Utilizzo di dati di imaging e dati genomici per prevedere la metastasi del cancro al seno dopo il trattamento

Sfondo

Il cancro al seno è la seconda causa di morte nelle donne di tutto il mondo. Secondo le statistiche dell'OMS, 571.000 donne sono morte nel 2015 a causa del solo cancro al seno. A Hong Kong, il cancro al seno è il cancro più comune tra le donne.

Attualmente, il protocollo standard nel trattamento del cancro al seno consiste in chirurgia (mastectomia), chemioterapia, radioterapia ed eventualmente terapia ormonale o terapia mirata a seconda della presenza o assenza nelle cellule tumorali di alcuni recettori ormonali come i recettori degli estrogeni (ER), i recettori del progesterone (PR) o recettore epidermico umano 2 (HER2). Il protocollo standard mira a rimuovere il tumore e uccidere eventuali cellule tumorali rimanenti. Il trattamento viene generalmente adattato in base alla tolleranza dei pazienti e allo stato di salute generale. Il protocollo standard è stato finora molto efficace nel trattamento di pazienti con tumori al seno in fase iniziale. Il tasso di sopravvivenza relativa a 5 anni può essere superiore al 90% se i pazienti vengono trattati abbastanza precocemente. Ma è ancora molto difficile trattare pazienti con tumori al seno in stadio medio o avanzato, in particolare quelli con malattia metastatica. Per i pazienti con metastasi, il tasso di sopravvivenza relativa a 5 anni scende a circa il 20%. Ci sono due ragioni principali per questo calo.

Mentre tutti i tumori al seno iniziano dallo stesso organo, l'evoluzione delle cellule tumorali mostra modelli diversi in pazienti diversi. Ciò è particolarmente vero quando i tumori al seno sono avanzati nelle fasi intermedie o tardive. Il protocollo standard, tuttavia, si basa sulle statistiche medie dei pazienti e non tiene pienamente conto dell'unicità degli individui. Ad esempio, i pazienti con diversi background genomici rispondono in modo diverso allo stesso dosaggio del farmaco e sperimentano effetti collaterali diversi. Pertanto, le strategie di trattamento basate sulla popolazione non possono fornire un trattamento efficace e ottimale per ogni paziente, in particolare per i pazienti con carcinoma mammario in stadio intermedio o avanzato.

Il gold standard clinico per la diagnosi del cancro è l'imaging multimodale: mammografia ed ecografia, oltre alla patologia del tessuto sottoposto a biopsia. L'imaging è stato efficace nel rilevare i tumori al seno primari, ma diventa meno efficace per il monitoraggio dei pazienti dopo il trattamento perché i loro tumori primari e i linfonodi colpiti sono stati rimossi. Mentre i medici fanno ancora affidamento sullo screening basato su immagini di organi come i polmoni e il fegato dove si sono stabilite metastasi per monitorare i loro pazienti dopo il trattamento, tali test di screening non sono abbastanza sensibili. I pazienti con un rischio maggiore di metastasi spesso perdono la migliore finestra di opportunità per l'aggiustamento della terapia prima dell'insorgenza secondaria. Quando qualche anno dopo si osservano metastasi in altre parti del corpo, spesso è già troppo tardi per qualsiasi intervento efficace.

Per le pazienti i cui tumori al seno sono allo stadio iniziale, il protocollo standard è molto utile. Ma per i pazienti i cui tumori al seno sono già più avanzati, il protocollo standard e gli strumenti di monitoraggio post-trattamento potrebbero non essere sufficienti per controllare efficacemente l'ulteriore sviluppo del cancro e per evitare l'insorgenza secondaria o la metastasi. Se siamo in grado di prevedere con precisione l'insorgenza di metastasi dopo aver trattato il tumore primario, i ricercatori potrebbero essere in grado di regolare il corso dell'intervento durante la finestra temporale tra il trattamento del tumore primario e l'insorgenza secondaria. Potenzialmente, gli investigatori potrebbero essere in grado di ritardare o addirittura evitare le metastasi.

Molti studi hanno dimostrato che le alterazioni genomiche sono tra i driver più importanti che danno inizio al cancro e ne controllano la progressione e le metastasi. Per identificare tali mutazioni, progetti di sequenziamento come il Cancer Genome Atlas (TCGA) e l'International Cancer Genome Consortium (ICGC) hanno studiato sistematicamente i genomi e i trascrittomi di migliaia di tumori. Di conseguenza, sono state identificate molte mutazioni che guidano il cancro al seno. Ma i ruoli di queste mutazioni nelle metastasi del cancro al seno non sono ancora chiari.

Clinicamente, ci sono alcune associazioni tra i trattamenti del tumore primario e il rischio di insorgenza secondaria. Ad esempio, è noto che le donne che ricevono radioterapia dopo la mastectomia hanno un rischio più elevato di cancro ai polmoni. Tali associazioni sono tuttavia deboli e non hanno implicazioni clinicamente perseguibili.

In questo studio, il nostro team specializzato in chirurgia, oncologia, radiologia, patologia, apprendimento automatico, analisi di immagini mediche, genomica di singole cellule, analisi dei dati genomici ed evoluzione del cancro affronterà la sfida di prevedere le metastasi post-trattamento nei pazienti con carcinoma mammario. I membri del nostro team hanno stabilito competenze cliniche e una solida esperienza di lavoro rilevante in aree quali il trattamento e la prognosi del cancro al seno, l'analisi delle immagini multimodali per il rilevamento e la diagnosi del cancro e la previsione della recidiva del glioblastoma identificando le caratteristiche chiave dell'evoluzione del cancro. Sulla base della nostra vasta esperienza, i ricercatori ipotizzano che la combinazione di dati di imaging multimodale e dati genomici, raccolti sia al momento della diagnosi che durante il periodo di follow-up post-trattamento, fornirà informazioni sufficienti per prevedere il rischio di metastasi nonostante un comprensione incompleta dei meccanismi biologici sottostanti. I metodi basati sull'apprendimento automatico hanno già mostrato un grande potenziale nell'affrontare il problema dell'eterogeneità tra i malati di cancro, rendendo possibile la costruzione di uno strumento unificato per prevedere il rischio di metastasi post-trattamento.

Tale modello di previsione, una volta sviluppato e convalidato, consentirà ai medici di apportare modifiche al trattamento dei pazienti. Prima di ottenere una visione completa del meccanismo biologico alla base delle metastasi, un tale strumento di previsione offrirebbe un modo efficace per scegliere il trattamento migliore per migliorare la qualità della vita di ogni paziente e prolungarne la durata.

Ancora più importante, tale tecnica di previsione dovrebbe essere potenzialmente generalizzabile ad altri tipi di cancro. In tal caso, avrebbe un enorme impatto sulla pratica clinica nel trattamento del cancro e nel monitoraggio post-trattamento.

Metodologia e piano di collaborazione

1. Disegno dello studio Per massimizzare l'uso dei dati esistenti, i ricercatori effettueranno uno studio retrospettivo combinato con la fase pilota di uno studio prospettico. Nello studio retrospettivo i ricercatori utilizzeranno immagini pubblicamente disponibili e dati genomici di pazienti con carcinoma mammario prima e dopo il trattamento per eseguire l'analisi delle immagini, la selezione delle caratteristiche e la costruzione di predittori. Per compensare la mancanza di immagini abbinate e dati genomici nel database pubblico, i ricercatori lo integreranno con nuovi dati raccolti in uno studio prospettico pilota per il quale i ricercatori recluteranno 400 pazienti con carcinoma mammario. Tutti saranno sottoposti a trattamento chirurgico più chemioterapia e/o radioterapia e saranno raccolte immagini e dati genomici al momento della diagnosi. I dati genomici corrispondenti per quei pazienti verranno quindi raccolti ogni anno per un massimo di 4 anni. Supponendo un'incidenza di metastasi del 15% entro 5 anni, circa 60 pazienti sperimenteranno metastasi durante lo studio. I dati raccolti ei metadati dei risultati clinici verranno utilizzati per valutare l'accuratezza del modello di previsione e in studi futuri.

2. Raccolta dati BGI Ltd. sponsorizza questo progetto. Come spiegato nella loro lettera di supporto, BGI fornirà dati di imaging e dati genomici di 200 pazienti con cancro al seno per consentirci di costruire il modello di previsione. Tale supporto fornirà una solida base per ottenere dati sufficienti.

   La dottoressa Wing Cheong Chan è un chirurgo senologico presso il North District Hospital (NDH) ed è anche il chirurgo responsabile della chirurgia mammaria per l'intero New Territories East Cluster (NTEC) dell'Autorità Ospedaliera. In qualità di professore assistente clinico onorario presso il Dipartimento di Chirurgia del CUHK, il Dr. Chan ha già lavorato a lungo a stretto contatto con il Prof. Yeo e il Dr. Tse sulla diagnosi e il trattamento del cancro al seno. La sua divisione esegue interventi chirurgici su circa 260 pazienti con tumore al seno ogni anno. Sarà responsabile del reclutamento di 200 pazienti con carcinoma mammario con stato ER/PR positivo o negativo su base continuativa, fornendo tessuto tumorale fresco e campioni di sangue per l'acquisizione di dati genomici. La Prof. Winnie Yeo è un oncologo clinico presso il Prince of Wales Hospital (PWH) di CUHK. Gestisce in media più di 500 pazienti con tumore al seno ogni anno, compresi quelli operati presso l'NDH. Sarà responsabile del monitoraggio dei 200 pazienti con cancro al seno reclutati dopo i loro interventi chirurgici e altri trattamenti e raccoglierà campioni di sangue durante il periodo di follow-up. Fornirà dati clinici anonimizzati pertinenti per la creazione dello strumento di previsione e fornirà anche un feedback clinico sulle caratteristiche predittive che il team HKUST estrarrà dalle immagini e dai dati genomici.

   Il Prof. Winnie Chu, un radiologo, e il Dr. Gary Tse, un patologo, entrambi presso PWH, forniranno mammografie etichettate, immagini ecografiche e immagini di tessuto bioptico insieme ai dati dei biomarcatori per gli stessi 200 pazienti. Forniranno quindi immagini successive e altri dati di test di screening a intervalli. Alcuni pazienti riceveranno scansioni MRI, che saranno incluse anche nei dati per la previsione basata su immagini. Tutti i dati del paziente saranno resi anonimi. Il Dr. Chan e il Prof. YEO forniranno un feedback clinico sulle caratteristiche predittive. Consultare l'Appendice 2 per il protocollo standard di acquisizione delle immagini.

   La prof.ssa Angela Wu, esperta di genomica e sviluppo tecnologico presso la Divisione di Scienze della vita e il Dipartimento di ingegneria chimica e biologica dell'HKUST, lavorerà alla preparazione dei campioni e alla raccolta dei dati sul genoma. Raccoglierà i dati genomici per il team di analisi. La prof.ssa Wu ha una vasta esperienza nella genomica, e in particolare nell'area dell'analisi genomica e dello sviluppo tecnologico, come evidenziato dalle sue pubblicazioni. Il suo team eseguirà il sequenziamento dell'intero esoma (WES) e il sequenziamento dell'RNA di massa dei tumori dei pazienti per consentire l'identificazione di mutazioni chiave nelle regioni codificanti proteine ​​e la relazione tra tali mutazioni e l'espressione genica. La pipeline WES e RNA-seq impiegherà procedure standard di estrazione di DNA e RNA seguite dal sequenziamento Illumina paired-end. Il sequenziamento del DNA privo di cellule verrà inoltre eseguito ogni anno per ogni paziente post-operatorio per quantificare il DNA tumorale nel sangue del paziente. Gli investigatori tenteranno di correlare i risultati con i cambiamenti morfologici nel tempo come descritto dall'imaging. Il DNA privo di cellule sarà estratto utilizzando protocolli adattati dai quali sono stati ottimizzati e validati nel laboratorio del Prof. Wu.

3. Analisi dei dati e costruzione di predittori Il team di analisi è composto da quattro professori di ingegneria e scienze della vita. Analizzeranno i dati di imaging multimodale ei dati genomici, costruiranno un predittore unificato e ne valuteranno le prestazioni.

   1. Analisi delle immagini Il Prof. Tim Cheng è un esperto di analisi del contenuto delle immagini che utilizza l'apprendimento automatico. Il suo team ha recentemente sviluppato reti neurali convoluzionali per rilevare e diagnosticare il cancro alla prostata dalle immagini MRI. Il Prof. Albert Chung è specializzato nell'analisi delle immagini mediche con circa 20 anni di esperienza. Il Prof. Weichuan Yu è esperto nell'analisi delle immagini ecografiche. Analizzeranno congiuntamente le mammografie, le immagini ecografiche, le immagini patologiche e possibilmente le immagini MRI con l'obiettivo di estrarre le caratteristiche dell'immagine associate alle metastasi che possono essere utilizzate nel predittore. I candidati sono coefficienti di trasformata wavelet 2D, matrice di co-occorrenza del livello di grigio e modelli binari e ternari locali che si sono dimostrati utili nel rilevare anomalie. Utilizzando immagini che hanno la verità di base, verranno estratte le caratteristiche dell'immagine rappresentativa per aiutare a differenziare i tessuti normali, benigni e maligni. Indagheremo anche diversi classificatori come reti neurali artificiali, foresta casuale e macchina vettoriale di supporto per la loro efficacia nel segmentare le immagini del seno in base alle caratteristiche estratte. Gli investigatori utilizzeranno reti neurali convoluzionali profonde come U-net e ResNet per eseguire la segmentazione dell'immagine. I risultati della segmentazione ottenuti dai metodi basati sulle caratteristiche e dai metodi basati sul deep learning saranno fusi in un framework probabilistico come il metodo del campo casuale di Markov. Ciò dovrebbe consentire l'accoppiamento del loro output nel predittore.

      In breve, gli investigatori distribuiranno una cassetta degli attrezzi contenente metodi di analisi delle immagini mediche all'avanguardia e li combineranno. Gli investigatori discuteranno le caratteristiche dell'immagine estratta con il team clinico per il feedback.

   2. Analisi dei dati genomici I dati del genoma saranno analizzati da un team composto dal Prof. Jiguang Wang, un biologo computazionale, e dal Prof. Weichuan Yu, con esperienza nell'associazione genome-wide. Proff. Anche Tim Cheng e Albert Chung contribuiranno a questa parte dello studio applicando l'apprendimento automatico ai dati del genoma. Il prof. Wang ha dimostrato che alcune mutazioni dei tumori cerebrali osservate all'inizio dello sviluppo del cancro possono essere utilizzate per prevedere i risultati del trattamento. Tali metodi saranno adattati ai dati sul cancro al seno per prevedere le metastasi tumorali. Inoltre, i ricercatori hanno scoperto in uno studio preliminare che un cambiamento del numero di copie in ERBB2 nel carcinoma mammario mostra una forte associazione con le metastasi cerebrali. Questa osservazione sarà ulteriormente convalidata e giustificata dal lavoro di follow-up in questo studio proposto. Dopo che gli investigatori hanno selezionato le caratteristiche del genoma come obiettivi, gli investigatori lavoreranno insieme con il team clinico per risolvere le implicazioni mediche.
   3. Costruzione di un predittore di metastasi I ricercatori intendono formulare il compito di predizione come un problema di inferenza statistica con un quadro probabilistico bayesiano. Tutte le misurazioni ei relativi livelli di incertezza possono quindi essere modellati in modo coerente e integrati matematicamente. Ad esempio, tutte le misurazioni possono essere rappresentate come osservazioni in un modello probabilistico grafico e il risultato della previsione può essere dedotto stimando la soluzione massima a posteriori (MAP). Poiché gli investigatori raccoglieranno dati annotati dai medici, gli investigatori si aspettano che i parametri del modello possano essere inizializzati e addestrati in modo efficace. Gli investigatori esploreranno anche la formulazione del compito di previsione come un problema di classificazione e indagheranno utilizzando più reti neurali convoluzionali co-addestrate congiuntamente, ognuna delle quali elabora solo dati di immagine o genoma, per eseguire la classificazione.
4. Valutazione L'area sotto la curva delle caratteristiche operative del ricevitore (ROC) (AUC) sarà il criterio principale per valutare l'accuratezza della previsione del nostro strumento di previsione delle metastasi. Attualmente, viene riportata la migliore prestazione della previsione delle metastasi del cancro al seno utilizzando solo i dati di imaging, l'area sotto la curva (AUC) era di circa il 55% per il rischio di recidiva e proliferazione basato sul test del gene PAM50. Sulla base del nostro sondaggio, non è stato ancora proposto alcun metodo per utilizzare i dati genomici per la previsione delle metastasi del cancro al seno, sebbene l'evoluzione genomica delle metastasi e della ricaduta del cancro al seno sia stata attivamente studiata. Gli investigatori si aspettano che l'accuratezza della previsione aumenti almeno dal 5% al ​​10% dopo che gli investigatori hanno combinato sia i dati di imaging che i dati genomici.

Recentemente, Mobadersany et al. ha riferito che la rete neurale convoluzionale di sopravvivenza (SCNN) può superare il modello di base di livello istologico manuale combinando immagini patologiche e biomarcatori genomici nel predire l'esito del glioma. Gli autori hanno utilizzato l'indice c di Harrell dal punto di vista dell'analisi della sopravvivenza per misurare l'accuratezza della previsione. L'indice mediano c ha raggiunto 0,75 utilizzando l'SCNN. Mentre il cancro al seno è molto diverso dal glioma e l'AUC è diverso dall'indice c di Harrell, questo documento ha dimostrato un esempio positivo di combinazione di dati di immagini e dati genomici nella previsione dell'esito del cancro.

Si prega di notare che ci vorrà molto più tempo per osservare i risultati clinici completi dei 400 pazienti che i ricercatori intendono reclutare in questo progetto. I ricercatori hanno in programma di cercare ulteriori finanziamenti per continuare il nostro studio dopo aver terminato questo progetto.