Verwendung von Bildgebungsdaten und Genomdaten zur Vorhersage der Metastasierung von Brustkrebs nach der Behandlung

Hintergrund

Brustkrebs ist weltweit die zweithäufigste Todesursache bei Frauen. Laut WHO-Statistiken starben im Jahr 2015 allein 571.000 Frauen an Brustkrebs. In Hongkong ist Brustkrebs die häufigste Krebserkrankung bei Frauen.

Derzeit besteht das Standardprotokoll bei der Behandlung von Brustkrebs aus einer Operation (Mastektomie), Chemotherapie, Strahlentherapie und möglicherweise einer Hormontherapie oder einer gezielten Therapie, abhängig vom Vorhandensein oder Fehlen bestimmter Hormonrezeptoren wie Östrogenrezeptoren (ER) und Progesteronrezeptoren in Tumorzellen (PR) oder humaner epidermaler Rezeptor 2 (HER2). Das Standardprotokoll zielt darauf ab, den Tumor zu entfernen und alle verbleibenden Tumorzellen abzutöten. Die Behandlung wird in der Regel an die Verträglichkeit und den allgemeinen Gesundheitszustand des Patienten angepasst. Das Standardprotokoll war bisher bei der Behandlung von Patientinnen mit Brustkrebs im Frühstadium sehr effektiv. Die relative 5-Jahres-Überlebensrate kann über 90 % liegen, wenn die Patienten früh genug behandelt werden. Die Behandlung von Patientinnen mit Brustkrebs im mittleren oder späten Stadium, insbesondere solchen mit metastasierten Erkrankungen, ist jedoch immer noch eine große Herausforderung. Bei Patienten mit Metastasen sinkt die relative 5-Jahres-Überlebensrate auf etwa 20 %. Es gibt zwei Hauptgründe für diesen Rückgang.

Während alle Brustkrebsarten vom selben Organ ausgehen, zeigt die Entwicklung von Krebszellen bei verschiedenen Patientinnen unterschiedliche Muster. Dies gilt insbesondere dann, wenn Brustkrebs im mittleren oder späten Stadium fortgeschritten ist. Das Standardprotokoll basiert jedoch auf gemittelten Patientenstatistiken und berücksichtigt die Einzigartigkeit einzelner Personen nicht vollständig. Beispielsweise reagieren Patienten mit unterschiedlichem genomischem Hintergrund unterschiedlich auf die gleiche Medikamentendosis und erleben unterschiedliche Nebenwirkungen. Daher können bevölkerungsbasierte Behandlungsstrategien nicht für jede Patientin eine wirksame und optimale Behandlung bieten, insbesondere nicht für Patientinnen mit Brustkrebs im mittleren oder späten Stadium.

Der klinische Goldstandard für die Krebsdiagnose ist die multimodale Bildgebung: Mammographie und Ultraschall sowie Pathologie von biopsiertem Gewebe. Die Bildgebung hat sich bei der Erkennung von primärem Brustkrebs als wirksam erwiesen, ist jedoch für die Überwachung von Patientinnen nach der Behandlung weniger wirksam, da ihre Primärtumoren und betroffenen Lymphknoten entfernt wurden. Während Ärzte nach der Behandlung ihrer Patienten immer noch auf bildbasierte Untersuchungen von Organen wie Lunge und Leber mit Metastasenbildung angewiesen sind, sind solche Untersuchungen nicht empfindlich genug. Patienten mit erhöhtem Metastasierungsrisiko verpassen oft das beste Zeitfenster für eine Therapieanpassung vor dem sekundären Einsetzen. Wenn einige Jahre später Metastasen in anderen Körperregionen beobachtet werden, ist es für einen wirksamen Eingriff oft bereits zu spät.

Für Patientinnen, deren Brustkrebs sich im Frühstadium befindet, ist das Standardprotokoll sehr hilfreich. Aber für Patientinnen, deren Brustkrebs bereits weiter fortgeschritten ist, reichen das Standardprotokoll und die Überwachungsinstrumente nach der Behandlung möglicherweise nicht aus, um die weitere Entwicklung des Krebses wirksam zu kontrollieren und ein sekundäres Auftreten oder Metastasierung zu vermeiden. Wenn wir das Auftreten von Metastasen nach der Behandlung des primären Krebses genau vorhersagen können, können die Forscher möglicherweise den Verlauf der Intervention während des Zeitfensters zwischen der primären Tumorbehandlung und dem sekundären Ausbruch anpassen. Möglicherweise können die Forscher die Metastasierung verzögern oder sogar vermeiden.

Viele Studien haben gezeigt, dass genomische Veränderungen zu den wichtigsten Treibern für die Entstehung von Krebs und die Kontrolle seines Fortschreitens sowie der Metastasierung gehören. Um solche Mutationen zu identifizieren, haben Sequenzierungsprojekte wie der Cancer Genome Atlas (TCGA) und das International Cancer Genome Consortium (ICGC) systematisch die Genome und Transkriptome Tausender Krebsarten untersucht. Infolgedessen wurden viele Mutationen identifiziert, die Brustkrebs auslösen. Die Rolle dieser Mutationen bei der Metastasierung von Brustkrebs ist jedoch noch unklar.

Klinisch gibt es einige Zusammenhänge zwischen primären Tumorbehandlungen und dem Risiko eines sekundären Auftretens. Beispielsweise ist bekannt, dass Frauen, die nach einer Mastektomie eine Strahlentherapie erhalten, ein höheres Risiko für Lungenkrebs haben. Solche Zusammenhänge sind jedoch schwach und haben keine klinisch umsetzbaren Implikationen.

In dieser Studie wird sich unser auf Chirurgie, Onkologie, Radiologie, Pathologie, maschinelles Lernen, medizinische Bildanalyse, Einzelzellgenomik, Genomdatenanalyse und Krebsentwicklung spezialisiertes Team der Herausforderung stellen, die Metastasierung nach der Behandlung bei Brustkrebspatientinnen vorherzusagen. Unsere Teammitglieder verfügen über fundiertes klinisches Fachwissen und eine starke Erfolgsbilanz relevanter Arbeiten in Bereichen wie der Behandlung und Prognose von Brustkrebs, der multimodalen Bildanalyse zur Krebserkennung und -diagnose sowie der Vorhersage eines Glioblastom-Rückfalls durch die Identifizierung wichtiger Merkmale der Krebsentwicklung. Basierend auf unserer umfangreichen Erfahrung gehen die Forscher davon aus, dass die Kombination von multimodalen Bildgebungsdaten und Genomdaten, die sowohl zum Zeitpunkt der Diagnose als auch während der Nachbeobachtungszeit nach der Behandlung erhoben wurden, ausreichende Informationen liefern, um das Risiko einer Metastasierung trotz eines vorherzusagen unvollständiges Verständnis der zugrunde liegenden biologischen Mechanismen. Auf maschinellem Lernen basierende Methoden haben bereits großes Potenzial bei der Bewältigung des Problems der Heterogenität bei Krebspatienten gezeigt und ermöglichen die Entwicklung eines einheitlichen Tools zur Vorhersage des Risikos einer Metastasierung nach der Behandlung.

Sobald ein solches Vorhersagemodell entwickelt und validiert ist, können Ärzte die Behandlung ihrer Patienten anpassen. Bevor ein vollständiger Einblick in den biologischen Mechanismus hinter der Metastasierung gewonnen werden kann, würde ein solches Vorhersagetool eine wirksame Möglichkeit bieten, die beste Behandlung auszuwählen, um die Lebensqualität jedes Patienten zu verbessern und seine Lebensspanne zu verlängern.

Noch wichtiger ist, dass eine solche Vorhersagetechnik möglicherweise auf andere Krebsarten übertragbar sein sollte. Wenn ja, hätte dies enorme Auswirkungen auf die klinische Praxis der Krebsbehandlung und die Überwachung nach der Behandlung.

Methodik und Kooperationsplan

1. Studiendesign Um die Nutzung vorhandener Daten zu maximieren, führen die Forscher eine retrospektive Studie gemischt mit der Pilotphase einer prospektiven Studie durch. In der retrospektiven Studie werden die Forscher öffentlich verfügbare Bilder und Genomdaten von Brustkrebspatientinnen vor und nach der Behandlung verwenden, um eine Bildanalyse, Merkmalsauswahl und Prädiktorbildung durchzuführen. Um den Mangel an übereinstimmenden Bild- und Genomdaten in der öffentlichen Datenbank auszugleichen, werden die Forscher diese durch neue Daten ergänzen, die in einer prospektiven Pilotstudie gesammelt wurden, für die die Forscher 400 Brustkrebspatientinnen rekrutieren werden. Alle haben sich einer chirurgischen Behandlung plus Chemotherapie und/oder Strahlentherapie unterzogen und zum Zeitpunkt der Diagnose wurden Bilder und Genomdaten gesammelt. Abgestimmte Genomdaten dieser Patienten werden dann bis zu 4 Jahre lang jährlich gesammelt. Geht man von einer Metastasierungsinzidenz von 15 % innerhalb von 5 Jahren aus, kommt es während der Studie bei etwa 60 der Patienten zu Metastasen. Die gesammelten Daten und die Metadaten des klinischen Ergebnisses werden zur Bewertung der Genauigkeit des Prädikationsmodells und in zukünftigen Studien verwendet.

2. Datenerfassung BGI Ltd. sponsert dieses Projekt. Wie in ihrem Begleitschreiben erläutert, wird BGI uns Bilddaten und Genomdaten von 200 Brustkrebspatientinnen zur Verfügung stellen, damit wir das Vorhersagemodell erstellen können. Diese Unterstützung wird eine solide Grundlage für die Beschaffung ausreichender Daten bilden.

   Dr. Wing Cheong Chan ist Brustchirurg am North District Hospital (NDH) und außerdem der Chirurg, der für Brustoperationen im gesamten New Territories East Cluster (NTEC) der Hospital Authority verantwortlich ist. Als ehrenamtlicher klinischer Assistenzprofessor in der Abteilung für Chirurgie der CUHK arbeitet Dr. Chan bereits seit langem eng mit Prof. Yeo und Dr. Tse an der Diagnose und Behandlung von Brustkrebs zusammen. Seine Abteilung führt jedes Jahr Operationen an etwa 260 Brustkrebspatientinnen durch. Er wird für die kontinuierliche Rekrutierung von 200 Brustkrebspatientinnen mit ER/PR-positivem oder negativem Status verantwortlich sein und frisches Tumorgewebe und Blutproben für die Erfassung genomischer Daten bereitstellen. Prof. Winnie Yeo ist klinische Onkologin am Prince of Wales Hospital (PWH) der CUHK. Sie betreut durchschnittlich mehr als 500 Brustkrebspatientinnen pro Jahr, darunter auch die am NDH operierten. Sie wird für die Überwachung der 200 rekrutierten Brustkrebspatientinnen nach ihren Operationen und anderen Behandlungen verantwortlich sein und während der Nachbeobachtungszeit Blutproben entnehmen. Sie wird relevante anonymisierte klinische Daten für den Aufbau des Vorhersagetools bereitstellen und außerdem klinisches Feedback zu den Vorhersagefunktionen geben, die das HKUST-Team aus den Bildern und Genomdaten extrahieren wird.

   Prof. Winnie Chu, ein Radiologe, und Dr. Gary Tse, ein Pathologe, beide am PWH, werden beschriftete Mammogramme, Ultraschallbilder und Bilder von biopsiertem Gewebe zusammen mit Biomarkerdaten für dieselben 200 Patienten bereitstellen. Anschließend stellen sie in regelmäßigen Abständen weitere Bilder und andere Screening-Testdaten zur Verfügung. Einige Patienten erhalten MRT-Scans, die auch in die Daten für die bildbasierte Vorhersage einbezogen werden. Sämtliche Patientendaten werden anonymisiert. Dr. Chan und Prof. YEO werden klinisches Feedback zu prädiktiven Funktionen geben. Das Standard-Bildaufnahmeprotokoll finden Sie in Anhang 2.

   Prof. Angela Wu, Expertin für Genomik und Technologieentwicklung in der Abteilung für Biowissenschaften und der Abteilung für Chemie- und Biotechnik der HKUST, wird an der Probenvorbereitung und der Erfassung von Genomdaten arbeiten. Sie wird die Genomdaten für das Analyseteam sammeln. Prof. Wu verfügt über umfassende Erfahrung in der Genomik, insbesondere im Bereich der Genomanalyse und Technologieentwicklung, wie ihre Veröffentlichungen belegen. Ihr Team wird eine Sequenzierung des gesamten Exoms (WES) und eine Massen-RNA-Sequenzierung von Patiententumoren durchführen, um die Identifizierung von Schlüsselmutationen in proteinkodierenden Regionen und die Beziehung zwischen diesen Mutationen und der Genexpression zu ermöglichen. Die WES- und RNA-seq-Pipeline wird standardmäßige DNA- und RNA-Extraktionsverfahren verwenden, gefolgt von einer Paired-End-Illumina-Sequenzierung. Außerdem wird jährlich bei jedem Patienten nach der Operation eine zellfreie DNA-Sequenzierung durchgeführt, um die Tumor-DNA im Blut des Patienten zu quantifizieren. Die Forscher werden versuchen, die Ergebnisse mit morphologischen Veränderungen im Laufe der Zeit zu korrelieren, wie durch Bildgebung beschrieben. Zellfreie DNA wird mithilfe angepasster Protokolle extrahiert, die im Labor von Prof. Wu optimiert und validiert wurden.

3. Datenanalyse und Prädiktorbildung Das Analyseteam besteht aus vier Professoren der Ingenieurwissenschaften und Biowissenschaften. Sie werden die multimodalen Bildgebungsdaten und die Genomdaten analysieren, einen einheitlichen Prädiktor erstellen und dessen Leistung bewerten.

   1. Bildanalyse Prof. Tim Cheng ist ein Experte für Bildinhaltsanalyse mittels maschinellem Lernen. Sein Team hat kürzlich Faltungs-Neuronale Netze zur Erkennung und Diagnose von Prostatakrebs anhand von MRT-Bildern entwickelt. Prof. Albert Chung ist auf medizinische Bildanalyse spezialisiert und verfügt über rund 20 Jahre Erfahrung. Prof. Weichuan Yu ist Experte für die Analyse von Ultraschallbildern. Sie werden gemeinsam die Mammogramme, Ultraschallbilder, Pathologiebilder und möglicherweise MRT-Bilder analysieren, um metastasenassoziierte Bildmerkmale zu extrahieren, die im Prädiktor verwendet werden können. Kandidaten sind 2D-Wavelet-Transformationskoeffizienten, Graustufen-Koexistenzmatrix sowie lokale binäre und ternäre Muster, die sich bei der Erkennung von Anomalien als nützlich erwiesen haben. Anhand von Bildern, die der Wahrheit entsprechen, werden repräsentative Bildmerkmale extrahiert, um die Unterscheidung zwischen normalem, gutartigem und bösartigem Gewebe zu erleichtern. Wir werden auch verschiedene Klassifikatoren wie künstliche neuronale Netze, Random Forest und Support Vector Machine auf ihre Wirksamkeit bei der Segmentierung von Brustbildern basierend auf den extrahierten Merkmalen untersuchen. Die Forscher werden tiefe Faltungs-Neuronale Netze wie U-net und ResNet verwenden, um die Bildsegmentierung durchzuführen. Die Segmentierungsergebnisse, die aus merkmalsbasierten Methoden und aus Deep-Learning-basierten Methoden erhalten werden, werden unter einem probabilistischen Rahmen wie der Markov-Zufallsfeldmethode zusammengeführt. Das sollte es ermöglichen, ihre Ausgabe im Prädiktor zu koppeln.

      Kurz gesagt, die Forscher werden eine Toolbox mit modernsten medizinischen Bildanalysemethoden einsetzen und diese kombinieren. Die Forscher werden die extrahierten Bildmerkmale mit dem klinischen Team besprechen, um Feedback zu erhalten.

   2. Genomdatenanalyse Die Genomdaten werden von einem Team analysiert, das aus Prof. Jiguang Wang, einem Computerbiologen, und Prof. Weichuan Yu mit Fachkenntnissen in der genomweiten Assoziation besteht. Profs. Auch Tim Cheng und Albert Chung werden zu diesem Teil der Studie beitragen, indem sie maschinelles Lernen auf die Genomdaten anwenden. Prof. Wang hat gezeigt, dass bestimmte Mutationen von Hirntumoren, die früh in der Krebsentstehung beobachtet werden, zur Vorhersage von Behandlungsergebnissen herangezogen werden können. Diese Methoden werden an die Brustkrebsdaten angepasst, um Tumormetastasen vorherzusagen. Darüber hinaus stellten die Forscher in einer Vorstudie fest, dass eine Änderung der Kopienzahl von ERBB2 bei Brustkrebs einen starken Zusammenhang mit Hirnmetastasen aufweist. Diese Beobachtung wird durch Folgearbeiten in dieser vorgeschlagenen Studie weiter validiert und gerechtfertigt. Nachdem die Forscher die Genommerkmale als Ziele ausgewählt haben, arbeiten sie mit dem klinischen Team zusammen, um die medizinischen Implikationen zu klären.
   3. Aufbau eines Metastasierungsprädiktors Die Forscher planen, die Vorhersageaufgabe als statistisches Inferenzproblem mit einem Bayes'schen probabilistischen Rahmen zu formulieren. Alle Messungen und ihre Unsicherheitsniveaus können dann konsistent modelliert und mathematisch integriert werden. Beispielsweise können alle Messungen als Beobachtungen in einem grafischen Wahrscheinlichkeitsmodell dargestellt werden und das Vorhersageergebnis kann durch Schätzung der maximalen a-posteriori-Lösung (MAP) abgeleitet werden. Da die Forscher von Klinikern kommentierte Daten sammeln werden, erwarten die Forscher, dass Modellparameter effektiv initialisiert und trainiert werden können. Die Forscher werden auch die Formulierung der Vorhersageaufgabe als Klassifizierungsproblem untersuchen und die Verwendung mehrerer gemeinsam trainierter Faltungs-Neuronaler Netze untersuchen, die jeweils nur Bild- oder Genomdaten verarbeiten, um die Klassifizierung durchzuführen.
4. Bewertung Die Fläche unter der ROC-Kurve (AUC) (Receiver Operating Characteristic) ist das Hauptkriterium zur Bewertung der Vorhersagegenauigkeit unseres Tools zur Metastasenvorhersage. Derzeit wird über die beste Leistung bei der Vorhersage von Brustkrebsmetastasen berichtet, die ausschließlich auf Bildgebungsdaten basiert. Die Fläche unter der Kurve (AUC) betrug etwa 55 % für das auf dem PAM50-Gen-Assay basierende Risiko für Rückfall und Proliferation. Basierend auf unserer Umfrage wurde noch keine Methode vorgeschlagen, um Genomdaten für die Vorhersage von Brustkrebsmetastasen zu verwenden, obwohl die genomische Entwicklung von Brustkrebsmetastasen und -rückfällen aktiv untersucht wurde. Die Forscher gehen davon aus, dass die Vorhersagegenauigkeit um mindestens 5 bis 10 % steigen sollte, nachdem die Forscher sowohl Bildgebungsdaten als auch Genomdaten kombiniert haben.

Kürzlich haben Mobadersany et al. hat berichtet, dass das Survival Convolutional Neural Network (SCNN) das manuelle histologische Basismodell durch die Kombination von Pathologiebildern und genomischen Biomarkern bei der Vorhersage des Gliomergebnisses übertreffen kann. Die Autoren verwendeten den Harrell-c-Index aus Sicht der Überlebensanalyse, um die Vorhersagegenauigkeit zu messen. Der mittlere c-Index hat unter Verwendung des SCNN einen Wert von 0,75 erreicht. Während sich Brustkrebs stark von Gliomen und die AUC vom Harrell-c-Index unterscheidet, hat diese Arbeit ein positives Beispiel für die Kombination von Bilddaten und Genomdaten bei der Vorhersage des Krebsausgangs gezeigt.

Bitte beachten Sie, dass es viel länger dauern wird, bis die vollständigen klinischen Ergebnisse der 400 Patienten beobachtet sind, die die Forscher für dieses Projekt rekrutieren möchten. Die Forscher planen, zusätzliche Mittel zu beantragen, um unsere Studie nach Abschluss dieses Projekts fortzusetzen.