Usando dados de imagem e dados genômicos para prever a metástase do câncer de mama após o tratamento

Fundo

O câncer de mama é a segunda principal causa de morte em mulheres em todo o mundo. Segundo as estatísticas da OMS, 571.000 mulheres faleceram em 2015 apenas devido ao câncer de mama. Em Hong Kong, o câncer de mama é o câncer mais comum entre as mulheres.

Atualmente, o protocolo padrão no tratamento do câncer de mama consiste em cirurgia (mastectomia), quimioterapia, radioterapia e, possivelmente, terapia hormonal ou terapia direcionada, dependendo da presença ou ausência nas células tumorais de certos receptores hormonais, como receptores de estrogênio (ER), receptores de progesterona (PR) ou receptor epidérmico humano 2 (HER2). O protocolo padrão visa remover o tumor e matar quaisquer células tumorais remanescentes. O tratamento geralmente é ajustado com base na tolerância do paciente e no estado geral de saúde. Até agora, o protocolo padrão tem sido muito eficaz no tratamento de pacientes com câncer de mama em estágio inicial. A taxa de sobrevida relativa em 5 anos pode ser superior a 90% se os pacientes forem tratados precocemente. Mas ainda é muito desafiador tratar pacientes com câncer de mama em estágio intermediário ou avançado, especialmente aqueles com doença metastática. Para pacientes com metástases, a taxa de sobrevida relativa em 5 anos cai para cerca de 20%. Há duas razões principais para esta queda.

Embora todos os cânceres de mama comecem no mesmo órgão, a evolução das células cancerígenas mostra padrões diferentes em pacientes diferentes. Isso é especialmente verdadeiro quando os cânceres de mama estão avançados nos estágios intermediários ou tardios. O protocolo padrão, no entanto, é baseado em estatísticas médias de pacientes e não considera totalmente a singularidade dos indivíduos. Por exemplo, pacientes com origens genômicas diferentes respondem de maneira diferente à mesma dosagem de medicamento e experimentam diferentes efeitos colaterais. Assim, as estratégias de tratamento baseadas na população não podem fornecer tratamento eficaz e ideal para todos os pacientes, especialmente para pacientes com câncer de mama em estágio intermediário ou avançado.

O padrão-ouro clínico para o diagnóstico de câncer é a imagem multimodal: mamografia e ultrassonografia, além da patologia do tecido biopsiado. A imagem tem sido eficaz na detecção de câncer de mama primário, mas torna-se menos eficaz para monitorar pacientes após o tratamento porque seus tumores primários e linfonodos afetados foram removidos. Embora os médicos ainda confiem na triagem baseada em imagens de órgãos como os pulmões e o fígado, onde as metástases se estabeleceram, para monitorar seus pacientes após o tratamento, esses testes de triagem não são suficientemente sensíveis. Pacientes com maior risco de metástase muitas vezes perdem a melhor janela de oportunidade para ajuste da terapia antes do início secundário. Quando a metástase é observada em outras partes do corpo alguns anos depois, muitas vezes já é tarde demais para qualquer intervenção efetiva.

Para pacientes cujos cânceres de mama estão em estágio inicial, o protocolo padrão é muito útil. Mas para pacientes cujos cânceres de mama já estão mais avançados, o protocolo padrão e as ferramentas de monitoramento pós-tratamento podem não ser suficientes para controlar efetivamente o desenvolvimento do câncer e evitar o aparecimento secundário ou metástase. Se pudermos prever com precisão a ocorrência de metástase após o tratamento do câncer primário, os investigadores poderão ajustar o curso da intervenção durante a janela de tempo entre o tratamento do tumor primário e o aparecimento secundário. Potencialmente, os investigadores podem atrasar ou mesmo evitar a metástase.

Muitos estudos mostraram que as alterações genômicas estão entre os fatores mais importantes que iniciam o câncer e controlam sua progressão e metástases. Para identificar essas mutações, projetos de sequenciamento como o Atlas do Genoma do Câncer (TCGA) e o Consórcio Internacional do Genoma do Câncer (ICGC) estudaram sistematicamente os genomas e transcriptomas de milhares de cânceres. Como resultado, muitas mutações que levam ao câncer de mama foram identificadas. Mas os papéis dessas mutações na metástase do câncer de mama ainda não estão claros.

Clinicamente, existem algumas associações entre tratamentos de tumores primários e o risco de aparecimento secundário. Por exemplo, sabe-se que as mulheres que recebem radioterapia após a mastectomia têm um risco maior de câncer de pulmão. Tais associações são fracas, no entanto, e não têm implicações clinicamente acionáveis.

Neste estudo, nossa equipe especializada em cirurgia, oncologia, radiologia, patologia, aprendizado de máquina, análise de imagens médicas, genômica de célula única, análise de dados genômicos e evolução do câncer enfrentará o desafio de prever metástases pós-tratamento em pacientes com câncer de mama. Os membros de nossa equipe estabeleceram experiência clínica e um forte histórico de trabalhos relevantes em áreas como tratamento e prognóstico de câncer de mama, análise de imagem multimodal para detecção e diagnóstico de câncer e previsão de recidiva de glioblastoma, identificando as principais características da evolução do câncer. Com base em nossa extensa experiência, os pesquisadores levantam a hipótese de que a combinação de dados de imagem multimodalidade e dados genômicos, coletados no momento do diagnóstico e durante o período de acompanhamento pós-tratamento, fornecerá informações suficientes para prever o risco de metástase, apesar de uma compreensão incompleta dos mecanismos biológicos subjacentes. Os métodos baseados em aprendizado de máquina já demonstraram grande potencial para lidar com a questão da heterogeneidade entre pacientes com câncer, possibilitando a construção de uma ferramenta unificada para prever o risco de metástase pós-tratamento.

Tal modelo de previsão, uma vez desenvolvido e validado, permitirá aos médicos fazer ajustes no tratamento dos pacientes. Antes de obter uma visão completa do mecanismo biológico por trás da metástase, essa ferramenta de previsão ofereceria uma maneira eficaz de escolher o melhor tratamento para melhorar a qualidade de vida de cada paciente e prolongar sua expectativa de vida.

Mais importante, essa técnica de previsão deve ser potencialmente generalizável para outros tipos de câncer. Se assim fosse, teria um enorme impacto na prática clínica no tratamento do câncer e no monitoramento pós-tratamento.

Metodologia e Plano de Colaboração

1. Desenho do estudo Para maximizar o uso dos dados existentes, os investigadores realizarão um estudo retrospectivo combinado com a fase piloto de um estudo prospectivo. No estudo retrospectivo, os investigadores usarão imagens publicamente disponíveis e dados genômicos de pacientes com câncer de mama antes e depois do tratamento para realizar análises de imagens, seleção de recursos e construção de preditores. Para compensar a falta de imagens correspondentes e dados genômicos no banco de dados público, os investigadores irão complementá-lo com novos dados coletados em um estudo prospectivo piloto para o qual os investigadores irão recrutar 400 pacientes com câncer de mama. Todos serão submetidos a tratamento cirúrgico mais quimioterapia e/ou radioterapia, e imagens e dados genômicos serão coletados no momento do diagnóstico. Os dados genômicos correspondentes para esses pacientes serão coletados anualmente por até 4 anos. Assumindo uma incidência de metástase de 15% em 5 anos, cerca de 60 dos pacientes apresentarão metástase durante o estudo. Os dados coletados e os metadados do resultado clínico serão usados ​​para avaliar a precisão do modelo de predicação e em estudos futuros.

2. Coleta de dados A BGI Ltd. está patrocinando este projeto. Conforme explicado em sua carta de apoio, o BGI fornecerá dados de imagem e dados genômicos de 200 pacientes com câncer de mama para construirmos o modelo de previsão. Esse suporte fornecerá uma base sólida para a obtenção de dados suficientes.

   O Dr. Wing Cheong Chan é um cirurgião de mama no North District Hospital (NDH) e também o cirurgião responsável pela cirurgia de mama de todo o Cluster Leste dos Novos Territórios (NTEC) da Autoridade Hospitalar. Como Professor Assistente Clínico Honorário no Departamento de Cirurgia da CUHK, o Dr. Chan já trabalha em estreita colaboração com o Prof. Yeo e o Dr. Tse no diagnóstico e tratamento do câncer de mama há muito tempo. Sua divisão realiza cirurgias em cerca de 260 pacientes com câncer de mama a cada ano. Ele será responsável por recrutar 200 pacientes com câncer de mama com status ER/PR positivo ou negativo de forma contínua, fornecendo tecido tumoral fresco e amostras de sangue para aquisição de dados genômicos. O Prof. Winnie Yeo é oncologista clínico no Hospital Prince of Wales (PWH) de CUHK. Ela atende, em média, mais de 500 pacientes com câncer de mama por ano, incluindo aquelas operadas no NDH. Ela será responsável pelo monitoramento de 200 pacientes com câncer de mama recrutadas após suas cirurgias e outros tratamentos, e coletará amostras de sangue durante o período de acompanhamento. Ela fornecerá dados clínicos anônimos relevantes para a construção da ferramenta de previsão e também fornecerá feedback clínico sobre os recursos preditivos que a equipe HKUST extrairá das imagens e dados genômicos.

   O Prof. Winnie Chu, radiologista, e o Dr. Gary Tse, patologista, ambos da PWH, fornecerão mamografias marcadas, imagens de ultrassom e imagens de tecido biopsiado junto com dados de biomarcadores para os mesmos 200 pacientes. Eles fornecerão imagens subsequentes e outros dados de teste de triagem em intervalos. Alguns pacientes receberão exames de ressonância magnética, que também serão incluídos nos dados para previsão baseada em imagem. Todos os dados do paciente serão anonimizados. O Dr. Chan e o Prof. YEO fornecerão feedback clínico sobre recursos preditivos. Consulte o Apêndice 2 para obter o protocolo de aquisição de imagem padrão.

   A professora Angela Wu, especialista em genômica e desenvolvimento tecnológico da Divisão de Ciências da Vida e do Departamento de Engenharia Química e Biológica do HKUST, trabalhará na preparação de amostras e na coleta de dados do genoma. Ela coletará os dados genômicos para a equipe de análise. Prof. Wu tem uma vasta experiência em genômica, e em particular na área de ensaio genômico e desenvolvimento de tecnologia, como evidenciado por suas publicações. Sua equipe realizará o sequenciamento completo do exoma (WES) e o sequenciamento de RNA em massa dos tumores dos pacientes para permitir a identificação de mutações-chave nas regiões codificadoras de proteínas e a relação entre essas mutações e a expressão gênica. O pipeline de WES e RNA-seq empregará procedimentos padrão de extração de DNA e RNA seguidos de sequenciamento Illumina de ponta pareada. O sequenciamento de DNA livre de células também será realizado anualmente para cada paciente após a cirurgia para quantificar o DNA do tumor no sangue do paciente. Os investigadores tentarão correlacionar os resultados com as alterações morfológicas ao longo do tempo, conforme descrito pela imagem. O DNA livre de células será extraído usando protocolos adaptados dos quais foram otimizados e validados no laboratório do Prof. Wu.

3. Análise de dados e construção de preditores A equipe de análise consiste em quatro professores de engenharia e ciências biológicas. Eles analisarão os dados de imagem multimodalidade e os dados genômicos, construirão um preditor unificado e avaliarão seu desempenho.

   1. Análise de imagem O Prof. Tim Cheng é um especialista em análise de conteúdo de imagem usando aprendizado de máquina. Sua equipe desenvolveu recentemente redes neurais convolucionais para detectar e diagnosticar o câncer de próstata a partir de imagens de ressonância magnética. O Prof. Albert Chung é especialista em análise de imagens médicas com cerca de 20 anos de experiência. O Prof. Weichuan Yu é especialista na análise de imagens de ultrassom. Eles analisarão conjuntamente as mamografias, imagens de ultrassom, imagens de patologia e possivelmente imagens de ressonância magnética com o objetivo de extrair características de imagem associadas à metástase que podem ser usadas no preditor. Os candidatos são coeficientes de transformada de wavelet 2D, matriz de co-ocorrência de nível de cinza e padrões binários e ternários locais que se mostraram úteis na detecção de anormalidades. Usando imagens que têm a verdade, recursos de imagem representativos serão extraídos para ajudar a diferenciar tecidos normais, benignos e malignos. Também investigaremos diferentes classificadores, como redes neurais artificiais, floresta aleatória e máquina vetorial de suporte, quanto à sua eficácia na segmentação de imagens de mama com base nos recursos extraídos. Os investigadores usarão redes neurais convolucionais profundas, como U-net e ResNet, para realizar a segmentação da imagem. Os resultados de segmentação obtidos de métodos baseados em características e de métodos baseados em aprendizado profundo serão fundidos sob uma estrutura probabilística como o método de campos aleatórios de Markov. Isso deve permitir o acoplamento de sua saída no preditor.

      Em suma, os investigadores irão implantar uma caixa de ferramentas contendo métodos de análise de imagens médicas de última geração e combiná-los. Os investigadores discutirão os recursos da imagem extraída com a equipe clínica para feedback.

   2. Análise de dados genômicos Os dados do genoma serão analisados ​​por uma equipe formada pelo Prof. Jiguang Wang, biólogo computacional, e pelo Prof. Weichuan Yu, com experiência em associação genômica ampla. Profs. Tim Cheng e Albert Chung também contribuirão para esta parte do estudo, aplicando aprendizado de máquina aos dados do genoma. O Prof. Wang mostrou que certas mutações de tumores cerebrais observadas no início do desenvolvimento do câncer podem ser usadas para prever os resultados do tratamento. Esses métodos serão adaptados aos dados do câncer de mama para prever a metástase do tumor. Além disso, os pesquisadores descobriram em um estudo preliminar que uma alteração no número de cópias em ERBB2 no câncer de mama mostra forte associação com metástase cerebral. Esta observação será posteriormente validada e justificada pelo trabalho de acompanhamento neste estudo proposto. Depois que os investigadores selecionarem as características do genoma como alvos, os investigadores trabalharão juntos com a equipe clínica para resolver as implicações médicas.
   3. Construindo um preditor de metástase Os investigadores planejam formular a tarefa de predição como um problema de inferência estatística com uma estrutura probabilística bayesiana. Todas as medições e seus níveis de incerteza podem então ser consistentemente modelados e matematicamente integrados. Por exemplo, todas as medições podem ser representadas como observações em um modelo probabilístico gráfico e o resultado da previsão pode ser inferido estimando a solução máxima a posteriori (MAP). Como os investigadores coletarão dados anotados pelos médicos, eles esperam que os parâmetros do modelo possam ser inicializados e treinados de forma eficaz. Os investigadores também explorarão a formulação da tarefa de previsão como um problema de classificação e investigarão o uso de várias redes neurais convolucionais co-treinadas em conjunto, cada uma das quais processa apenas dados de imagem ou genoma, para realizar a classificação.
4. Avaliação A área sob a curva ROC (Receiver Operating Characteristic) (AUC) será o principal critério para avaliar a precisão da previsão de nossa ferramenta de previsão de metástase. Atualmente, o melhor desempenho da previsão de metástase de câncer de mama usando apenas dados de imagem é relatado, a área sob a curva (AUC) foi de cerca de 55% para o risco de recidiva e proliferação baseado no ensaio do gene PAM50. Com base em nossa pesquisa, nenhum método ainda foi proposto para usar dados genômicos para a previsão de metástase de câncer de mama, embora a evolução genômica da metástase e recidiva do câncer de mama tenha sido ativamente investigada. Os investigadores esperam que a precisão da previsão aumente em pelo menos 5% a 10% depois que os investigadores combinarem os dados de imagem e os dados genômicos.

Recentemente, Mobadersany et al. relatou que a rede neural convolucional de sobrevivência (SCNN) pode superar o modelo de linha de base de grau histológico manual, combinando imagens de patologia e biomarcadores genômicos na previsão do resultado do glioma. Os autores usaram o índice c de Harrell da perspectiva da análise de sobrevivência para medir a precisão da previsão. A mediana do índice c alcançou 0,75 usando o SCNN. Embora o câncer de mama seja muito diferente do glioma e a AUC seja diferente do índice c de Harrell, este artigo demonstrou um exemplo positivo de combinação de dados de imagem e dados genômicos na previsão do resultado do câncer.

Observe que levará muito mais tempo para observar os resultados clínicos completos dos 400 pacientes que os investigadores planejam recrutar neste projeto. Os investigadores planejam buscar financiamento adicional para continuar nosso estudo após a conclusão deste projeto.