이미징 데이터 및 게놈 데이터를 사용하여 치료 후 유방암의 전이 예측

배경

유방암은 전 세계 여성의 두 번째 주요 사망 원인입니다. WHO 통계에 따르면 2015년에만 571,000명의 여성이 유방암으로 사망했습니다. 홍콩에서 유방암은 여성에게 가장 흔한 암입니다.

현재 유방암 치료의 표준 프로토콜은 수술(유방절제술), 화학요법, 방사선요법으로 구성되어 있으며 종양 세포에 에스트로겐 수용체(ER), 프로게스테론 수용체와 같은 특정 호르몬 수용체의 존재 여부에 따라 호르몬 요법 또는 표적 요법이 있을 수 있습니다. (PR), 또는 인간 표피 수용체 2(HER2). 표준 프로토콜은 종양을 제거하고 남아 있는 종양 세포를 죽이는 것을 목표로 합니다. 치료는 일반적으로 환자의 내성 및 일반적인 건강 상태에 따라 조정됩니다. 표준 프로토콜은 지금까지 초기 유방암 환자를 치료하는 데 매우 효과적이었습니다. 5년 상대 생존율은 환자가 충분히 조기에 치료를 받으면 90% 이상일 수 있습니다. 그러나 중기 또는 말기 유방암 환자, 특히 전이성 질환 환자를 치료하는 것은 여전히 ​​매우 어려운 일입니다. 전이가 있는 환자의 경우 5년 상대 생존율이 약 20%로 떨어집니다. 이 하락에는 크게 두 가지 이유가 있습니다.

모든 유방암은 같은 기관에서 시작되지만 암세포의 진화는 환자마다 다른 패턴을 보입니다. 이것은 특히 유방암이 중기 또는 후기 단계로 진행된 경우에 해당됩니다. 그러나 표준 프로토콜은 평균 환자 통계를 기반으로 하며 개인의 고유성을 완전히 설명하지 않습니다. 예를 들어, 게놈 배경이 다른 환자는 동일한 약물 용량에 다르게 반응하고 다른 부작용을 경험합니다. 따라서 인구 기반 치료 전략은 모든 환자, 특히 중기 또는 말기 유방암 환자에게 효과적이고 최적의 치료를 제공할 수 없습니다.

암 진단을 위한 임상적 금본위제는 유방조영상과 초음파, 생검 조직의 병리와 같은 다중 양식 이미징입니다. 이미징은 원발성 유방암을 감지하는 데 효과적이었지만 원발성 종양과 영향을 받은 림프절이 제거되었기 때문에 치료 후 환자를 모니터링하는 데 덜 효과적입니다. 의사는 치료 후 환자를 모니터링하기 위해 전이가 발생한 폐 및 간과 같은 장기의 이미지 기반 스크리닝에 여전히 의존하지만 이러한 스크리닝 테스트는 충분히 민감하지 않습니다. 전이 위험이 더 큰 환자는 2차 발병 전에 치료 조정을 위한 최상의 기회를 놓치는 경우가 많습니다. 몇 년 후 신체의 다른 부분에서 전이가 관찰되면 효과적인 개입을 하기에는 이미 너무 늦은 경우가 많습니다.

유방암이 초기 단계에 있는 환자에게는 표준 프로토콜이 매우 유용합니다. 그러나 유방암이 이미 더 진행된 환자의 경우 표준 프로토콜과 치료 후 모니터링 도구가 암의 추가 진행을 효과적으로 제어하고 이차 발병 또는 전이를 피하는 데 충분하지 않을 수 있습니다. 1차 암 치료 후 전이 발생을 정확하게 예측할 수 있다면 연구자는 1차 종양 치료와 2차 발병 사이의 기간 동안 개입 과정을 조정할 수 있을 것입니다. 잠재적으로 조사관은 전이를 지연시키거나 심지어 피할 수도 있습니다.

많은 연구에서 게놈 변형이 암을 시작하고 암의 진행과 전이를 조절하는 가장 중요한 동인 중 하나라는 사실이 밝혀졌습니다. 이러한 돌연변이를 확인하기 위해 TCGA(Cancer Genome Atlas) 및 ICGC(International Cancer Genome Consortium)와 같은 시퀀싱 프로젝트는 수천 가지 암의 게놈과 전사체를 체계적으로 연구했습니다. 그 결과 유방암을 유발하는 많은 돌연변이가 확인되었습니다. 그러나 유방암 전이에서 이러한 돌연변이의 역할은 아직 명확하지 않습니다.

임상적으로 1차 종양 치료와 2차 발병 위험 사이에는 약간의 연관성이 있습니다. 예를 들어, 유방 절제술 후 방사선 요법을 받는 여성은 폐암 위험이 더 높은 것으로 알려져 있습니다. 그러나 이러한 연관성은 약하고 임상적으로 실행 가능한 의미가 없습니다.

이 연구에서 수술, 종양학, 방사선학, 병리학, 기계 학습, 의료 이미지 분석, 단세포 유전체학, 유전체 데이터 분석 및 암 진화를 전문으로 하는 우리 팀은 유방암 환자의 치료 후 전이를 예측하는 문제를 해결할 것입니다. 우리 팀원들은 유방암 치료 및 예후, 암 발견 및 진단을 위한 다중 양식 이미지 분석, 암 진화의 주요 특징을 식별하여 교모세포종 재발 예측을 포함한 분야에서 임상 전문 지식과 관련 작업에 대한 강력한 실적을 확립했습니다. 우리의 광범위한 경험을 바탕으로 조사자들은 진단 당시와 치료 후 추적 기간 동안 수집된 다중 양식 영상 데이터와 게놈 데이터를 결합하면 암 발생에도 불구하고 전이 위험을 예측할 수 있는 충분한 정보를 제공할 것이라는 가설을 세웠습니다. 기본 생물학적 메커니즘에 대한 불완전한 이해. 기계 학습 기반 방법은 이미 암 환자 간의 이질성 문제를 해결하는 데 큰 잠재력을 보여 치료 후 전이 위험을 예측하는 통합 도구를 구축할 수 있습니다.

이러한 예측 모델이 개발되고 검증되면 의사는 환자 치료를 조정할 수 있습니다. 전이의 생물학적 메커니즘에 대한 완전한 통찰력을 얻기 전에 이러한 예측 도구는 각 환자의 삶의 질을 개선하고 수명을 연장하기 위한 최상의 치료법을 선택하는 효과적인 방법을 제공합니다.

더 중요한 것은 그러한 예측 기술이 잠재적으로 다른 유형의 암에 일반화될 수 있어야 한다는 것입니다. 그렇다면 암 치료 및 치료 후 모니터링의 임상 실습에 막대한 영향을 미칠 것입니다.

방법론 및 협업 계획

1. 연구 설계 기존 데이터를 최대한 활용하기 위해 연구자들은 전향적 연구의 파일럿 단계와 혼합된 후향적 연구를 수행할 것입니다. 후향적 연구에서 연구자들은 치료 전후에 유방암 환자의 공개적으로 이용 가능한 이미지와 게놈 데이터를 사용하여 이미지 분석, 특징 선택 및 예측자 구축을 수행할 것입니다. 공개 데이터베이스에서 일치하는 이미지 및 게놈 데이터의 부족을 보완하기 위해 조사관은 조사관이 400명의 유방암 환자를 모집할 파일럿 전향적 연구에서 수집한 새로운 데이터로 보완할 것입니다. 모두 외과적 치료와 화학 요법 및/또는 방사선 요법을 받았을 것이며, 이미지와 게놈 데이터는 진단 시점에 수집되었을 것입니다. 그런 다음 해당 환자에 대해 일치하는 게놈 데이터를 최대 4년 동안 매년 수집합니다. 5년 이내에 전이 발생률을 15%로 가정하면 약 60명의 환자가 연구 기간 동안 전이를 경험할 것입니다. 수집된 데이터와 임상 결과 메타데이터는 예측 모델의 정확성과 향후 연구를 평가하는 데 사용될 것입니다.

2. 데이터 수집 BGI Ltd.가 이 프로젝트를 후원합니다. 지원 서신에서 설명한 바와 같이 BGI는 예측 모델을 구축하기 위해 유방암 환자 200명의 영상 데이터와 게놈 데이터를 제공할 것입니다. 이러한 지원은 충분한 데이터를 얻기 위한 견고한 기반을 제공할 것입니다.

   Wing Chung Chan 박사는 North District Hospital(NDH)의 유방외과의이며 병원 당국의 전체 New Territories East Cluster(NTEC)의 유방수술을 담당하는 외과의이기도 합니다. CUHK 외과 명예 임상 조교수로서 Chan 박사는 이미 오랫동안 유방암 진단 및 치료에 대해 Yeo 교수 및 Tse 박사와 긴밀히 협력해 왔습니다. 그의 부서는 매년 약 260명의 유방암 환자에게 수술을 시행합니다. 그는 ER/PR 양성 또는 음성 상태의 유방암 환자 200명을 수시로 모집하여 게놈 데이터 수집을 위한 새로운 종양 조직 및 혈액 샘플을 제공할 책임을 지게 됩니다. Winnie Yeo 교수는 CUHK의 Prince of Wales 병원(PWH)의 임상 종양학자입니다. 그녀는 NDH에서 수술을 받는 환자를 포함하여 매년 평균 500명 이상의 유방암 환자를 관리합니다. 그녀는 수술 및 기타 치료 후에 모집된 200명의 유방암 환자를 모니터링하고 추적 관찰 기간 동안 혈액 샘플을 수집할 책임이 있습니다. 그녀는 예측 도구 구축을 위한 관련 익명 임상 데이터를 제공하고 HKUST 팀이 이미지 및 게놈 데이터에서 추출할 예측 기능에 대한 임상 피드백도 제공합니다.

   PWH의 방사선 전문의인 Winnie Chu 교수와 병리학자인 Gary Tse 박사는 동일한 200명의 환자에 대한 바이오마커 데이터와 함께 레이블이 지정된 유방조영상, 초음파 이미지 및 생검 조직의 이미지를 제공할 것입니다. 그런 다음 후속 이미지 및 기타 스크리닝 테스트 데이터를 간격으로 제공합니다. 일부 환자는 MRI 스캔을 받을 것이며 이미지 기반 예측을 위한 데이터에도 포함될 것입니다. 모든 환자 데이터는 익명으로 처리됩니다. Chan 박사와 YEO 교수는 예측 기능에 대한 임상 피드백을 제공할 것입니다. 표준 이미지 수집 프로토콜은 부록 2를 참조하십시오.

   HKUST 생명과학부 및 화학생물공학과의 유전체학 및 기술 개발 전문가인 Angela Wu 교수는 시료 전처리 및 유전체 데이터 수집 작업을 수행할 예정입니다. 그녀는 분석 팀을 위해 게놈 데이터를 수집할 것입니다. Wu 교수는 유전체학, 특히 그녀의 출판물에서 알 수 있듯이 유전체 분석 및 기술 개발 분야에서 광범위한 경험을 가지고 있습니다. 그녀의 팀은 환자 종양의 WES(whole-exome sequencing) 및 벌크 RNA 시퀀싱을 수행하여 단백질 코딩 영역의 주요 돌연변이와 이러한 돌연변이와 유전자 발현 사이의 관계를 식별할 수 있습니다. WES 및 RNA-seq 파이프라인은 표준 DNA 및 RNA 추출 절차와 페어드 엔드 Illumina 시퀀싱을 사용합니다. 환자의 혈액에서 종양 DNA를 정량화하기 위해 수술 후 각 환자에 대해 무세포 DNA 시퀀싱을 매년 수행할 것입니다. 조사관은 이미징에 의해 기술된 바와 같이 시간 경과에 따른 형태학적 변화와 결과를 연관시키려고 시도할 것입니다. 무세포 DNA는 Wu 교수의 연구실에서 최적화되고 검증된 프로토콜을 사용하여 추출됩니다.

3. 데이터 분석 및 예측변수 구축 분석팀은 공학 및 생명과학 분야 교수 4명으로 구성되어 있습니다. 그들은 다중 양식 이미징 데이터와 게놈 데이터를 분석하고 통합 예측기를 구축하고 그 성능을 평가합니다.

   1. 이미지 분석 Tim Cheng 교수는 기계 학습을 사용한 이미지 콘텐츠 분석 전문가입니다. 그의 팀은 최근 MRI 이미지에서 전립선암을 감지하고 진단하기 위한 컨볼루션 신경망을 개발했습니다. Albert Chung 교수는 약 20년의 경력을 가진 의료 영상 분석 전문가입니다. Weichuan Yu 교수는 초음파 이미지 분석 전문가입니다. 그들은 예측기에서 사용할 수 있는 전이 관련 이미지 특징을 추출하기 위해 유방조영상, 초음파 이미지, 병리학 이미지 및 가능하면 MRI 이미지를 공동으로 분석할 것입니다. 후보는 이상 감지에 유용한 것으로 입증된 2D 웨이블릿 변환 계수, 그레이 레벨 동시 발생 행렬, 로컬 이진 및 삼진 패턴입니다. 근거가 있는 영상을 이용하여 대표적인 영상특징을 추출하여 정상조직, 양성조직, 악성조직을 구분합니다. 또한 인공 신경망, 랜덤 포레스트 및 지원 벡터 머신과 같은 다양한 분류기가 추출된 특징을 기반으로 유방 이미지를 분할하는 효과에 대해 조사할 것입니다. 조사관은 U-net 및 ResNet과 같은 심층 합성곱 신경망을 사용하여 이미지 분할을 수행합니다. 특징 기반 방법과 딥 러닝 기반 방법에서 얻은 분할 결과는 Markov 랜덤 필드 방법과 같은 확률적 프레임워크에서 융합됩니다. 그러면 예측기에서 출력을 결합할 수 있습니다.

      요컨대, 조사관은 최첨단 의료 영상 분석 방법이 포함된 도구 상자를 배치하고 이를 결합합니다. 조사관은 피드백을 위해 임상 팀과 추출된 이미지 특징에 대해 논의할 것입니다.

   2. 게놈 데이터 분석 게놈 데이터는 전산 생물학자인 Jiguang Wang 교수와 게놈 차원의 연관성에 대한 전문 지식을 갖춘 Weichuan Yu 교수로 구성된 팀에서 분석할 예정입니다. 교수 Tim Cheng과 Albert Chung도 게놈 데이터에 기계 학습을 적용하여 연구의 이 부분에 기여할 것입니다. Wang 교수는 암 발병 초기에 나타나는 특정 뇌종양 돌연변이가 치료 결과를 예측하는 데 사용될 수 있음을 보여주었습니다. 이러한 방법은 종양 전이를 예측하기 위해 유방암 데이터에 적용됩니다. 또한 연구자들은 예비 연구에서 유방암에서 ERBB2의 카피 수 변화가 뇌 전이와 강한 연관성을 보인다는 것을 발견했습니다. 이 관찰은 이 제안된 연구의 후속 작업에 의해 추가로 검증되고 정당화될 것입니다. 연구자들이 게놈 특징을 표적으로 선택한 후, 연구자들은 임상 팀과 함께 의학적 의미를 정리하기 위해 협력할 것입니다.
   3. 전이 예측자 구축 조사자는 예측 작업을 베이지안 확률 프레임워크를 사용하여 통계적 추론 문제로 공식화할 계획입니다. 그런 다음 모든 측정과 불확실성 수준을 일관되게 모델링하고 수학적으로 통합할 수 있습니다. 예를 들어, 모든 측정은 그래픽 확률 모델의 관찰로 표현될 수 있으며 술어 결과는 최대 사후(MAP) 솔루션을 추정하여 추론할 수 있습니다. 조사관은 임상의가 주석을 단 데이터를 수집하므로 모델 매개변수를 효과적으로 초기화하고 훈련할 수 있을 것으로 기대합니다. 조사관은 또한 예측 작업을 분류 문제로 공식화하는 방법을 탐구하고, 분류를 수행하기 위해 각각이 이미지 또는 게놈 데이터만 처리하는 여러 공동 훈련 컨볼루션 신경망을 사용하여 조사할 것입니다.
4. 평가 ROC(Receiver Operating Characteristic) 곡선 아래 영역(AUC)은 전이 예측 도구의 예측 정확도를 평가하는 주요 기준이 됩니다. 현재 영상 데이터만을 이용한 유방암 전이 예측의 최고 성능이 보고되고 있으며, PAM50 유전자 분석 기반 재발 및 증식 위험에 대한 AUC(Area Under the Curve)는 약 55%였다. 우리의 조사에 따르면 유방암 전이와 재발의 게놈 진화에 대한 연구가 활발히 진행되고 있지만 유방암 전이 예측을 위해 게놈 데이터를 사용하는 방법은 아직 제안되지 않았습니다. 연구자들은 이미징 데이터와 게놈 데이터를 모두 결합한 후 예측 정확도가 적어도 5%에서 10%까지 증가해야 한다고 기대합니다.

최근 Mobadersany et al. 신경아교종 결과를 예측할 때 생존 컨볼루션 신경망(SCNN)이 병리 이미지와 게놈 바이오마커를 결합하여 수동 조직학 등급 기준선 모델을 능가할 수 있다고 보고했습니다. 저자는 예측 정확도를 측정하기 위해 생존 분석 관점에서 Harrell의 c 지수를 사용했습니다. 중앙값 c 지수는 SCNN을 사용하여 0.75를 달성했습니다. 유방암은 신경아교종과 매우 다르고 AUC는 Harrell's c index와 다르지만, 이 논문은 암 결과 예측에서 이미지 데이터와 게놈 데이터를 결합한 긍정적인 예를 보여주었습니다.

조사관이 이 프로젝트에서 모집할 계획인 400명의 환자의 완전한 임상 결과를 관찰하는 데 훨씬 더 오래 걸릴 것이라는 점에 유의하십시오. 연구자들은 이 프로젝트를 마친 후 연구를 계속하기 위해 추가 자금을 모색할 계획입니다.