Brug af billeddata og genomiske data til at forudsige metastaser af brystkræft efter behandling

Baggrund

Brystkræft er den næststørste dødsårsag blandt kvinder over hele verden. Ifølge WHO-statistikker døde 571.000 kvinder i 2015 alene på grund af brystkræft. I Hong Kong er brystkræft den mest almindelige kræftform blandt kvinder.

I øjeblikket består standardprotokollen i brystkræftbehandling af kirurgi (mastektomi), kemoterapi, strålebehandling og muligvis hormonbehandling eller målrettet terapi afhængigt af tilstedeværelsen eller fraværet i tumorceller af visse hormonreceptorer såsom østrogenreceptorer (ER), progesteronreceptorer (PR), eller human epidermal receptor 2 (HER2). Standardprotokollen sigter mod at fjerne tumoren og dræbe eventuelle resterende tumorceller. Behandlingen tilpasses normalt ud fra patienternes tolerance og generelle helbredstilstand. Standardprotokollen har hidtil været meget effektiv til behandling af patienter med tidligt stadie af brystkræft. Den relative 5-årige overlevelsesrate kan være højere end 90 %, hvis patienterne behandles tidligt nok. Men det er stadig meget udfordrende at behandle patienter med mellem- eller sent stadium af brystkræft, især dem med metastatisk sygdom. For patienter med metastaser falder den 5-årige relative overlevelse til omkring 20 %. Der er to hovedårsager til dette fald.

Mens alle brystkræftformer starter fra det samme organ, viser udviklingen af ​​kræftceller forskellige mønstre hos forskellige patienter. Dette gælder især, når brystkræft er fremskreden i de midterste eller sene stadier. Standardprotokollen er imidlertid baseret på gennemsnitlig patientstatistik og tager ikke fuldt ud højde for individernes unikke karakter. For eksempel reagerer patienter med forskellig genomisk baggrund forskelligt på den samme lægemiddeldosis og oplever forskellige bivirkninger. Befolkningsbaserede behandlingsstrategier kan således ikke give effektiv, optimal behandling for hver patient, især for patienter med mellem- eller sent stadium af brystkræft.

Den kliniske guldstandard for kræftdiagnose er multimodalitetsbilleddannelse: mammografi og ultralyd, plus patologi af biopsieret væv. Billeddiagnostik har været effektiv til at påvise primær brystkræft, men den bliver mindre effektiv til at overvåge patienter efter behandling, fordi deres primære tumorer og påvirkede lymfeknuder er blevet fjernet. Mens læger stadig er afhængige af billedbaseret screening af organer såsom lunger og lever, hvor metastaser er blevet etableret for at overvåge deres patienter efter behandlingen, er sådanne screeningstest ikke følsomme nok. Patienter med større risiko for metastaser går ofte glip af den bedste mulighed for terapijustering før den sekundære debut. Når metastaser observeres i andre dele af kroppen et par år senere, er det ofte allerede for sent til nogen effektiv intervention.

For patienter, hvis brystkræft er på et tidligt stadium, er standardprotokollen meget nyttig. Men for patienter, hvis brystkræft allerede er mere fremskreden, er standardprotokollen og overvågningsværktøjerne efter behandlingen muligvis ikke tilstrækkelige til effektivt at kontrollere kræftens videre udvikling og til at undgå sekundær debut eller metastaser. Hvis vi nøjagtigt kan forudsige forekomsten af ​​metastaser efter behandling af den primære cancer, kan efterforskerne muligvis justere interventionsforløbet i tidsvinduet mellem den primære tumorbehandling og den sekundære debut. Potentielt kan efterforskerne muligvis forsinke eller endda undgå metastaser.

Mange undersøgelser har vist, at genomiske ændringer er blandt de vigtigste drivkræfter, der starter kræft og kontrollerer dens progression og metastaser. For at identificere sådanne mutationer har sekventeringsprojekter såsom Cancer Genome Atlas (TCGA) og International Cancer Genome Consortium (ICGC) systematisk undersøgt genomerne og transkriptomerne af tusindvis af kræftformer. Som et resultat er mange mutationer, der driver brystkræft, blevet identificeret. Men rollerne for disse mutationer i brystkræftmetastaser er stadig uklare.

Klinisk er der nogle sammenhænge mellem primær tumorbehandling og risikoen for sekundær debut. For eksempel er kvinder, der modtager strålebehandling efter mastektomi, kendt for at have en højere risiko for lungekræft. Sådanne associationer er imidlertid svage og har ingen klinisk handlingsmæssige implikationer.

I denne undersøgelse vil vores team med speciale i kirurgi, onkologi, radiologi, patologi, maskinlæring, medicinsk billedanalyse, enkeltcelle-genomik, genomisk dataanalyse og cancerudvikling tackle udfordringen med at forudsige post-behandlingsmetastaser hos brystkræftpatienter. Vores teammedlemmer har etableret klinisk ekspertise og en stærk track record af relevant arbejde inden for områder, herunder brystkræftbehandling og -prognose, multimodalitetsbilledanalyse til cancerdetektion og -diagnose og forudsigelse af glioblastom-tilbagefald ved at identificere nøgletræk ved kræftudvikling. Baseret på vores omfattende erfaring antager efterforskerne, at en kombination af multimodalitetsbilleddannelsesdata og genomiske data, indsamlet både på diagnosetidspunktet og i opfølgningsperioden efter behandlingen, vil give tilstrækkelig information til at forudsige risikoen for metastasering på trods af en ufuldstændig forståelse af de underliggende biologiske mekanismer. Maskinlæringsbaserede metoder har allerede vist et stort potentiale i at tackle spørgsmålet om heterogenitet blandt kræftpatienter, hvilket gør det muligt at opbygge et samlet værktøj til at forudsige risikoen for metastaser efter behandling.

En sådan forudsigelsesmodel vil, når den er udviklet og valideret, gøre det muligt for læger at foretage justeringer i patienters behandling. Før man får fuldstændig indsigt i den biologiske mekanisme bag metastaser, ville et sådant forudsigelsesværktøj tilbyde en effektiv måde at vælge den bedste behandling til at forbedre hver patients livskvalitet og forlænge deres levetid.

Endnu vigtigere, en sådan forudsigelsesteknik skulle potentielt kunne generaliseres til andre typer kræft. Hvis det er tilfældet, vil det have en enorm indflydelse på klinisk praksis inden for kræftbehandling og monitorering efter behandling.

Metode og samarbejdsplan

1. Undersøgelsesdesign For at maksimere brugen af ​​eksisterende data vil efterforskerne udføre en retrospektiv undersøgelse blandet med pilotfasen af ​​en prospektiv undersøgelse. I den retrospektive undersøgelse vil efterforskerne bruge offentligt tilgængelige billeder og genomiske data af brystkræftpatienter før og efter behandling til at udføre billedanalyse, funktionsudvælgelse og opbygning af prædiktorer. For at kompensere for manglen på matchede billed- og genomiske data i den offentlige database, vil efterforskerne supplere den med nye data indsamlet i et prospektivt pilotstudie, hvortil efterforskerne vil rekruttere 400 brystkræftpatienter. Alle vil have gennemgået kirurgisk behandling plus kemoterapi og/eller strålebehandling, og billeder og genomiske data vil være blevet indsamlet på diagnosetidspunktet. Matchede genomiske data for disse patienter vil derefter blive indsamlet årligt i op til 4 år. Hvis man antager en forekomst af metastaser på 15 % inden for 5 år, vil omkring 60 af patienterne opleve metastaser i løbet af undersøgelsen. De indsamlede data og de kliniske udfaldsmetadata vil blive brugt til at evaluere prædikationsmodellens nøjagtighed og i fremtidige undersøgelser.

2. Dataindsamling BGI Ltd. sponsorerer dette projekt. Som det er forklaret i deres støttebrev, vil BGI levere billeddata og genomiske data fra 200 brystkræftpatienter, så vi kan bygge forudsigelsesmodellen. Den støtte vil give et solidt grundlag for at skaffe tilstrækkelige data.

   Dr. Wing Cheong Chan er brystkirurg på North District Hospital (NDH) og er også kirurg med ansvar for brystkirurgi for Hospital Authority's hele New Territories East Cluster (NTEC). Som en honorær klinisk adjunkt i afdelingen for kirurgi på CUHK har Dr. Chan allerede arbejdet tæt sammen med prof. Yeo og Dr. Tse om brystkræftdiagnose og behandling i lang tid. Hans afdeling udfører operationer på omkring 260 brystkræftpatienter hvert år. Han vil være ansvarlig for at rekruttere 200 brystkræftpatienter med ER/PR positiv eller negativ status på en rullende basis og levere frisk tumorvæv og blodprøver til genomisk dataindsamling. Prof. Winnie Yeo er en klinisk onkolog ved Prince of Wales Hospital (PWH) i CUHK. Hun behandler i gennemsnit mere end 500 brystkræftpatienter hvert år, inklusive dem, der opereres på NDH. Hun vil være ansvarlig for at overvåge de 200 brystkræftpatienter, der rekrutteres efter deres operationer og anden behandling, og vil tage blodprøver i opfølgningsperioden. Hun vil levere relevante anonymiserede kliniske data til opbygning af forudsigelsesværktøjet og vil også give klinisk feedback på de prædiktive funktioner, som HKUST-teamet vil udtrække fra billederne og genomiske data.

   Prof. Winnie Chu, en radiolog, og Dr. Gary Tse, en patolog, begge ved PWH, vil levere mærkede mammografier, ultralydsbilleder og billeder af biopsieret væv sammen med biomarkørdata for de samme 200 patienter. De vil derefter levere efterfølgende billeder og andre screeningstestdata med mellemrum. Nogle patienter vil modtage MR-scanninger, som også vil indgå i dataene til billedbaseret forudsigelse. Alle patientdata vil blive anonymiseret. Dr. Chan og Prof. YEO vil give klinisk feedback om prædiktive funktioner. Se venligst Appendiks 2 for standard billedoptagelsesprotokol.

   Prof. Angela Wu, en genomik- og teknologiudviklingsekspert i afdelingen for biovidenskab og afdelingen for kemi og biologisk teknik på HKUST, vil arbejde med prøveforberedelse og genomdataindsamling. Hun vil indsamle de genomiske data til analyseteamet. Prof. Wu har stor erfaring inden for genomik, og især inden for genomiske analyser og teknologiudvikling, som det fremgår af hendes publikationer. Hendes team vil udføre hel-exome-sekventering (WES) og bulk-RNA-sekventering af patienters tumorer for at muliggøre identifikation af nøglemutationer i proteinkodende regioner og forholdet mellem disse mutationer og genekspression. WES- og RNA-seq-pipelinen vil anvende standard DNA- og RNA-ekstraktionsprocedurer efterfulgt af parret Illumina-sekventering. Cellefri DNA-sekventering vil også blive udført årligt for hver patient efter operationen for at kvantificere tumor-DNA i patientens blod. Efterforskerne vil forsøge at korrelere resultaterne med morfologiske ændringer over tid som beskrevet ved billeddannelse. Cellefrit DNA vil blive ekstraheret ved hjælp af tilpassede protokoller, som er blevet optimeret og valideret i Prof. Wu's laboratorium.

3. Dataanalyse og prædiktorbygning Analyseteamet består af fire professorer i ingeniørvidenskab og biovidenskab. De vil analysere multimodalitetsbilleddannelsesdataene og de genomiske data, opbygge en samlet prædiktor og evaluere dens ydeevne.

   1. Billedanalyse Prof. Tim Cheng er en ekspert i billedindholdsanalyse ved hjælp af maskinlæring. Hans team har for nylig udviklet konvolutionelle neurale netværk til at opdage og diagnosticere prostatacancer fra MR-billeder. Prof. Albert Chung er specialiseret i medicinsk billedanalyse med omkring 20 års erfaring. Prof. Weichuan Yu er ekspert i analyse af ultralydsbilleder. De vil i fællesskab analysere mammografi, ultralydsbilleder, patologibilleder og muligvis MR-billeder med det formål at udvinde metastase-associerede billedtræk, som kan bruges i prædiktoren. Kandidater er 2D wavelet-transformationskoefficienter, gråniveau co-forekomstmatrix og lokale binære og ternære mønstre, som har vist sig nyttige til at detektere abnormiteter. Ved at bruge billeder, der har den grundlæggende sandhed, vil repræsentative billedtræk blive ekstraheret for at hjælpe med at differentiere normalt, godartet og ondartet væv. Vi vil også undersøge forskellige klassifikatorer såsom kunstige neurale netværk, tilfældig skov og støttevektormaskine for deres effektivitet i segmentering af brystbilleder baseret på de ekstraherede funktioner. Efterforskerne vil bruge dybe foldede neurale netværk såsom U-net og ResNet til at udføre billedsegmenteringen. Segmenteringsresultaterne opnået fra feature-baserede metoder og fra deep learning-baserede metoder vil blive fusioneret under en probabilistisk ramme som Markov random field-metoden. Det skulle tillade kobling af deres output i prædiktoren.

      Kort sagt vil efterforskerne implementere en værktøjskasse indeholdende state-of-the-art medicinske billedanalysemetoder og kombinere dem. Efterforskerne vil diskutere de ekstraherede billedtræk med det kliniske team for at få feedback.

   2. Genomisk dataanalyse Genomdataene vil blive analyseret af et team bestående af Prof. Jiguang Wang, en beregningsbiolog, og Prof. Weichuan Yu, med ekspertise inden for genom-dækkende association. Profs. Tim Cheng og Albert Chung vil også bidrage til denne del af undersøgelsen ved at anvende maskinlæring på genomdataene. Prof. Wang har vist, at visse mutationer i hjernetumorer, der ses tidligt i kræftens udvikling, kan bruges til at forudsige behandlingsresultater. Disse metoder vil blive tilpasset til brystkræftdataene for at forudsige tumormetastaser. Derudover fandt efterforskerne i en foreløbig undersøgelse, at en kopinummerændring i ERBB2 i brystkræft viser stærk sammenhæng med hjernemetastaser. Denne observation vil blive yderligere valideret og begrundet af opfølgende arbejde i denne foreslåede undersøgelse. Efter at efterforskerne har valgt genomet som mål, vil efterforskerne arbejde sammen med det kliniske team for at sortere de medicinske implikationer.
   3. Opbygning af en metastaseprædiktor Forskerne planlægger at formulere forudsigelsesopgaven som et statistisk inferensproblem med en Bayesiansk probabilistisk ramme. Alle målingerne og deres usikkerhedsniveauer kan derefter konsekvent modelleres og matematisk integreres. For eksempel kan alle målinger repræsenteres som observationer i en grafisk probabilistisk model, og prædikationsresultatet kan udledes ved at estimere den maksimale a posteriori (MAP) løsning. Da efterforskerne vil indsamle data kommenteret af klinikere, forventer efterforskerne, at modelparametre kan initialiseres og trænes effektivt. Efterforskerne vil også undersøge formuleringen af ​​forudsigelsesopgaven som et klassifikationsproblem og undersøge ved hjælp af flere, i fællesskab trænede konvolutionelle neurale netværk, som hver kun behandler billed- eller genomdata, til at udføre klassificeringen.
4. Evaluering Arealet under receiver operation characteristic (ROC) curve (AUC) vil være det vigtigste kriterium for at evaluere prædiktionsnøjagtigheden af ​​vores metastase prædikationsværktøj. I øjeblikket rapporteres den bedste præstation af brystcancermetastaseforudsigelse ved kun at bruge billeddata, området under kurven (AUC) var omkring 55 % for PAM50-genassay-baseret risiko for tilbagefald og proliferation. Baseret på vores undersøgelse er der endnu ikke blevet foreslået nogen metode til at bruge genomiske data til forudsigelse af brystkræftmetastase, selvom den genomiske udvikling af brystkræftmetastaser og tilbagefald er blevet aktivt undersøgt. Efterforskerne forventer, at forudsigelsesnøjagtigheden bør stige med mindst 5 % til 10 %, efter at efterforskerne kombinerer både billeddata og genomiske data.

For nylig har Mobadersany et al. har rapporteret, at survival convolutional neural network (SCNN) kan overgå manuel histologisk-grade baseline model ved at kombinere patologibilleder og genomiske biomarkører til at forudsige gliom-resultatet. Forfatterne brugte Harrell's c-indekset fra overlevelsesanalyseperspektivet til at måle forudsigelsesnøjagtigheden. Median c-indekset har opnået 0,75 ved brug af SCNN. Mens brystkræft er meget forskellig fra gliom, og AUC er forskellig fra Harrell's c-indekset, har dette papir vist et positivt eksempel på at kombinere billeddata og genomiske data i forudsigelsen af ​​kræftudfald.

Bemærk venligst, at det vil tage meget længere tid at observere de fuldstændige kliniske resultater for de 400 patienter, som efterforskerne planlægger at rekruttere i dette projekt. Efterforskerne planlægger at søge yderligere midler til at fortsætte vores undersøgelse efter at have afsluttet dette projekt.