Lungekræft Multi-omics digitale menneskelige avatarer til integration af præcisionsmedicin i klinisk praksis (LANTERN)

Patientindskrivning og indsamling af omics-data Formålet med denne WP er at indsamle information fra alle de kliniske og omics-baserede datakilder, der anses for at være klinisk betydningsfulde for beslutningsstøtte i den omfattende diagnose- og behandlingsproces for lungekræft. Der vil blive udviklet et struktureret terminologisk system til fremtidig dataindsamling gennem specifikke Case Report Forms (CRF'er).

Patienter vil blive indskrevet af de dedikerede forskningsindskrivningscentre, og data opnået fra de fem omics-baserede variabler vil blive indsamlet og registreret i en sikker database.

Omics-dataarkivering og interaktionsevne Hovedformålet med denne WP er at tillade fuldstændig dataintegration i både eksisterende og nye arkiveringssystemer og at sikre en nem og effektiv brug og deling af indsamlede omics-data.

Alle indsamlede data, der repræsenterer de forskellige overvejede omics-domæner, vil blive registreret i henhold til en fælles fælles ontologi. Den fælles generelle ontologi vil repræsentere et struktureret terminologisk system til dataarkivering og analyse, hvor alle de forskellige omics-domæner vil blive registreret i en specifik eCRF, hvilket sikrer sammenhæng for alle de indsamlede datavariabler. Til sidst vil de indsamlede omics-relaterede data derefter gennemgå radiomisk analyse, og radiomiske træk vil derefter blive ekstraheret.

Omics datamodellering, Digital Human avatar (DHA) oprettelse og validering

Denne WP er fokuseret på at udvikle nøjagtige prædiktive modeller (ved at skabe Digital Human Avatars (DHA)) og på deres validering. Formålet med denne WP er at identificere effektive primære biomarkører, harmonisere dem gennem kompakte statistiske modeller og efterfølgende skabe patientspecifikke DHA'er, som vil være unikke for hver patient. Vi planlægger at integrere alle de førnævnte omics-data i prædiktive modeller, der vil repræsentere grundlaget for et fuldt personligt tilpasset og innovativt integreret beslutningsstøttesystem for lungekræft. Denne WP er opdelt i tre faser:

Fase 1: Identifikation og udvælgelse af Omics-funktioner. Fase 2: Udvikling af forudsigelig model og oprettelse af DHA Fase 3: Forudsigende model og DHA-validering

Omics har identifikation og valg:

I det første trin vil en eksplorativ analyse på tværs af alle indsamlede datasæt fra et estimat på ≈ 240 NSCLC-patienter muliggøre starten af ​​biomarkøridentifikationsprocessen og begrænse mængden af ​​information til en mere udvalgt pulje af potentielle biomarkører. Denne første fase vil anvende robuste dataanalyseteknikker for at identificere relevante variable i en univariat indstilling, idet der tages højde for individuelle statistiske fordelinger, funktionsrelevante korrelationer og generel beskrivende statistik.

Prædiktiv modeludvikling og DHA-oprettelse:

Målet med anden fase er at skabe flere forskellige, men modulære multivariate modeller, som vil blive trænet gennem avancerede ML- og AI-teknikker, segmenteret i specifikke modulære interesseområder og den efterfølgende oprettelse af DHA. Forskellige overvågede modeller vil blive udviklet, herunder logistisk regression, beslutningstræ, støttevektormaskine, tilfældig skov, XGBoost-klassifikator og kunstige neurale netværk. K-fold krydsvalidering vil blive brugt til justering af hyperparametre, og statistisk signifikans sammenligning af ydeevnen af ​​ML modellerne vil blive udført. Dette vil blive gjort for at evaluere prædiktive præstationer baseret på nøjagtighed (antal forsøgspersoner korrekt klassificeret efter det samlede antal patienter) og præcision (sand positiv på total test positiv, tilbagekaldelse (følsomhed), F1-score (2*præcision*tilbagekaldelse/(præcision) +tilbagekaldelse)) og AUC-ROC.

DHA-skabelsen vil involvere integration af specifikke algoritmer i dataekstraktionspipelinen for at rense og omstrukturere datastrømmen, samtidig med at tekstmining og naturlige sprogbehandlingsteknologier anvendes på de ustrukturerede tekster. Resultaterne af denne forbehandling vil derefter blive omkodet gennem en specifikt tildelt ontologi for at afsløre dubletter. Dette fører til oprettelsen af ​​data Marts, som vil blive opdateret løbende og automatisk med nye data. Baseret på de tilgængelige data, der allerede er behandlet, vil den udviklede algoritme og dens underliggende infrastruktur blive brugt til at klassificere nyligt opdaterede patientdatainput af klinikere, der bruger grænsefladen. De resulterende data præsenteret via den dynamiske grænseflade tillader en grundig udforskning af tidligere tilføjede patientdata, der allerede er til stede i databasen, for at udlede den bedste fremgangsmåde baseret på historiske data og klinikerens erfaring. Dette vil føre til en mere generaliseret udforsknings-workflow, der vil fungere som en hypotesegenerator for brugeren, ved at gruppere information baseret på brugerdefinerede kriterier, og derved generere en eksplorativ analyse af de tilgængelige data.

Efterforskerne vurderer, at cirka 300 NSCLC-tilfælde med fuldstændige data vil være tilstrækkelige til at starte denne proces. Både brugervenlighed og modelforklarlighed vil tjene som den primære standard for modeludviklingsstrategierne. Nemt fortolkelige værdier såsom SHAP-værdier (SHapley Additive ExPlanations) vil blive knyttet til hver model for at undgå black-box-tilgange, der kan gøre modeloutput svære at forklare for patienterne under deres interaktion med klinikerne.

Prædiktiv model og DHA-validering: Både den udviklede model og den omfattende DHA vil blive valideret for at teste deres robusthed, overførbarhed og generaliserbarhed. To på hinanden følgende valideringsstrategier vil blive anvendt henholdsvis: de interne og eksterne valideringsteknikker. Vi anslår et samlet antal på cirka 420 NSCLC-tilfælde for at starte valideringsprocessen. Denne proces vil omfatte både intern og ekstern validering.