Wykorzystanie danych obrazowania i danych genomowych do przewidywania przerzutów raka piersi po leczeniu

Tło

Rak piersi jest drugą najczęstszą przyczyną śmierci kobiet na całym świecie. Według statystyk WHO w 2015 roku z powodu samego raka piersi zmarło 571 000 kobiet. W Hongkongu rak piersi jest najczęstszym nowotworem wśród kobiet.

Obecnie standardowy protokół leczenia raka piersi obejmuje operację (mastektomię), chemioterapię, radioterapię i ewentualnie terapię hormonalną lub terapię celowaną w zależności od obecności lub braku w komórkach nowotworowych określonych receptorów hormonalnych, takich jak receptory estrogenowe (ER), receptory progesteronowe (PR) lub ludzki receptor naskórkowy 2 (HER2). Standardowy protokół ma na celu usunięcie guza i zabicie wszelkich pozostałych komórek nowotworowych. Leczenie jest zwykle dostosowywane w zależności od tolerancji i ogólnego stanu zdrowia pacjenta. Standardowy protokół był jak dotąd bardzo skuteczny w leczeniu pacjentów z rakiem piersi we wczesnym stadium. 5-letni względny wskaźnik przeżycia może być wyższy niż 90%, jeśli pacjenci są leczeni wystarczająco wcześnie. Jednak nadal bardzo trudno jest leczyć pacjentów ze średnim lub późnym stadium raka piersi, zwłaszcza tych z chorobą przerzutową. W przypadku pacjentów z przerzutami 5-letni względny wskaźnik przeżycia spada do około 20%. Istnieją dwa główne powody tego spadku.

Podczas gdy wszystkie nowotwory piersi zaczynają się od tego samego narządu, ewolucja komórek nowotworowych wykazuje różne wzorce u różnych pacjentów. Jest to szczególnie prawdziwe, gdy rak piersi jest zaawansowany w środkowym lub późnym stadium. Standardowy protokół opiera się jednak na uśrednionych statystykach pacjentów i nie uwzględnia w pełni wyjątkowości poszczególnych osób. Na przykład pacjenci o różnym pochodzeniu genomowym różnie reagują na tę samą dawkę leku i doświadczają różnych skutków ubocznych. Zatem populacyjne strategie leczenia nie mogą zapewnić skutecznego, optymalnego leczenia dla każdego pacjenta, zwłaszcza dla pacjentów ze średnim lub późnym stadium raka piersi.

Klinicznym złotym standardem w diagnostyce raka jest multimodalne obrazowanie: mammografia i ultrasonografia oraz patologia biopsji tkanki. Obrazowanie było skuteczne w wykrywaniu pierwotnego raka piersi, ale staje się mniej skuteczne w monitorowaniu pacjentów po leczeniu, ponieważ ich pierwotne guzy i dotknięte węzły chłonne zostały usunięte. Podczas gdy lekarze nadal polegają na opartych na obrazach badaniach przesiewowych narządów, takich jak płuca i wątroba, w których pojawiły się przerzuty, w celu monitorowania pacjentów po leczeniu, takie testy przesiewowe nie są wystarczająco czułe. Pacjenci z większym ryzykiem przerzutów często tracą najlepsze okno możliwości dostosowania terapii przed wtórnym początkiem. Kiedy po kilku latach obserwuje się przerzuty w innych częściach ciała, często jest już za późno na skuteczną interwencję.

Dla pacjentek, u których rak piersi jest we wczesnym stadium, bardzo pomocny jest standardowy protokół. Jednak w przypadku pacjentek, u których rak piersi jest już bardziej zaawansowany, standardowy protokół i narzędzia monitorowania po leczeniu mogą nie być wystarczające do skutecznej kontroli dalszego rozwoju raka i uniknięcia wtórnego początku lub przerzutów. Jeśli uda nam się dokładnie przewidzieć wystąpienie przerzutów po leczeniu pierwotnego raka, badacze mogą być w stanie dostosować przebieg interwencji w oknie czasowym między pierwotnym leczeniem guza a wtórnym początkiem. Potencjalnie badacze mogą być w stanie opóźnić lub nawet uniknąć przerzutów.

Wiele badań wykazało, że zmiany genomowe należą do najważniejszych czynników inicjujących raka i kontrolujących jego progresję oraz przerzuty. Aby zidentyfikować takie mutacje, projekty sekwencjonowania, takie jak Cancer Genome Atlas (TCGA) i International Cancer Genome Consortium (ICGC), systematycznie badały genomy i transkryptomy tysięcy nowotworów. W rezultacie zidentyfikowano wiele mutacji odpowiedzialnych za raka piersi. Ale rola tych mutacji w przerzutach raka piersi jest nadal niejasna.

Klinicznie istnieją pewne powiązania między pierwotnym leczeniem guza a ryzykiem wystąpienia wtórnego. Na przykład wiadomo, że kobiety poddane radioterapii po mastektomii są bardziej narażone na raka płuc. Takie powiązania są jednak słabe i nie mają implikacji dających się zastosować klinicznie.

W tym badaniu nasz zespół specjalizujący się w chirurgii, onkologii, radiologii, patologii, uczeniu maszynowym, analizie obrazów medycznych, genomice pojedynczych komórek, analizie danych genomowych i ewolucji raka podejmie wyzwanie przewidywania przerzutów po leczeniu u pacjentek z rakiem piersi. Członkowie naszego zespołu mają ugruntowaną wiedzę kliniczną i bogate doświadczenie w odpowiednich dziedzinach, w tym leczeniu i prognozowaniu raka piersi, wielomodalnej analizie obrazu w celu wykrywania i diagnozowania raka oraz przewidywaniu nawrotu glejaka poprzez identyfikację kluczowych cech ewolucji raka. Opierając się na naszym bogatym doświadczeniu, badacze wysuwają hipotezę, że połączenie danych obrazowania multimodalnego i danych genomowych, zebranych zarówno w momencie rozpoznania, jak i w okresie obserwacji po leczeniu, dostarczy wystarczających informacji do przewidywania ryzyka przerzutów pomimo niepełne zrozumienie podstawowych mechanizmów biologicznych. Metody oparte na uczeniu maszynowym wykazały już ogromny potencjał w rozwiązywaniu problemu heterogeniczności wśród pacjentów onkologicznych, umożliwiając zbudowanie ujednoliconego narzędzia do przewidywania ryzyka przerzutów po leczeniu.

Taki model prognostyczny, po opracowaniu i walidacji, umożliwi lekarzom wprowadzanie korekt w leczeniu pacjentów. Przed uzyskaniem pełnego wglądu w mechanizm biologiczny stojący za przerzutami, takie narzędzie przewidywania zapewniłoby skuteczny sposób wyboru najlepszego leczenia w celu poprawy jakości życia każdego pacjenta i przedłużenia jego długości.

Co ważniejsze, taka technika przewidywania powinna potencjalnie nadawać się do uogólnienia na inne rodzaje raka. Jeśli tak, miałoby to ogromny wpływ na praktykę kliniczną w leczeniu raka i monitorowanie po leczeniu.

Metodyka i plan współpracy

1. Projekt badania Aby zmaksymalizować wykorzystanie istniejących danych, badacze przeprowadzą badanie retrospektywne połączone z fazą pilotażową badania prospektywnego. W badaniu retrospektywnym badacze wykorzystają publicznie dostępne obrazy i dane genomiczne pacjentów z rakiem piersi przed i po leczeniu w celu przeprowadzenia analizy obrazu, wyboru cech i zbudowania predyktorów. Aby zrekompensować brak dopasowanych danych obrazowych i genomicznych w publicznej bazie danych, badacze uzupełnią ją o nowe dane zebrane w pilotażowym badaniu prospektywnym, do którego badacze zrekrutują 400 pacjentek z rakiem piersi. Wszyscy zostaną poddani leczeniu chirurgicznemu oraz chemioterapii i/lub radioterapii, a obrazy i dane genomowe zostaną zebrane w momencie postawienia diagnozy. Dopasowane dane genomowe tych pacjentów będą następnie gromadzone corocznie przez okres do 4 lat. Zakładając częstość występowania przerzutów na poziomie 15% w ciągu 5 lat, około 60 pacjentów doświadczy przerzutów podczas badania. Zebrane dane i metadane wyników klinicznych zostaną wykorzystane do oceny dokładności modelu prognozowania oraz w przyszłych badaniach.

2. Gromadzenie danych Firma BGI Ltd. sponsoruje ten projekt. Jak wyjaśniono w liście wspierającym, BGI dostarczy nam dane obrazowe i dane genomiczne od 200 pacjentek z rakiem piersi, abyśmy mogli zbudować model prognostyczny. Wsparcie to zapewni solidne podstawy do uzyskania wystarczających danych.

   Dr Wing Cheong Chan jest chirurgiem zajmującym się piersiami w North District Hospital (NDH), a także chirurgiem odpowiedzialnym za operacje piersi w całym klastrze wschodnim New Territories East Cluster (NTEC) należącym do władz szpitalnych. Jako honorowy adiunkt kliniczny na Wydziale Chirurgii CUHK dr Chan już od dłuższego czasu ściśle współpracuje z prof. Yeo i dr Tse w zakresie diagnostyki i leczenia raka piersi. Jego oddział co roku przeprowadza operacje na około 260 pacjentach z rakiem piersi. Będzie odpowiedzialny za ciągłą rekrutację 200 pacjentek z rakiem piersi ze statusem ER/PR dodatnim lub ujemnym, dostarczanie świeżej tkanki nowotworowej i próbek krwi do pozyskiwania danych genomowych. Prof. Winnie Yeo jest klinicznym onkologiem w Prince of Wales Hospital (PWH) CUHK. Każdego roku leczy średnio ponad 500 pacjentek z rakiem piersi, w tym operowanych w NDH. Będzie odpowiedzialna za monitorowanie 200 pacjentek z rakiem piersi zwerbowanych po operacjach i innych zabiegach, a także będzie pobierać próbki krwi w okresie obserwacji. Dostarczy odpowiednie anonimowe dane kliniczne do zbudowania narzędzia prognozowania, a także dostarczy kliniczną informację zwrotną na temat cech predykcyjnych, które zespół HKUST wyodrębni z obrazów i danych genomowych.

   Prof. Winnie Chu, radiolog i dr Gary Tse, patolog, obaj z PWH, dostarczą znakowane mammogramy, obrazy ultrasonograficzne i obrazy biopsji tkanki wraz z danymi biomarkerów dla tych samych 200 pacjentów. Następnie będą dostarczać kolejne obrazy i inne dane z badań przesiewowych w określonych odstępach czasu. Niektórzy pacjenci otrzymają skany MRI, które zostaną również uwzględnione w danych do przewidywania opartego na obrazie. Wszystkie dane pacjentów zostaną zanonimizowane. Dr Chan i prof. YEO przekażą kliniczną informację zwrotną na temat funkcji predykcyjnych. Patrz Dodatek 2, aby zapoznać się ze standardowym protokołem akwizycji obrazu.

   Prof. Angela Wu, ekspert ds. genomiki i rozwoju technologii na Wydziale Nauk Przyrodniczych i Wydziale Inżynierii Chemicznej i Biologicznej HKUST, będzie pracować nad przygotowaniem próbek i gromadzeniem danych genomowych. Zbierze dane genomowe dla zespołu analitycznego. Prof. Wu ma bogate doświadczenie w genomice, aw szczególności w dziedzinie testów genomicznych i rozwoju technologii, o czym świadczą jej publikacje. Jej zespół przeprowadzi sekwencjonowanie całego egzomu (WES) i masowe sekwencjonowanie RNA guzów pacjentów, aby umożliwić identyfikację kluczowych mutacji w regionach kodujących białka oraz związek między tymi mutacjami a ekspresją genów. Rurociąg WES i RNA-seq będzie wykorzystywał standardowe procedury ekstrakcji DNA i RNA, a następnie sekwencjonowanie Illumina na sparowanych końcach. Sekwencjonowanie DNA bez komórek będzie również przeprowadzane corocznie u każdego pacjenta po operacji w celu ilościowego określenia DNA guza we krwi pacjenta. Badacze spróbują skorelować wyniki ze zmianami morfologicznymi w czasie, jak opisano za pomocą obrazowania. DNA wolne od komórek zostanie wyekstrahowane przy użyciu dostosowanych protokołów, które zostały zoptymalizowane i zatwierdzone w laboratorium prof. Wu.

3. Analiza danych i budowanie predyktorów Zespół analityczny składa się z czterech profesorów inżynierii i nauk przyrodniczych. Przeanalizują dane obrazowania multimodalnego i dane genomiczne, zbudują ujednolicony predyktor i ocenią jego działanie.

   1. Analiza obrazu Prof. Tim Cheng jest ekspertem w analizie zawartości obrazu z wykorzystaniem uczenia maszynowego. Jego zespół opracował ostatnio konwolucyjne sieci neuronowe do wykrywania i diagnozowania raka prostaty na podstawie obrazów MRI. Prof. Albert Chung specjalizuje się w analizie obrazów medycznych z około 20-letnim doświadczeniem. Prof. Weichuan Yu jest ekspertem w analizie obrazów ultrasonograficznych. Wspólnie przeanalizują mammogramy, obrazy ultrasonograficzne, obrazy patologiczne i ewentualnie obrazy MRI w celu wyodrębnienia cech obrazu związanych z przerzutami, które można wykorzystać w predyktorze. Kandydatami są współczynniki transformacji falkowej 2D, macierz współwystępowania na poziomie szarości oraz lokalne wzorce binarne i trójskładnikowe, które okazały się przydatne w wykrywaniu nieprawidłowości. Korzystając z obrazów, które mają podstawową prawdę, zostaną wyodrębnione reprezentatywne cechy obrazu, aby pomóc w rozróżnieniu normalnych, łagodnych i złośliwych tkanek. Zbadamy również różne klasyfikatory, takie jak sztuczne sieci neuronowe, losowy las i maszyna wektorów nośnych, pod kątem ich skuteczności w segmentowaniu obrazów piersi na podstawie wyodrębnionych cech. Badacze wykorzystają głębokie konwolucyjne sieci neuronowe, takie jak U-net i ResNet, do przeprowadzenia segmentacji obrazu. Wyniki segmentacji uzyskane z metod opartych na cechach i metod opartych na głębokim uczeniu się zostaną połączone w ramy probabilistyczne, takie jak metoda pola losowego Markowa. To powinno pozwolić na połączenie ich danych wyjściowych w predyktorze.

      Krótko mówiąc, badacze wykorzystają zestaw narzędzi zawierający najnowocześniejsze metody analizy obrazu medycznego i połączą je. Badacze omówią wyodrębnione cechy obrazu z zespołem klinicznym w celu uzyskania opinii.

   2. Analiza danych genomowych Dane genomowe zostaną przeanalizowane przez zespół składający się z prof. Jiguanga Wanga, biologa obliczeniowego i prof. Weichuana Yu, posiadającego doświadczenie w asocjacji całego genomu. prof. Tim Cheng i Albert Chung również wniosą wkład w tę część badania, stosując uczenie maszynowe do danych genomu. Prof. Wang wykazała, że ​​pewne mutacje guzów mózgu obserwowane na wczesnym etapie rozwoju nowotworu można wykorzystać do przewidywania wyników leczenia. Metody te zostaną dostosowane do danych dotyczących raka piersi w celu przewidywania przerzutów nowotworu. Ponadto badacze stwierdzili we wstępnym badaniu, że zmiana liczby kopii w ERBB2 w raku piersi wykazuje silny związek z przerzutami do mózgu. Ta obserwacja zostanie dodatkowo potwierdzona i uzasadniona przez dalsze prace w tym proponowanym badaniu. Po tym, jak badacze wybiorą cechy genomu jako cele, będą współpracować z zespołem klinicznym, aby uporządkować implikacje medyczne.
   3. Tworzenie predyktora przerzutów Badacze planują sformułować zadanie przewidywania jako problem wnioskowania statystycznego z Bayesowską strukturą probabilistyczną. Wszystkie pomiary i ich poziomy niepewności można następnie konsekwentnie modelować i matematycznie integrować. Na przykład wszystkie pomiary można przedstawić jako obserwacje w graficznym modelu probabilistycznym, a wynik predykacji można wywnioskować, szacując maksymalne rozwiązanie a posteriori (MAP). Ponieważ badacze będą zbierać dane z adnotacjami klinicystów, badacze oczekują, że parametry modelu będą mogły być efektywnie inicjowane i trenowane. Badacze zbadają również formułowanie zadania przewidywania jako problemu klasyfikacji i zbadają wykorzystanie wielu wspólnie trenowanych konwolucyjnych sieci neuronowych, z których każda przetwarza tylko dane obrazu lub genomu, do przeprowadzenia klasyfikacji.
4. Ocena Obszar pod krzywą charakterystyki operacyjnej odbiornika (ROC) (AUC) będzie głównym kryterium oceny dokładności przewidywania naszego narzędzia przewidywania przerzutów. Obecnie zgłasza się najlepszą wydajność przewidywania przerzutów raka piersi tylko przy użyciu danych obrazowych, pole pod krzywą (AUC) wynosiło około 55% dla ryzyka nawrotu i proliferacji opartego na teście genu PAM50. Na podstawie naszego badania nie zaproponowano jeszcze żadnej metody wykorzystania danych genomowych do przewidywania przerzutów raka piersi, chociaż ewolucja genomowa przerzutów i nawrotów raka piersi była aktywnie badana. Badacze spodziewają się, że dokładność przewidywania powinna wzrosnąć o co najmniej 5% do 10% po połączeniu przez badaczy zarówno danych obrazowych, jak i danych genomicznych.

Ostatnio Mobadersany i in. donieśli, że konwolucyjna sieć neuronowa przetrwania (SCNN) może przewyższać ręczny model bazowy klasy histologicznej, łącząc obrazy patologii i biomarkery genomowe w przewidywaniu wyniku glejaka. Autorzy wykorzystali wskaźnik c Harrella z perspektywy analizy przeżycia do pomiaru dokładności przewidywania. Mediana indeksu c osiągnęła 0,75 przy użyciu SCNN. Podczas gdy rak piersi bardzo różni się od glejaka, a AUC różni się od indeksu c Harrella, w niniejszym artykule przedstawiono pozytywny przykład łączenia danych obrazowych i danych genomowych w przewidywaniu wyniku raka.

Należy pamiętać, że obserwacja pełnych wyników klinicznych 400 pacjentów, których badacze planują zatrudnić w ramach tego projektu, zajmie znacznie więcej czasu. Badacze planują szukać dodatkowych funduszy, aby kontynuować nasze badania po zakończeniu tego projektu.