Bruk av bildedata og genomiske data for å forutsi metastaser av brystkreft etter behandling

Bakgrunn

Brystkreft er den nest største dødsårsaken blant kvinner over hele verden. I følge WHOs statistikk døde 571 000 kvinner i 2015 på grunn av brystkreft alene. I Hong Kong er brystkreft den vanligste kreftformen blant kvinner.

For tiden består standardprotokollen i brystkreftbehandling av kirurgi (mastektomi), kjemoterapi, strålebehandling og muligens hormonbehandling eller målrettet terapi avhengig av tilstedeværelse eller fravær i tumorceller av visse hormonreseptorer som østrogenreseptorer (ER), progesteronreseptorer (PR), eller human epidermal reseptor 2 (HER2). Standardprotokollen tar sikte på å fjerne svulsten og drepe eventuelle gjenværende tumorceller. Behandlingen justeres vanligvis ut fra pasientenes toleranse og generelle helsetilstand. Standardprotokollen har så langt vært svært effektiv i behandling av pasienter med tidlig stadium av brystkreft. 5-års relative overlevelsesraten kan være høyere enn 90 % dersom pasienter behandles tidlig nok. Men det er fortsatt svært utfordrende å behandle pasienter med middels eller sent stadium brystkreft, spesielt de med metastatisk sykdom. For pasienter med metastaser faller 5-års relative overlevelsesraten til rundt 20 %. Det er to hovedårsaker til denne nedgangen.

Mens all brystkreft starter fra samme organ, viser utviklingen av kreftceller forskjellige mønstre hos forskjellige pasienter. Dette gjelder spesielt når brystkreft er avansert til midt- eller sene stadier. Standardprotokollen er imidlertid basert på gjennomsnittlig pasientstatistikk og tar ikke fullt ut hensyn til det unike ved individer. For eksempel reagerer pasienter med ulik genomisk bakgrunn ulikt på samme legemiddeldosering og opplever ulike bivirkninger. Dermed kan ikke populasjonsbaserte behandlingsstrategier gi effektiv, optimal behandling for hver pasient, spesielt for pasienter med middels eller sent stadium av brystkreft.

Den kliniske gullstandarden for kreftdiagnose er multimodalitetsavbildning: mammografi og ultralyd, pluss patologi av biopsiert vev. Bildediagnostikk har vært effektivt for å oppdage primær brystkreft, men det blir mindre effektivt for å overvåke pasienter etter behandling fordi deres primære svulster og berørte lymfeknuter har blitt fjernet. Mens leger fortsatt er avhengige av bildebasert screening av organer som lunger og lever der metastaser har blitt etablert for å overvåke pasientene deres etter behandling, er slike screeningtester ikke sensitive nok. Pasienter med større risiko for metastaser går ofte glipp av den beste muligheten for terapijustering før den sekundære debuten. Når metastaser observeres i andre deler av kroppen noen år senere, er det ofte allerede for sent for noen effektiv intervensjon.

For pasienter hvis brystkreft er på et tidlig stadium, er standardprotokollen svært nyttig. Men for pasienter hvis brystkreft allerede er mer avansert, kan det hende at standardprotokollen og overvåkingsverktøyene etter behandling ikke er tilstrekkelige til å effektivt kontrollere kreftens videre utvikling og for å unngå sekundær debut eller metastaser. Hvis vi nøyaktig kan forutsi forekomsten av metastaser etter behandling av den primære kreften, kan etterforskerne være i stand til å justere intervensjonsforløpet i tidsvinduet mellom den primære tumorbehandlingen og den sekundære debuten. Potensielt kan etterforskerne være i stand til å forsinke eller til og med unngå metastaser.

Mange studier har vist at genomiske endringer er blant de viktigste driverne som initierer kreft og kontrollerer dens progresjon, og metastaser. For å identifisere slike mutasjoner har sekvenseringsprosjekter som Cancer Genome Atlas (TCGA) og International Cancer Genome Consortium (ICGC) systematisk studert genomene og transkriptomene til tusenvis av kreftformer. Som et resultat har mange mutasjoner som driver brystkreft blitt identifisert. Men rollene til disse mutasjonene i brystkreftmetastaser er fortsatt uklare.

Klinisk er det noen assosiasjoner mellom primære tumorbehandlinger og risikoen for sekundær debut. For eksempel er kvinner som får strålebehandling etter mastektomi kjent for å ha høyere risiko for lungekreft. Slike assosiasjoner er imidlertid svake og har ingen klinisk handlingsbare implikasjoner.

I denne studien vil teamet vårt som spesialiserer seg på kirurgi, onkologi, radiologi, patologi, maskinlæring, medisinsk bildeanalyse, enkeltcelle-genomikk, genomisk dataanalyse og kreftevolusjon takle utfordringen med å forutsi post-behandlingsmetastaser hos brystkreftpasienter. Våre teammedlemmer har etablert klinisk ekspertise og en sterk merittliste med relevant arbeid innen områder inkludert brystkreftbehandling og prognose, multimodalitetsbildeanalyse for kreftdeteksjon og diagnose, og prediksjon av tilbakefall av glioblastom ved å identifisere nøkkeltrekk ved kreftutvikling. Basert på vår omfattende erfaring, antar etterforskerne at kombinasjon av multimodalitetsavbildningsdata og genomiske data, samlet inn både ved diagnosetidspunktet og i oppfølgingsperioden etter behandling, vil gi tilstrekkelig informasjon til å forutsi risikoen for metastasering til tross for en ufullstendig forståelse av de underliggende biologiske mekanismene. Maskinlæringsbaserte metoder har allerede vist et stort potensial for å takle spørsmålet om heterogenitet blant kreftpasienter, noe som gjør det mulig å bygge et enhetlig verktøy for å forutsi risikoen for metastaser etter behandling.

En slik prediksjonsmodell vil, når den er utviklet og validert, gjøre det mulig for leger å foreta justeringer i pasientbehandlingen. Før man får fullstendig innsikt i den biologiske mekanismen bak metastaser, vil et slikt prediksjonsverktøy tilby en effektiv måte å velge den beste behandlingen for å forbedre hver pasients livskvalitet og forlenge levetiden.

Enda viktigere, en slik prediksjonsteknikk bør potensielt kunne generaliseres til andre typer kreft. I så fall vil det ha en enorm innvirkning på klinisk praksis innen kreftbehandling og overvåking etter behandling.

Metodikk og samarbeidsplan

1. Studiedesign For å maksimere bruken av eksisterende data, vil etterforskerne gjennomføre en retrospektiv studie blandet med pilotfasen av en prospektiv studie. I den retrospektive studien vil etterforskerne bruke offentlig tilgjengelige bilder og genomiske data fra brystkreftpasienter før og etter behandling for å utføre bildeanalyse, funksjonsvalg og prediktorbygging. For å kompensere for mangelen på matchede bilde- og genomiske data i den offentlige databasen, vil etterforskerne supplere den med nye data samlet inn i en prospektiv pilotstudie der etterforskerne skal rekruttere 400 brystkreftpasienter. Alle vil ha gjennomgått kirurgisk behandling pluss kjemoterapi og/eller strålebehandling, og bilder og genomiske data vil ha blitt samlet inn ved diagnosetidspunktet. Matchede genomiske data for disse pasientene vil deretter bli samlet inn årlig i opptil 4 år. Forutsatt en insidens av metastasering på 15 % innen 5 år, vil ca. 60 av pasientene oppleve metastasering i løpet av studien. Dataene som samles inn og de kliniske utfallsmetadataene vil bli brukt til å evaluere predikasjonsmodellens nøyaktighet og i fremtidige studier.

2. Datainnsamling BGI Ltd. sponser dette prosjektet. Som forklart i deres støttebrev, vil BGI gi bildedata og genomiske data fra 200 brystkreftpasienter slik at vi kan bygge prediksjonsmodellen. Denne støtten vil gi et solid grunnlag for å skaffe tilstrekkelig data.

   Dr. Wing Cheong Chan er brystkirurg ved North District Hospital (NDH) og er også kirurg med ansvar for brystkirurgi for hele sykehusmyndighetens New Territories East Cluster (NTEC). Som æres-klinisk assisterende professor ved kirurgisk avdeling ved CUHK, har Dr. Chan allerede jobbet tett med Prof. Yeo og Dr. Tse om diagnose og behandling av brystkreft i lang tid. Hans avdeling utfører operasjoner på rundt 260 brystkreftpasienter hvert år. Han vil være ansvarlig for å rekruttere 200 brystkreftpasienter med ER/PR positiv eller negativ status på rullerende basis, og gi friskt tumorvev og blodprøver for genomisk datainnsamling. Prof. Winnie Yeo er en klinisk onkolog ved Prince of Wales Hospital (PWH) i CUHK. Hun behandler i gjennomsnitt mer enn 500 brystkreftpasienter hvert år, inkludert de som er operert ved NDH. Hun vil ha ansvar for å overvåke de 200 brystkreftpasientene som rekrutteres etter operasjoner og annen behandling, og vil ta blodprøver i oppfølgingsperioden. Hun vil gi relevante anonymiserte kliniske data for å bygge prediksjonsverktøyet og vil også gi klinisk tilbakemelding på de prediktive funksjonene som HKUST-teamet vil trekke ut fra bildene og genomiske data.

   Prof. Winnie Chu, en radiolog, og Dr. Gary Tse, en patolog, begge ved PWH, vil gi merkede mammografier, ultralydbilder og bilder av biopsiert vev sammen med biomarkørdata for de samme 200 pasientene. De vil da gi påfølgende bilder og andre screeningtestdata med intervaller. Noen pasienter vil få MR-skanning, som også vil inngå i dataene for bildebasert prediksjon. Alle pasientdata vil bli anonymisert. Dr. Chan og Prof. YEO vil gi klinisk tilbakemelding på prediktive funksjoner. Vennligst se vedlegg 2 for standard bildeinnsamlingsprotokoll.

   Prof. Angela Wu, en ekspert på genomikk og teknologiutvikling i avdelingen for biovitenskap og Institutt for kjemisk og biologisk ingeniørvitenskap ved HKUST, vil jobbe med prøveforberedelse og genomdatainnsamling. Hun vil samle inn genomiske data for analyseteamet. Prof. Wu har lang erfaring innen genomikk, og spesielt innen genomiske analyser og teknologiutvikling, som det fremgår av hennes publikasjoner. Teamet hennes vil utføre heleksom-sekvensering (WES) og bulk-RNA-sekvensering av pasientenes svulster for å tillate identifisering av nøkkelmutasjoner i proteinkodende regioner og forholdet mellom disse mutasjonene og genuttrykk. WES- og RNA-seq-rørledningen vil bruke standard DNA- og RNA-ekstraksjonsprosedyrer etterfulgt av paret-ende Illumina-sekvensering. Cellefri DNA-sekvensering vil også bli utført årlig for hver pasient etter operasjonen for å kvantifisere tumor-DNA i pasientens blod. Etterforskerne vil forsøke å korrelere resultatene med morfologiske endringer over tid som beskrevet ved bildediagnostikk. Cellefritt DNA vil bli ekstrahert ved hjelp av tilpassede protokoller som er optimert og validert i Prof. Wus laboratorium.

3. Dataanalyse og prediktorbygging Analyseteamet består av fire professorer i ingeniør- og biovitenskap. De vil analysere multimodalitetsavbildningsdataene og de genomiske dataene, bygge en enhetlig prediktor og evaluere ytelsen.

   1. Bildeanalyse Prof. Tim Cheng er en ekspert på bildeinnholdsanalyse ved bruk av maskinlæring. Teamet hans har nylig utviklet konvolusjonelle nevrale nettverk for å oppdage og diagnostisere prostatakreft fra MR-bilder. Prof. Albert Chung har spesialisert seg på medisinsk bildeanalyse med ca. 20 års erfaring. Prof. Weichuan Yu er ekspert på analyse av ultralydbilder. De vil sammen analysere mammografi, ultralydbilder, patologibilder og muligens MR-bilder med sikte på å trekke ut metastase-assosierte bildetrekk som kan brukes i prediktoren. Kandidater er 2D wavelet-transformasjonskoeffisienter, grånivå samforekomstmatrise og lokale binære og ternære mønstre som har vist seg nyttige for å oppdage abnormiteter. Ved å bruke bilder som har den grunnleggende sannheten, vil representative bildetrekk trekkes ut for å hjelpe til med å skille normalt, godartet og ondartet vev. Vi vil også undersøke forskjellige klassifiserere som kunstige nevrale nettverk, tilfeldig skog og støttevektormaskin for deres effektivitet i segmentering av brystbilder basert på de ekstraherte funksjonene. Etterforskerne vil bruke dype konvolusjonelle nevrale nettverk som U-net og ResNet for å utføre bildesegmenteringen. Segmenteringsresultatene oppnådd fra funksjonsbaserte metoder og fra deep learning-baserte metodene vil bli smeltet sammen under et sannsynlig rammeverk som Markov random field-metoden. Det bør tillate å koble deres utgang i prediktoren.

      Kort oppsummert vil etterforskerne distribuere en verktøykasse som inneholder state-of-the-art medisinske bildeanalysemetoder og kombinere dem. Etterforskerne vil diskutere de ekstraherte bildefunksjonene med det kliniske teamet for tilbakemelding.

   2. Genomisk dataanalyse Genomdataene vil bli analysert av et team bestående av Prof. Jiguang Wang, en beregningsbiolog, og Prof. Weichuan Yu, med ekspertise innen genom-omfattende assosiasjon. Profs. Tim Cheng og Albert Chung vil også bidra til denne delen av studien ved å bruke maskinlæring på genomdataene. Prof. Wang har vist at visse hjernesvulstermutasjoner sett tidlig i kreftens utvikling kan brukes til å forutsi behandlingsresultater. Disse metodene vil bli tilpasset brystkreftdataene for å forutsi tumormetastaser. I tillegg fant etterforskerne i en foreløpig studie at en kopinummerendring i ERBB2 ved brystkreft viser sterk assosiasjon med hjernemetastaser. Denne observasjonen vil bli ytterligere validert og begrunnet ved oppfølgingsarbeid i denne foreslåtte studien. Etter at etterforskerne har valgt genomfunksjonene som mål, vil etterforskerne samarbeide med det kliniske teamet for å sortere ut de medisinske implikasjonene.
   3. Bygge en metastaseprediktor Etterforskerne planlegger å formulere prediksjonsoppgaven som et statistisk inferensproblem med et Bayesiansk sannsynlighetsrammeverk. Alle målingene og deres usikkerhetsnivåer kan deretter bli konsekvent modellert og matematisk integrert. For eksempel kan alle målinger representeres som observasjoner i en grafisk probabilistisk modell, og predikasjonsutfallet kan utledes ved å estimere den maksimale a posteriori (MAP) løsningen. Ettersom etterforskerne skal samle inn data kommentert av klinikere, forventer etterforskerne at modellparametere kan initialiseres og trenes effektivt. Etterforskerne vil også utforske å formulere prediksjonsoppgaven som et klassifiseringsproblem og undersøke ved å bruke flere, i fellesskap trente konvolusjonelle nevrale nettverk, som hver behandler kun bilde- eller genomdata, for å utføre klassifiseringen.
4. Evaluering Området under mottakeroperasjonskarakteristikken (ROC) kurven (AUC) vil være hovedkriteriet for å evaluere prediksjonsnøyaktigheten til vårt metastasepredikasjonsverktøy. Foreløpig rapporteres den beste ytelsen til brystkreftmetastaseprediksjon ved kun å bruke bildedata, området under kurven (AUC) var omtrent 55 % for PAM50-genanalysebasert risiko for tilbakefall og spredning. Basert på vår undersøkelse er det ennå ikke foreslått noen metode for å bruke genomiske data for prediksjon av brystkreftmetastase, selv om den genomiske utviklingen av brystkreftmetastaser og tilbakefall har blitt aktivt undersøkt. Etterforskerne forventer at prediksjonsnøyaktigheten bør øke med minst 5 % til 10 % etter at etterforskerne kombinerer både bildedata og genomiske data.

Nylig har Mobadersany et al. har rapportert at survival convolutional neural network (SCNN) kan overgå manuell histologisk-grade baseline-modell ved å kombinere patologibilder og genomiske biomarkører for å forutsi gliomutfallet. Forfatterne brukte Harrells c-indeks fra overlevelsesanalyseperspektivet for å måle prediksjonsnøyaktigheten. Median c-indeksen har oppnådd 0,75 ved bruk av SCNN. Mens brystkreft er veldig forskjellig fra gliom og AUC er forskjellig fra Harrells c-indeks, har denne artikkelen vist et positivt eksempel på å kombinere bildedata og genomiske data i prediksjonen av kreftutfall.

Vær oppmerksom på at det vil ta mye lengre tid å observere de fullstendige kliniske resultatene til de 400 pasientene etterforskerne planlegger å rekruttere i dette prosjektet. Etterforskerne planlegger å søke ytterligere finansiering for å fortsette studien vår etter å ha fullført dette prosjektet.