画像データとゲノムデータを使用して治療後の乳がんの転移を予測する

バックグラウンド

乳がんは、世界中の女性の死亡原因の第 2 位です。 WHOの統計によると、2015年には乳がんだけで57万1000人の女性が亡くなった。 香港では、乳がんが女性に最も多いがんです。

現在、乳がん治療の標準プロトコールは、手術（乳房切除術）、化学療法、放射線療法、そして腫瘍細胞におけるエストロゲン受容体（ER）、プロゲステロン受容体などの特定のホルモン受容体の有無に応じてホルモン療法または標的療法からなる場合もあります。 (PR)、またはヒト表皮受容体 2 (HER2)。 標準的なプロトコールは、腫瘍を除去し、残っている腫瘍細胞を死滅させることを目的としています。 治療は通常、患者の耐性と全身の健康状態に基づいて調整されます。 標準プロトコルはこれまでのところ、早期乳がん患者の治療に非常に効果的です。 患者が十分に早期に治療されれば、5 年相対生存率は 90% を超える可能性があります。 しかし、中期または後期の乳がん患者、特に転移性疾患のある患者の治療は依然として非常に困難です。 転移のある患者の場合、5 年相対生存率は約 20% に低下します。 この下落の主な理由は 2 つあります。

すべての乳がんは同じ臓器から発生しますが、がん細胞の進化は患者ごとに異なるパターンを示します。 これは、乳がんが中期または後期に進行した場合に特に当てはまります。 ただし、標準プロトコルは平均化された患者統計に基づいており、個人の独自性を完全には考慮していません。 たとえば、異なるゲノム背景を持つ患者は、同じ薬剤投与量に対して異なる反応を示し、異なる副作用を経験します。 したがって、集団ベースの治療戦略では、すべての患者、特に中期または後期の乳がん患者に効果的で最適な治療を提供することはできません。

がん診断の臨床におけるゴールドスタンダードは、マンモグラムと超音波、さらに生検組織の病理検査といったマルチモダリティ画像処理です。 画像検査は原発乳がんの検出には効果的ですが、原発腫瘍や影響を受けたリンパ節が切除されているため、治療後の患者のモニタリングにはあまり効果がありません。 医師は依然として、治療後の患者を監視するために、転移が確認された肺や肝臓などの臓器の画像ベースのスクリーニングに依存していますが、そのようなスクリーニング検査の感度は十分ではありません。 転移のリスクが高い患者は、二次発症前に治療を調整する最適な機会を逃すことがよくあります。 数年後に体の他の部分に転移が観察された場合、効果的な介入を行うにはすでに手遅れであることがよくあります。

乳がんが初期段階にある患者にとって、標準プロトコルは非常に役立ちます。 しかし、すでに乳がんが進行している患者の場合、標準的なプロトコールや治療後モニタリングツールは、がんのさらなる進行を効果的に制御し、二次発症や転移を回避するには十分ではない可能性があります。 原発がんの治療後に転移の発生を正確に予測できれば、研究者は原発腫瘍の治療と二次発症の間の時間枠内で介入のコースを調整できる可能性があります。 潜在的に、研究者は転移を遅らせたり、回避したりできる可能性があります。

多くの研究は、ゲノム変化ががんの発生とその進行および転移の制御の最も重要な要因の一つであることを示しています。 このような変異を特定するために、Cancer Genome Atlas (TCGA) や International Cancer Genome Consortium (ICGC) などの配列決定プロジェクトは、数千のがんのゲノムとトランスクリプトームを体系的に研究してきました。 その結果、乳がんの原因となる多くの変異が同定されています。 しかし、乳がんの転移におけるこれらの変異の役割はまだ不明です。

臨床的には、一次腫瘍治療と二次発症のリスクの間にはいくつかの関連性があります。 たとえば、乳房切除後に放射線治療を受ける女性は肺がんのリスクが高いことが知られています。 ただし、そのような関連性は弱く、臨床的に実用的な意味はありません。

この研究では、外科、腫瘍学、放射線学、病理学、機械学習、医用画像解析、単細胞ゲノミクス、ゲノムデータ解析、がんの進化を専門とする私たちのチームが、乳がん患者の治療後の転移を予測するという課題に取り組みます。 私たちのチームメンバーは、乳がんの治療と予後、がんの検出と診断のためのマルチモダリティ画像解析、がんの進化の主要な特徴を特定することによる神経膠芽腫の再発予測などの分野で、臨床専門知識と関連研究の強力な実績を確立しています。 私たちの広範な経験に基づいて、研究者らは、診断時と治療後の追跡期間中に収集されたマルチモダリティ画像データとゲノムデータを組み合わせることで、たとえ病気であっても転移のリスクを予測するのに十分な情報が提供されるだろうと仮説を立てています。根底にある生物学的メカニズムの理解が不完全です。 機械学習ベースの手法は、がん患者間の不均一性の問題に取り組む上で大きな可能性をすでに示しており、治療後の転移のリスクを予測するための統合ツールを構築することが可能になります。

このような予測モデルが開発され検証されれば、医師は患者の治療を調整できるようになります。 転移の背後にある生物学的メカニズムについて完全な洞察を得る前に、このような予測ツールは、各患者の生活の質を改善し、寿命を延ばすための最適な治療法を選択する効果的な方法を提供するでしょう。

さらに重要なことは、このような予測技術は他の種類の癌にも一般化できる可能性があるということです。 もしそうなら、がん治療の臨床現場と治療後のモニタリングに多大な影響を与えることになる。

方法論とコラボレーション計画

1. 研究デザイン 既存のデータを最大限に活用するために、研究者は前向き研究のパイロット段階と混合した後ろ向き研究を実施します。 後ろ向き研究では、研究者らは治療前後の乳がん患者の公的に入手可能な画像とゲノムデータを使用して、画像解析、特徴選択、予測子の構築を実行します。 公的データベースに一致する画像データとゲノムデータがないことを補うために、研究者らは、400人の乳がん患者を募集するパイロット前向き研究で収集した新しいデータでデータを補完する予定だ。 全員が外科的治療に加えて化学療法および/または放射線療法を受けており、診断時に画像とゲノムデータが収集されています。 これらの患者の一致するゲノムデータは、最長 4 年間にわたって毎年収集されます。 5年以内の転移発生率が15％と仮定すると、研究期間中に患者のうち約60人が転移を経験することになる。 収集されたデータと臨床転帰メタデータは、予測モデルの精度を評価するため、および将来の研究で使用されます。

2. データ収集 BGI Ltd.がこのプロジェクトを後援しています。 サポートレターで説明されているように、BGI は予測モデルを構築するために、200 人の乳がん患者からの画像データとゲノムデータを提供します。 このサポートは、十分なデータを取得するための強固な基盤を提供します。

   Wing Cheong Chan 医師は、北地区病院 (NDH) の乳房外科医であり、病院当局の新界東部クラスター (NTEC) 全体の乳房手術を担当する外科医でもあります。 チャン博士は、CUHK 外科の名誉臨床助教授として、乳がんの診断と治療に関してヨー教授およびツェ博士と長年緊密に協力してきました。 彼の部門では、毎年約 260 人の乳がん患者の手術を行っています。 彼は、ER/PR 陽性または陰性ステータスを持つ 200 人の乳がん患者をローリングベースで採用し、ゲノムデータ取得のために新鮮な腫瘍組織と血液サンプルを提供する責任を負います。 Winnie Yeo 教授は、CUHK のプリンス オブ ウェールズ病院 (PWH) の臨床腫瘍医です。 彼女は、NDH で手術を受けた患者を含め、毎年平均 500 人を超える乳がん患者を管理しています。 彼女は、募集された200人の乳がん患者の手術やその他の治療後にモニタリングを担当し、経過観察期間中に血液サンプルを収集する予定だ。 彼女は、予測ツールを構築するために関連する匿名化された臨床データを提供し、HKUST チームが画像とゲノム データから抽出する予測特徴に関する臨床フィードバックも提供します。

   PWHの放射線科医であるウィニー・チュー教授と病理学者のゲイリー・ツェー医師は、同じ200人の患者について、ラベル付きマンモグラム、超音波画像、生検組織の画像とバイオマーカーデータを提供する予定である。 その後、後続の画像やその他のスクリーニング テスト データを一定の間隔で提供します。 一部の患者は MRI スキャンを受けることになりますが、これも画像ベースの予測のデータに含まれます。 すべての患者データは匿名化されます。 Chan 博士と YEO 教授は、予測機能に関する臨床フィードバックを提供します。 標準的な画像取得プロトコルについては、付録 2 を参照してください。

   香港大学生命科学部門および化学生物工学部のゲノミクスおよび技術開発の専門家であるアンジェラ・ウー教授は、サンプルの調製とゲノムデータの収集に取り組みます。 彼女は分析チームのためにゲノムデータを収集する予定です。 ウー教授は、著書からも明らかなように、ゲノミクス、特にゲノムアッセイと技術開発の分野で豊富な経験を持っています。 彼女のチームは、患者の腫瘍の全エクソームシークエンシング（WES）とバルクRNAシークエンシングを実施して、タンパク質コード領域の主要な変異とそれらの変異と遺伝子発現の関係を同定できるようにする予定である。 WES および RNA-seq パイプラインでは、標準的な DNA および RNA 抽出手順と、それに続くペアエンド イルミナ シーケンシングが採用されます。 患者の血液中の腫瘍 DNA を定量化するために、術後の各患者に対して無細胞 DNA 配列決定も毎年実施されます。 研究者らは、画像化によって説明される経時的な形態学的変化と結果を相関付けることを試みる予定である。 無細胞 DNA は、Wu 教授の研究室で最適化され検証されたプロトコルを使用して抽出されます。

3. データ分析と予測変数の構築 分析チームは、工学および生命科学の 4 人の教授で構成されています。 彼らは、マルチモダリティ画像データとゲノムデータを分析し、統合された予測変数を構築し、そのパフォーマンスを評価します。

   1. 画像分析 Tim Cheng 教授は、機械学習を使用した画像コンテンツ分析の専門家です。 彼のチームは最近、MRI 画像から前立腺がんを検出および診断するための畳み込みニューラル ネットワークを開発しました。 Albert Chung 教授は、約 20 年の経験を持つ医療画像解析を専門としています。 Weichuan Yu 教授は、超音波画像の分析の専門家です。 彼らは、予測に使用できる転移関連の画像特徴を抽出することを目的として、マンモグラム、超音波画像、病理画像、そして場合によっては MRI 画像を共同で分析する予定です。 候補となるのは、異常の検出に役立つことが証明されている 2D ウェーブレット変換係数、グレー レベル共起行列、局所的な 2 値および 3 値パターンです。 グラウンドトゥルースを持つ画像を使用すると、代表的な画像特徴が抽出され、正常組織、良性組織、悪性組織の区別に役立ちます。 また、人工ニューラル ネットワーク、ランダム フォレスト、サポート ベクター マシンなど、抽出された特徴に基づいて乳房画像をセグメント化する際の有効性についても調査します。 研究者らは、U-net や ResNet などの深層畳み込みニューラル ネットワークを使用して画像のセグメンテーションを実行します。 特徴ベースの方法と深層学習ベースの方法から得られたセグメンテーションの結果は、マルコフ ランダム フィールド法などの確率的フレームワークの下で融合されます。 これにより、予測器での出力を結合できるようになります。

      つまり、研究者は最先端の医療画像解析手法を含むツールボックスを展開し、それらを組み合わせるのです。 研究者は抽出された画像の特徴について臨床チームと話し合い、フィードバックを求めます。

   2. ゲノムデータ分析 ゲノムデータは、計算生物学者である Jiguang Wang 教授と、ゲノム全体の関連性の専門知識を持つ Weichuan Yu 教授からなるチームによって分析されます。 教授 Tim Cheng と Albert Chung も、機械学習をゲノム データに適用することで、研究のこの部分に貢献します。 ワン教授は、がんの発生初期に見られる特定の脳腫瘍の変異を治療結果の予測に利用できることを示した。 これらの方法は乳がんデータに適応され、腫瘍の転移を予測します。 さらに、研究者らは予備研究で、乳がんにおけるERBB2のコピー数の変化が脳転移と強い関連性を示していることを発見した。 この観察は、この提案された研究の追跡調査によってさらに検証され、正当化される予定です。 研究者がゲノムの特徴を標的として選択した後、研究者は臨床チームと協力して医学的影響を整理します。
   3. 転移予測子の構築 研究者らは、ベイズの確率的フレームワークを使用した統計的推論問題として予測タスクを定式化することを計画しています。 すべての測定値とその不確実性レベルは、一貫してモデル化され、数学的に統合されます。 たとえば、すべての測定値はグラフィカル確率モデルの観測値として表すことができ、予測結果は最大事後 (MAP) 解を推定することによって推論できます。 研究者は臨床医によって注釈が付けられたデータを収集するため、モデルパラメータが効果的に初期化され、トレーニングできることを期待しています。 研究者らはまた、予測タスクを分類問題として定式化することを検討し、分類を実行するために、それぞれが画像データまたはゲノムデータのみを処理する、共同で同時トレーニングされた複数の畳み込みニューラル ネットワークを使用して調査する予定です。
4. 評価 受信者動作特性 (ROC) 曲線の下の面積 (AUC) が、転移予測ツールの予測精度を評価する主な基準になります。 現在、画像データのみを使用した乳がん転移予測の最高のパフォーマンスが報告されており、PAM50 遺伝子アッセイに基づく再発および増殖のリスクの曲線下面積 (AUC) は約 55% でした。 私たちの調査によると、乳がんの転移と再発のゲノム進化については積極的に研究されていますが、乳がんの転移予測にゲノムデータを使用する方法はまだ提案されていません。 研究者らは、画像データとゲノムデータの両方を組み合わせた後、予測精度が少なくとも 5% ～ 10% 向上すると予想しています。

最近、Mobadersany ら。生存畳み込みニューラル ネットワーク (SCNN) は、神経膠腫の転帰を予測する際に病理画像とゲノム バイオマーカーを組み合わせることで、手動の組織学的グレードのベースライン モデルを超えることができると報告しています。 著者らは、生存分析の観点からハレルの c 指数を使用して予測精度を測定しました。 SCNN を使用すると、c インデックスの中央値は 0.75 を達成しました。 乳がんは神経膠腫とは大きく異なり、AUC はハレルの c 指数とは異なりますが、この論文は、がん転帰の予測において画像データとゲノムデータを組み合わせた肯定的な例を示しました。

研究者らがこのプロジェクトで募集する予定の400人の患者の完全な臨床転帰を観察するには、さらに長い時間がかかることに注意してください。 研究者らは、このプロジェクト終了後も研究を継続するための追加資金を募る予定だ。