정밀 의학을 임상 실습에 통합하기 위한 폐암 다중 오믹스 디지털 인간 아바타 (LANTERN)

환자 등록 및 omics 데이터 수집 이 WP의 목적은 폐암 종합 진단 및 치료 워크플로에서 의사 결정 지원을 위해 임상적으로 중요한 것으로 간주되는 모든 임상 및 omics 기반 데이터 소스에서 정보를 수집하는 것입니다. 특정 증례 보고 양식(CRF)을 통한 장래의 데이터 수집을 위해 구조화된 용어 시스템이 개발될 것입니다.

전용 연구 등록 센터에서 환자를 등록하고 5가지 오믹스 기반 변수에서 얻은 데이터를 수집하여 보안 데이터베이스에 기록합니다.

Omics 데이터 보관 및 상호 작용 가능성 이 WP의 주요 목표는 기존 및 새로운 보관 시스템에 데이터를 완전히 통합하고 수집된 omics 데이터를 쉽고 효과적으로 사용 및 공유할 수 있도록 하는 것입니다.

서로 다른 고려된 오믹스 도메인을 나타내는 모든 수집된 데이터는 공유된 공통 온톨로지에 따라 기록됩니다. 공유된 일반 온톨로지는 모든 다른 omics 도메인이 특정 eCRF에 기록되어 수집된 모든 데이터 변수에 대한 일관성을 보장하는 데이터 보관 및 분석을 위한 구조화된 용어 시스템을 나타냅니다. 마지막으로 수집된 오믹스 관련 데이터는 방사성 분석을 거쳐 방사성 특징이 추출됩니다.

Omics 데이터 모델링, 디지털 휴먼 아바타(DHA) 생성 및 검증

이 WP는 정확한 예측 모델 개발(DHA(Digital Human Avatars) 생성을 통해) 및 검증에 중점을 둡니다. 이 WP의 목적은 효과적인 1차 바이오마커를 식별하고 간결한 통계 모델을 통해 이들을 조화시킨 다음 각 환자에게 고유한 환자별 DHA를 생성하는 것입니다. 앞서 언급한 모든 omics 데이터를 완전히 개인화되고 혁신적인 폐암 통합 의사 결정 지원 시스템의 기반이 될 예측 모델에 통합할 계획입니다. 이 WP는 세 단계로 나뉩니다.

1단계: Omics 기능 식별 및 선택 2단계: 예측 모델 개발 및 DHA 생성 3단계: 예측 모델 및 DHA 검증

Omics 기능 식별 및 선택:

첫 번째 단계에서 약 240명의 NSCLC 환자로부터 수집된 모든 데이터 세트에 대한 탐색적 분석을 통해 바이오마커 식별 프로세스를 시작하고 정보의 캐스트 양을 더 선택된 잠재적 바이오마커 풀로 제한합니다. 이 첫 번째 단계에서는 개별 통계 분포, 기능 관련 상관 관계 및 일반 설명 통계를 고려하여 단변량 설정에서 관련 변수를 식별하기 위해 강력한 데이터 분석 기술을 사용합니다.

예측 모델 개발 및 DHA 생성:

두 번째 단계의 목적은 고급 ML 및 AI 기술을 통해 훈련되고 특정 모듈 관심 영역으로 분할된 DHA의 후속 생성을 통해 교육될 여러 가지 고유하지만 모듈식 다변량 모델을 생성하는 것입니다. 로지스틱 회귀, 의사 결정 트리, 지원 벡터 머신, 랜덤 포레스트, XGBoost 분류기 및 인공 신경망을 포함한 다양한 감독 모델이 개발될 것입니다. k-폴드 교차 검증은 하이퍼파라미터 튜닝에 사용되며 ML 모델 성능의 통계적 유의성 비교가 수행됩니다. 정확도(총 환자 수에서 올바르게 분류된 피험자 수) 및 정밀도(전체 테스트 양성에 대한 참 양성, 재현율(민감도), F1 점수(2*정밀도*재현율/(정밀 +리콜)) 및 AUC-ROC.

DHA 생성에는 특정 알고리즘을 데이터 추출 파이프라인에 통합하여 데이터 흐름을 정리하고 재구성하는 동시에 텍스트 마이닝 및 자연어 처리 기술을 구조화되지 않은 텍스트에 적용하는 작업이 포함됩니다. 이 사전 처리의 결과는 중복을 밝히기 위해 특별히 할당된 온톨로지를 통해 기록됩니다. 이로 인해 새로운 데이터로 지속적으로 자동 업데이트되는 데이터 마트가 생성됩니다. 이미 처리된 사용 가능한 데이터를 기반으로 개발된 알고리즘과 기본 인프라는 인터페이스를 사용하여 임상의가 입력한 새로 업데이트된 환자 데이터를 분류하는 데 사용됩니다. 동적 인터페이스를 통해 제시된 결과 데이터를 통해 데이터베이스에 이미 존재하는 이전에 추가된 환자 데이터를 철저히 탐색하여 과거 데이터와 임상의의 경험을 기반으로 최선의 조치를 추론할 수 있습니다. 이렇게 하면 사용자 지정 기준에 따라 정보를 클러스터링하여 사용 가능한 데이터에 대한 탐색적 분석을 생성함으로써 사용자를 위한 가설 생성기 역할을 하는 보다 일반화된 탐색 워크플로우로 이어집니다.

조사관은 완전한 데이터가 있는 약 300개의 NSCLC 사례가 이 프로세스를 시작하는 데 적합할 것으로 추정합니다. 사용자 친화성과 모델 설명 가능성 모두 모델 개발 전략의 기본 기준이 될 것입니다. SHAP(SHapley Additive exPlanations) 값과 같이 쉽게 해석할 수 있는 값은 임상의와 상호작용하는 동안 환자에게 설명하기 어려운 모델 출력을 렌더링할 수 있는 블랙박스 접근 방식을 피하기 위해 각 모델에 첨부됩니다.

예측 모델 및 DHA 검증: 개발된 모델과 포괄적인 DHA 모두 견고성, 이전 가능성 및 일반화 가능성을 테스트하기 위해 검증됩니다. 내부 및 외부 검증 기술의 두 가지 연속 검증 전략이 각각 사용됩니다. 유효성 검사 프로세스를 시작하기 위해 총 약 420건의 NSCLC 사례를 추정합니다. 이 프로세스에는 내부 및 외부 검증이 모두 포함됩니다.