii a/nebo radioterapii a snímky a genomická data budou shromážděna v době diagnózy. Odpovídající genomická data pro tyto pacienty pak budou shromažďována ročně po dobu až 4 let. Za předpokladu výskytu metastáz 15 % během 5 let bude mít během studie metastázy asi 60 pacientů. Shromážděná data a metadata klinických výsledků se použijí k vyhodnocení přesnosti predikčního modelu a v budoucích studiích.

2. Sběr dat Společnost BGI Ltd. tento projekt sponzoruje. Jak je vysvětleno v jejich podpůrném dopise, BGI nám poskytne zobrazovací data a genomická data od 200 pacientek s rakovinou prsu, abychom vytvořili predikční model. Tato podpora poskytne pevný základ pro získání dostatečných údajů.

   Dr. Wing Cheong Chan je prsní chirurg v Severní okresní nemocnici (NDH) a je také chirurgem, který má na starosti operace prsu pro celý New Territories East Cluster (NTEC) Správy nemocnic. Jako čestný klinický asistent na Chirurgické klinice CUHK Dr. Chan již dlouhou dobu úzce spolupracuje s prof. Yeo a Dr. Tse na diagnostice a léčbě rakoviny prsu. Jeho divize každoročně provádí operace na zhruba 260 pacientkách s rakovinou prsu. Bude zodpovědný za průběžný nábor 200 pacientek s rakovinou prsu s pozitivním nebo negativním stavem ER/PR a bude poskytovat vzorky čerstvé nádorové tkáně a krve pro získávání genomických dat. Prof. Winnie Yeo je klinický onkolog v nemocnici Prince of Wales Hospital (PWH) v CUHK. Ročně léčí v průměru více než 500 pacientek s rakovinou prsu, včetně těch operovaných v NDH. Bude zodpovědná za sledování 200 pacientek s rakovinou prsu přijatých po jejich operacích a jiné léčbě a bude odebírat vzorky krve během období sledování. Poskytne relevantní anonymizovaná klinická data pro vytvoření predikčního nástroje a také poskytne klinickou zpětnou vazbu o prediktivních funkcích, které tým HKUST získá ze snímků a genomických dat.

   Prof. Winnie Chu, radiolog, a Dr. Gary Tse, patolog, oba z PWH, poskytnou značené mamografie, ultrazvukové snímky a snímky bioptované tkáně spolu s údaji o biomarkerech pro stejných 200 pacientů. Poté budou v určitých intervalech poskytovat následné snímky a další data screeningových testů. Někteří pacienti dostanou vyšetření magnetickou rezonancí, která budou také zahrnuta do dat pro predikci na základě obrazu. Všechna data pacienta budou anonymizována. Dr. Chan a profesor YEO poskytnou klinickou zpětnou vazbu o prediktivních funkcích. Standardní protokol pořizování snímků naleznete v příloze 2.

   Prof. Angela Wu, expertka na genomiku a vývoj technologií v divizi biologických věd a na katedře chemického a biologického inženýrství na HKUST, bude pracovat na přípravě vzorků a sběru genomových dat. Bude sbírat genomická data pro analytický tým. Prof. Wu má rozsáhlé zkušenosti v genomice, a to zejména v oblasti genomických testů a vývoje technologií, jak dokládají její publikace. Její tým provede celoexomové sekvenování (WES) a hromadné sekvenování RNA pacientů s nádory, aby bylo možné identifikovat klíčové mutace v oblastech kódujících protein a vztah mezi těmito mutacemi a genovou expresí. Potrubí WES a RNA-seq bude využívat standardní postupy extrakce DNA a RNA následované sekvenováním Illumina s párovým koncem. Každoročně bude u každého pacienta po operaci prováděno také bezbuněčné sekvenování DNA, aby se kvantifikovala nádorová DNA v krvi pacienta. Výzkumníci se pokusí korelovat výsledky s morfologickými změnami v průběhu času, jak je popsáno zobrazováním. Bezbuněčná DNA bude extrahována pomocí upravených protokolů, které byly optimalizovány a ověřeny v laboratoři prof. Wu.

3. Analýza dat a vytváření prediktorů Analytický tým se skládá ze čtyř profesorů inženýrství a biologických věd. Budou analyzovat multimodální zobrazovací data a genomická data, sestavit jednotný prediktor a vyhodnocovat jeho výkon.

   1. Analýza obrazu Prof. Tim Cheng je expert na analýzu obsahu obrazu pomocí strojového učení. Jeho tým nedávno vyvinul konvoluční neuronové sítě pro detekci a diagnostiku rakoviny prostaty z MRI snímků. Prof. Albert Chung se specializuje na analýzu lékařského obrazu s přibližně 20 lety zkušeností. Prof. Weichuan Yu je odborníkem na analýzu ultrazvukových snímků. Budou společně analyzovat mamografy, ultrazvukové snímky, patologické snímky a případně snímky MRI s cílem extrahovat obrazové rysy spojené s metastázami, které lze použít v prediktoru. Kandidáty jsou 2D vlnkové transformační koeficienty, matice společného výskytu na úrovni šedé a lokální binární a ternární vzory, které se ukázaly být užitečné při detekci abnormalit. Pomocí snímků, které mají základní pravdu, budou extrahovány reprezentativní obrazové rysy, které pomohou odlišit normální, benigní a maligní tkáně. Budeme také zkoumat různé klasifikátory, jako jsou umělé neuronové sítě, náhodný les a podpůrný vektorový stroj, pro jejich účinnost při segmentování obrázků prsou na základě extrahovaných znaků. K segmentaci obrazu budou vyšetřovatelé používat hluboké konvoluční neuronové sítě, jako je U-net a ResNet. Výsledky segmentace získané z metod založených na vlastnostech a z metod založených na hlubokém učení budou sloučeny do pravděpodobnostního rámce, jako je Markovova metoda náhodného pole. To by mělo umožnit spojení jejich výstupu v prediktoru.

      Stručně řečeno, vyšetřovatelé nasadí sadu nástrojů obsahující nejmodernější metody analýzy lékařského obrazu a zkombinují je. Vyšetřovatelé prodiskutují extrahované vlastnosti obrazu s klinickým týmem pro zpětnou vazbu.

   2. Analýza genomových dat Údaje o genomu budou analyzovány týmem složeným z prof. Jiguang Wanga, počítačového biologa, a prof. Weichuana Yua, se zkušenostmi v asociaci celého genomu. Prof. Tim Cheng a Albert Chung také přispějí k této části studie aplikací strojového učení na data genomu. Prof. Wang prokázal, že určité mutace mozkových nádorů pozorované v raném stádiu vývoje rakoviny lze použít k predikci výsledků léčby. Tyto metody budou přizpůsobeny údajům o rakovině prsu, aby bylo možné predikovat metastázy nádoru. Kromě toho výzkumníci v předběžné studii zjistili, že změna počtu kopií v ERBB2 u rakoviny prsu ukazuje silnou souvislost s metastázami v mozku. Toto pozorování bude dále potvrzeno a zdůvodněno následnou prací v této navrhované studii. Poté, co vyšetřovatelé vyberou rysy genomu jako cíle, budou vyšetřovatelé spolupracovat s klinickým týmem na řešení lékařských důsledků.
   3. Vytvoření prediktoru metastáz Výzkumníci plánují formulovat úlohu predikce jako problém statistické inference s Bayesovským pravděpodobnostním rámcem. Všechna měření a jejich úrovně nejistoty pak mohou být konzistentně modelovány a matematicky integrovány. Všechna měření mohou být například reprezentována jako pozorování v grafickém pravděpodobnostním modelu a výsledek predikce lze odvodit odhadem maximálního a posteriori (MAP) řešení. Protože vyšetřovatelé budou shromažďovat data anotovaná lékaři, očekávají, že parametry modelu lze inicializovat a efektivně trénovat. Vyšetřovatelé také prozkoumají formulování předpovědního úkolu jako klasifikačního problému a prozkoumají použití více společně trénovaných konvolučních neuronových sítí, z nichž každá zpracovává pouze obrazová nebo genomová data, pro provádění klasifikace.
4. Vyhodnocení Oblast pod křivkou ROC (ROC) křivky (AUC) bude hlavním kritériem pro hodnocení přesnosti predikce našeho nástroje pro predikci metastáz. V současné době se uvádí nejlepší výkon predikce metastáz rakoviny prsu pouze za použití zobrazovacích dat, plocha pod křivkou (AUC) byla asi 55 % pro riziko relapsu a proliferace založené na genovém testu PAM50. Na základě našeho průzkumu dosud nebyla navržena žádná metoda pro použití genomových dat pro predikci metastáz rakoviny prsu, ačkoli genomický vývoj metastáz a relapsu rakoviny prsu byl aktivně zkoumán. Vyšetřovatelé očekávají, že přesnost předpovědi by se měla zvýšit alespoň o 5 % až 10 % poté, co vyšetřovatelé zkombinují jak zobrazovací data, tak genomická data.

Nedávno Mobadersany et al. uvedl, že konvoluční neuronová síť pro přežití (SCNN) může překonat manuální model základní linie histologického stupně tím, že kombinuje obrazy patologie a genomové biomarkery při předpovídání výsledku gliomu. Autoři použili Harrellův c index z pohledu analýzy přežití k měření přesnosti predikce. Medián c indexu dosáhl 0,75 pomocí SCNN. Zatímco rakovina prsu je velmi odlišná od gliomu a AUC se liší od Harrellova c indexu, tento dokument demonstroval pozitivní příklad kombinace obrazových dat a genomových dat při predikci výsledku rakoviny.

Vezměte prosím na vědomí, že sledování úplných klinických výsledků 400 pacientů, které výzkumníci plánují přijmout do tohoto projektu, bude trvat mnohem déle. Vyšetřovatelé plánují získat další finanční prostředky na pokračování naší studie po dokončení tohoto projektu.