Beeldvormingsgegevens en genomische gegevens gebruiken om metastase van borstkanker na behandeling te voorspellen

Achtergrond

Borstkanker is wereldwijd de op een na belangrijkste doodsoorzaak bij vrouwen. Volgens statistieken van de WHO zijn in 2015 alleen al door borstkanker 571.000 vrouwen overleden. In Hongkong is borstkanker de meest voorkomende vorm van kanker bij vrouwen.

Momenteel bestaat het standaardprotocol bij de behandeling van borstkanker uit chirurgie (mastectomie), chemotherapie, radiotherapie en mogelijk hormoontherapie of gerichte therapie, afhankelijk van de aanwezigheid of afwezigheid in tumorcellen van bepaalde hormoonreceptoren zoals oestrogeenreceptoren (ER), progesteronreceptoren (PR) of menselijke epidermale receptor 2 (HER2). Het standaardprotocol is gericht op het verwijderen van de tumor en het doden van eventuele resterende tumorcellen. De behandeling wordt meestal aangepast op basis van de tolerantie van de patiënt en de algemene gezondheidstoestand. Het standaardprotocol is tot nu toe zeer effectief geweest bij de behandeling van patiënten met borstkanker in een vroeg stadium. Het relatieve overlevingspercentage na 5 jaar kan hoger zijn dan 90% als patiënten vroeg genoeg worden behandeld. Maar het is nog steeds een grote uitdaging om patiënten met borstkanker in een midden- of laat stadium te behandelen, vooral die met gemetastaseerde ziekte. Voor patiënten met uitzaaiingen daalt de 5-jaars relatieve overleving tot ongeveer 20%. Er zijn twee belangrijke redenen voor deze daling.

Hoewel alle borstkankers vanuit hetzelfde orgaan beginnen, vertoont de evolutie van kankercellen verschillende patronen bij verschillende patiënten. Dit is met name het geval wanneer borstkanker zich in de middelste of late stadia bevindt. Het standaardprotocol is echter gebaseerd op gemiddelde patiëntstatistieken en houdt niet volledig rekening met de uniciteit van individuen. Patiënten met verschillende genomische achtergronden reageren bijvoorbeeld verschillend op dezelfde medicijndosering en ervaren verschillende bijwerkingen. Op populatie gebaseerde behandelstrategieën kunnen dus niet voor elke patiënt een effectieve, optimale behandeling bieden, vooral niet voor patiënten met borstkanker in een midden- of laat stadium.

De klinische gouden standaard voor de diagnose van kanker is multimodale beeldvorming: mammogram en echografie, plus pathologie van biopsieweefsel. Beeldvorming is effectief geweest bij het opsporen van primaire borstkankers, maar het wordt minder effectief voor het monitoren van patiënten na de behandeling omdat hun primaire tumoren en aangetaste lymfeklieren zijn verwijderd. Hoewel artsen nog steeds vertrouwen op beeldgebaseerde screening van organen zoals de longen en lever waar metastasen zijn vastgesteld om hun patiënten na de behandeling te controleren, zijn dergelijke screeningtests niet gevoelig genoeg. Patiënten met een groter risico op metastase missen vaak de beste kans voor aanpassing van de therapie vóór het secundaire begin. Wanneer enkele jaren later uitzaaiingen worden geconstateerd in andere delen van het lichaam, is het vaak al te laat om effectief in te grijpen.

Voor patiënten bij wie de borstkanker zich in een vroeg stadium bevindt, is het standaardprotocol zeer nuttig. Maar voor patiënten bij wie de borstkanker al verder gevorderd is, is het mogelijk dat het standaardprotocol en de monitoringtools na de behandeling niet voldoende zijn om de verdere ontwikkeling van de kanker effectief te controleren en secundair begin of metastase te voorkomen. Als we het optreden van uitzaaiingen na behandeling van de primaire kanker nauwkeurig kunnen voorspellen, kunnen de onderzoekers mogelijk het verloop van de interventie aanpassen in het tijdsbestek tussen de primaire tumorbehandeling en het secundaire begin. Mogelijk kunnen de onderzoekers uitzaaiingen vertragen of zelfs voorkomen.

Veel studies hebben aangetoond dat genomische veranderingen tot de belangrijkste oorzaken behoren die kanker initiëren en de progressie ervan beheersen, en metastasen. Om dergelijke mutaties te identificeren, hebben sequentieprojecten zoals de Cancer Genome Atlas (TCGA) en het International Cancer Genome Consortium (ICGC) systematisch de genomen en transcriptomen van duizenden kankers bestudeerd. Als gevolg hiervan zijn veel mutaties geïdentificeerd die borstkanker veroorzaken. Maar de rol van die mutaties bij de uitzaaiing van borstkanker is nog onduidelijk.

Klinisch gezien zijn er enkele associaties tussen primaire tumorbehandelingen en het risico op secundair ontstaan. Het is bijvoorbeeld bekend dat vrouwen die radiotherapie krijgen na borstamputatie een hoger risico op longkanker hebben. Dergelijke associaties zijn echter zwak en hebben geen klinisch bruikbare implicaties.

In deze studie zal ons team, gespecialiseerd in chirurgie, oncologie, radiologie, pathologie, machine learning, medische beeldanalyse, eencellige genomica, genomische data-analyse en kankerevolutie, de uitdaging aangaan om metastasen na de behandeling bij borstkankerpatiënten te voorspellen. Onze teamleden hebben klinische expertise opgebouwd en een sterke staat van dienst op het gebied van relevant werk op gebieden als de behandeling en prognose van borstkanker, multimodale beeldanalyse voor de detectie en diagnose van kanker, en de voorspelling van terugval van glioblastoom door de belangrijkste kenmerken van de evolutie van kanker te identificeren. Op basis van onze uitgebreide ervaring veronderstellen de onderzoekers dat het combineren van multi-modale beeldvormingsgegevens en genomische gegevens, verzameld zowel op het moment van diagnose als tijdens de follow-upperiode na de behandeling, voldoende informatie zal opleveren om het risico op metastase te voorspellen ondanks een onvolledig begrip van de onderliggende biologische mechanismen. Op machinaal leren gebaseerde methoden hebben al een groot potentieel getoond bij het aanpakken van het probleem van heterogeniteit bij kankerpatiënten, waardoor het mogelijk is om een ​​uniforme tool te bouwen om het risico op uitzaaiingen na de behandeling te voorspellen.

Een dergelijk voorspellingsmodel, eenmaal ontwikkeld en gevalideerd, zal artsen in staat stellen om de behandeling van patiënten bij te stellen. Voordat volledig inzicht wordt verkregen in het biologische mechanisme achter metastase, zou zo'n voorspellingsinstrument een effectieve manier kunnen zijn om de beste behandeling te kiezen om de kwaliteit van leven van elke patiënt te verbeteren en hun levensduur te verlengen.

Wat nog belangrijker is, is dat een dergelijke voorspellingstechniek mogelijk generaliseerbaar moet zijn voor andere soorten kanker. Als dat zo is, zou dit een enorme impact hebben op de klinische praktijk bij de behandeling van kanker en de monitoring na de behandeling.

Methodologie en samenwerkingsplan

1. Onderzoeksopzet Om het gebruik van bestaande gegevens te maximaliseren, zullen de onderzoekers een retrospectieve studie uitvoeren, gemengd met de pilootfase van een prospectieve studie. In de retrospectieve studie zullen de onderzoekers openbaar beschikbare beelden en genomische gegevens van borstkankerpatiënten voor en na de behandeling gebruiken om beeldanalyse uit te voeren, kenmerken te selecteren en voorspellende factoren te ontwikkelen. Om het gebrek aan overeenkomende beeld- en genomische gegevens in de openbare database te compenseren, zullen de onderzoekers deze aanvullen met nieuwe gegevens die zijn verzameld in een prospectieve pilotstudie waarvoor de onderzoekers 400 borstkankerpatiënten zullen rekruteren. Allen hebben een chirurgische behandeling plus chemotherapie en/of radiotherapie ondergaan en er zijn beelden en genomische gegevens verzameld op het moment van de diagnose. Gematchte genomische gegevens voor die patiënten zullen vervolgens gedurende maximaal 4 jaar jaarlijks worden verzameld. Uitgaande van een incidentie van metastase van 15% binnen 5 jaar, zullen ongeveer 60 van de patiënten metastase ervaren tijdens de studie. De verzamelde gegevens en de metadata van de klinische uitkomst zullen worden gebruikt om de nauwkeurigheid van het predicatiemodel en in toekomstige studies te evalueren.

2. Gegevensverzameling BGI Ltd. sponsort dit project. Zoals wordt uitgelegd in hun ondersteunende brief, zal BGI beeldvormingsgegevens en genomische gegevens van 200 borstkankerpatiënten aan ons verstrekken om het voorspellingsmodel te bouwen. Die ondersteuning vormt een stevige basis voor het verkrijgen van voldoende data.

   Dr. Wing Cheong Chan is een borstchirurg in het North District Hospital (NDH) en is ook de chirurg die verantwoordelijk is voor borstoperaties voor de gehele New Territories East Cluster (NTEC) van de Hospital Authority. Als honorair klinisch assistent-professor op de afdeling Chirurgie van CUHK, werkt dr. Chan al lange tijd nauw samen met prof. Yeo en dr. Tse op het gebied van de diagnose en behandeling van borstkanker. Zijn divisie voert jaarlijks ongeveer 260 borstkankerpatiënten operaties uit. Hij zal verantwoordelijk zijn voor de rekrutering van 200 borstkankerpatiënten met ER/PR-positieve of -negatieve status op voortschrijdende basis, waarbij hij vers tumorweefsel en bloedmonsters levert voor de verwerving van genomische gegevens. Prof. Winnie Yeo is klinisch oncoloog in het Prince of Wales Hospital (PWH) van CUHK. Ze begeleidt jaarlijks gemiddeld meer dan 500 borstkankerpatiënten, ook degenen die in het NDH zijn geopereerd. Ze zal verantwoordelijk zijn voor het monitoren van de 200 borstkankerpatiënten die na hun operaties en andere behandelingen zijn aangeworven, en zal bloedmonsters verzamelen tijdens de follow-upperiode. Ze zal relevante geanonimiseerde klinische gegevens leveren voor het bouwen van de voorspellingstool en zal ook klinische feedback geven over de voorspellende kenmerken die het HKUST-team uit de beelden en genomische gegevens zal halen.

   Prof. Winnie Chu, een radioloog, en dr. Gary Tse, een patholoog, beiden bij PWH, zullen gelabelde mammogrammen, echografiebeelden en beelden van biopsieweefsel samen met biomarkergegevens voor dezelfde 200 patiënten verstrekken. Ze zullen vervolgens met tussenpozen volgende afbeeldingen en andere screeningtestgegevens verstrekken. Sommige patiënten krijgen MRI-scans, die ook worden meegenomen in de data voor beeldgebaseerde voorspelling. Alle patiëntgegevens worden geanonimiseerd. Dr. Chan en prof. YEO zullen klinische feedback geven over voorspellende kenmerken. Zie Bijlage 2 voor het standaard beeldacquisitieprotocol.

   Prof. Angela Wu, een expert op het gebied van genomica en technologieontwikkeling bij de afdeling Life Science en de afdeling Chemical and Biological Engineering van de HKUST, zal werken aan de voorbereiding van monsters en het verzamelen van genoomgegevens. Zij zal de genomische data verzamelen voor het analyseteam. Prof. Wu heeft uitgebreide ervaring in genomics, en in het bijzonder op het gebied van genomische assays en technologieontwikkeling, zoals blijkt uit haar publicaties. Haar team zal hele exome-sequencing (WES) en bulk-RNA-sequencing van tumoren van patiënten uitvoeren om identificatie van belangrijke mutaties in eiwitcoderende regio's en de relatie tussen die mutaties en genexpressie mogelijk te maken. De WES- en RNA-seq-pijplijn zal standaard DNA- en RNA-extractieprocedures gebruiken, gevolgd door Illumina-sequencing met gepaarde uiteinden. Celvrije DNA-sequencing zal ook jaarlijks worden uitgevoerd voor elke patiënt na de operatie om tumor-DNA in het bloed van de patiënt te kwantificeren. De onderzoekers zullen proberen de resultaten te correleren met morfologische veranderingen in de loop van de tijd, zoals beschreven door beeldvorming. Celvrij DNA zal worden geëxtraheerd met behulp van aangepaste protocollen die zijn geoptimaliseerd en gevalideerd in het laboratorium van prof. Wu.

3. Data-analyse en predictorbuilding Het analyseteam bestaat uit vier hoogleraren in engineering en life sciences. Ze zullen de multi-modale beeldvormingsgegevens en de genomische gegevens analyseren, een uniforme voorspeller bouwen en de prestaties ervan evalueren.

   1. Beeldanalyse Prof. Tim Cheng is een expert op het gebied van beeldinhoudanalyse met behulp van machine learning. Zijn team heeft onlangs convolutionele neurale netwerken ontwikkeld voor het detecteren en diagnosticeren van prostaatkanker op basis van MRI-beelden. Prof. Albert Chung is gespecialiseerd in medische beeldanalyse met zo'n 20 jaar ervaring. Prof. Weichuan Yu is expert in het analyseren van echografiebeelden. Ze zullen gezamenlijk de mammogrammen, echografiebeelden, pathologiebeelden en mogelijk MRI-beelden analyseren om metastase-geassocieerde beeldkenmerken te extraheren die in de predictor kunnen worden gebruikt. Kandidaten zijn 2D wavelet-transformatiecoëfficiënten, grijsniveau-matrix voor gelijktijdig optreden en lokale binaire en ternaire patronen die nuttig zijn gebleken bij het detecteren van afwijkingen. Met behulp van beelden die de grondwaarheid hebben, zullen representatieve beeldkenmerken worden geëxtraheerd om normale, goedaardige en kwaadaardige weefsels te onderscheiden. We zullen ook verschillende classificaties onderzoeken, zoals kunstmatige neurale netwerken, willekeurig bos en ondersteunende vectormachines, op hun effectiviteit bij het segmenteren van borstbeelden op basis van de geëxtraheerde kenmerken. De onderzoekers zullen diepe convolutionele neurale netwerken zoals U-net en ResNet gebruiken om de beeldsegmentatie uit te voeren. De segmentatieresultaten die zijn verkregen uit op kenmerken gebaseerde methoden en uit de op diep leren gebaseerde methoden zullen worden samengevoegd onder een probabilistisch raamwerk zoals de Markov willekeurige veldmethode. Dat zou het mogelijk moeten maken om hun output in de voorspeller te koppelen.

      Kortom, de onderzoekers gaan een toolbox met state-of-the-art medische beeldanalysemethoden inzetten en combineren. De onderzoekers zullen de geëxtraheerde beeldkenmerken bespreken met het klinische team voor feedback.

   2. Genomische gegevensanalyse De genoomgegevens zullen worden geanalyseerd door een team bestaande uit prof. Jiguang Wang, een computationeel bioloog, en prof. Weichuan Yu, met expertise in genoombrede associatie. Profs. Tim Cheng en Albert Chung zullen ook bijdragen aan dit deel van het onderzoek door machine learning toe te passen op de genoomgegevens. Prof. Wang heeft aangetoond dat bepaalde mutaties in hersentumoren die vroeg in de ontwikkeling van de kanker worden waargenomen, kunnen worden gebruikt om behandelresultaten te voorspellen. Die methoden zullen worden aangepast aan de borstkankergegevens om tumormetastasen te voorspellen. Bovendien ontdekten de onderzoekers in een voorstudie dat een verandering in het aantal kopieën in ERBB2 bij borstkanker een sterke associatie vertoont met hersenmetastasen. Deze observatie zal verder worden gevalideerd en gerechtvaardigd door vervolgwerk in dit voorgestelde onderzoek. Nadat de onderzoekers de genoomkenmerken als doelwitten hebben geselecteerd, zullen de onderzoekers samenwerken met het klinische team om de medische implicaties op te lossen.
   3. Een metastase-voorspeller bouwen De onderzoekers zijn van plan de voorspellingstaak te formuleren als een statistisch inferentieprobleem met een Bayesiaans probabilistisch raamwerk. Alle metingen en hun onzekerheidsniveaus kunnen vervolgens consistent worden gemodelleerd en wiskundig worden geïntegreerd. Alle metingen kunnen bijvoorbeeld worden weergegeven als waarnemingen in een grafisch probabilistisch model en de uitkomst van de voorspelling kan worden afgeleid door de maximale a posteriori (MAP) oplossing te schatten. Aangezien de onderzoekers gegevens zullen verzamelen die zijn geannoteerd door clinici, verwachten de onderzoekers dat modelparameters effectief kunnen worden geïnitialiseerd en getraind. De onderzoekers zullen ook onderzoeken hoe de voorspellingstaak als een classificatieprobleem kan worden geformuleerd en onderzoeken het gebruik van meerdere, gezamenlijk getrainde convolutionele neurale netwerken, die elk alleen beeld- of genoomgegevens verwerken, voor het uitvoeren van de classificatie.
4. Evaluatie Het gebied onder de receiver operating Characteristic (ROC)-curve (AUC) zal het belangrijkste criterium zijn om de voorspellingsnauwkeurigheid van ons metastasepredicatietool te evalueren. Momenteel wordt de beste prestatie van de voorspelling van borstkankermetastasen gerapporteerd door alleen beeldvormingsgegevens te gebruiken, het gebied onder de curve (AUC) was ongeveer 55% voor het op PAM50-genassay gebaseerde risico op terugval en proliferatie. Op basis van ons onderzoek is er nog geen methode voorgesteld om genomische gegevens te gebruiken voor de voorspelling van metastase van borstkanker, hoewel de genomische evolutie van metastase en terugval van borstkanker actief is onderzocht. De onderzoekers verwachten dat de voorspellingsnauwkeurigheid met minstens 5% tot 10% zal toenemen nadat de onderzoekers zowel beeldvormingsgegevens als genomische gegevens hebben gecombineerd.

Onlangs hebben Mobadersany et al. heeft gemeld dat het survival convolutionele neurale netwerk (SCNN) het handmatige basislijnmodel van histologische kwaliteit kan overtreffen door pathologiebeelden en genomische biomarkers te combineren bij het voorspellen van de glioma-uitkomst. De auteurs gebruikten de Harrell's c-index vanuit het perspectief van overlevingsanalyse om de voorspellingsnauwkeurigheid te meten. De mediane c-index heeft 0,75 bereikt met behulp van de SCNN. Hoewel borstkanker heel anders is dan glioom en de AUC verschilt van de Harrell's c-index, heeft dit artikel een positief voorbeeld laten zien van het combineren van beeldgegevens en genomische gegevens bij het voorspellen van de uitkomst van kanker.

Houd er rekening mee dat het veel langer zal duren om de volledige klinische resultaten te observeren van de 400 patiënten die de onderzoekers voor dit project willen rekruteren. De onderzoekers zijn van plan aanvullende financiering te zoeken om onze studie voort te zetten na het afronden van dit project.