Mit Blick Auf Die Weltweit Häufigste Krebsart Haben Chinesische Wissenschaftler Das Brustkrebs-Prognosesystem MIRS Entwickelt.
Die neuesten Daten zur globalen Krebsbelastung für 2020, die von der Internationalen Agentur für Krebsforschung (IARC) der Weltgesundheitsorganisation veröffentlicht wurden, zeigen, dass die Zahl der Neuerkrankungen an Brustkrebs weltweit im Jahr 2020 rapide anstieg und 2,26 Millionen erreichte. Damit löste Brustkrebs erstmals offiziell Lungenkrebs als weltweit häufigste Krebsart ab. Unter ihnen lag die Zahl der Neuerkrankungen an Brustkrebs bei Frauen in meinem Land mit 420.000 an erster Stelle und übertraf damit bei weitem alle anderen Krebsarten bei Frauen.
Aufgrund der hohen Komplikations- und Sterberate stellt Brustkrebs eine ernsthafte Bedrohung für die Gesundheit von Frauen auf der ganzen Welt dar. Wenn die Krankheit jedoch frühzeitig erkannt und entsprechend den bewährten Verfahren behandelt wird, dürften sich die Überlebensraten deutlich verbessern. Laut der American Cancer Society ist die Sterberate durch Brustkrebs zwischen 1989 und 2016 um 401 TP3T gesunken.
In den letzten Jahren wurden im Bereich der medizinischen Bildgebung, Pathologie und Entscheidungsunterstützungssysteme große Fortschritte im Bereich der künstlichen Intelligenz erzielt. Es haben sich drei wichtige Forschungsrichtungen im Bereich der Brustkrebspathologie herausgebildet: Erkennung von Kernteilungsbildern auf zellulärer Ebene, Erkennung und Segmentierung von Tumorbereichen auf regionaler Ebene und quantitative Analyse der Immunhistochemie.
Tumorinfiltrierende Immunzellen (TIICs) und Tumormetastasen sind wichtige Merkmale von Tumoren im menschlichen Körper. Vor nicht allzu langer Zeit,Forscher der University of Kentucky, der Macau University of Science and Technology, der University of Macau und des First Affiliated Hospital der Guangzhou Medical University verwendeten ein neuronales Netzwerkmodell, um ein genaues Prognosebewertungssystem, MIRS (Metastasen- und Immunogenomrisiko-Score), für die Bewertung von Tumormetastasen und des Immunogenomrisikos zu entwickeln.Dadurch steht ein Vorhersageinstrument zur Verfügung, das bei Brustkrebspatientinnen nahezu universell anwendbar ist und neue Wege bei der Auswahl der Behandlungsmethoden in der Brustkrebspopulation aufzeigt.
Forschungshighlights:
* MIRS, ein Bewertungssystem zur Vorhersage der Brustkrebsprognose und -behandlung, kann zur Formulierung von Behandlungsstrategien für Brustkrebspatientinnen verwendet werden
* Diese Studie analysierte den Einfluss von Metastasen und Immuninfiltration auf die Brustkrebsprognose
* MIRS kann Hinweise für verschiedene BRCA-Subtypen geben, und IVL hat den höchsten Expressionsgrad im TNBC-Subtyp
Der korrespondierende Autor dieses Artikels, Xiaohua Douglas Zhang, ist Professor für Biostatistik an der University of Kentucky. Er erhielt einen Ph.D. in Statistik von der Carnegie Mellon University, einen EMBA in Management von der Guanghua School of Management der Peking University, einen Master-Abschluss in Genetik von der Peking University und einen Bachelor-Abschluss in Biologie von der Beijing Normal University. Erwähnenswert ist, dass er auch 14 Jahre lang bei Merck gearbeitet hat und dort als leitender Chefwissenschaftler tätig war.
Persönliche Homepage:
https://cph.uky.edu/directory/xiaohua-zhang
Holen Sie sich das Papier:
https://doi.org/10.1016/j.isci.2023.108322
Folgen Sie dem offiziellen Konto und antworten Sie mit „MIRS“, um das vollständige PDF zu erhalten
Datensatz: Auswahl der differentiell exprimierten Gene
In dieser Studie wurde erstmals eine Einzelproben-Gensatzanalyse (ssGSEA) angewendet, um die Anreicherungswerte von 45 Immunmerkmalen im Zusammenhang mit der Tumormikroumgebung bei Brustkrebspatientinnen aus der TCGA-Datenbank (The Cancer Genome Atlas) herauszufiltern.
Basierend auf diesen Daten wurde in der Studie außerdem eine hierarchische Clustermethode verwendet, um die Patienten in Gruppen mit hoher Immunzellinfiltration und Gruppen mit niedriger Immunzellinfiltration einzuteilen. Anschließend identifizierten die Forscher mithilfe des Wilcoxon-Rangsummentests 1.222 unterschiedlich exprimierte Gene (DEGs) zwischen den Gruppen mit hoher und niedriger Immunzellinfiltration.
Um mit der Metastasierung in Zusammenhang stehende Gene zu erkennen, wurde im Rahmen der Studie gleichzeitig ein Wilcoxon-Rangsummentest zwischen Patientinnen mit Brustkrebsmetastasen und Primärpatientinnen auf Grundlage von zwei großen GEO-Kohorten (Gene Expression Omnibus), GSE10893 (n=18) und GSE3521 (n=75), durchgeführt und 2159 differentiell exprimierte Gene (DEGs) herausgefiltert. Nach der Überlappung mit den vorherigen 1222 Genen wurde festgestellt, dass es 52 überlappende Gene enthielt.
Auf der Grundlage dieser 52 überlappenden Gene untersuchten die Forscher außerdem 12 Gene, die mit dem Gesamtüberleben (OS) der Patienten in Zusammenhang stehen, und erstellten für diese 12 Gene ein Prognosemodell mit neuronalem Netzwerkrahmen, das sogenannte MIRS. Auf Grundlage des MIRS-Scores wurden die Patienten in der Studie schließlich in die Subtypen „MIRS hoch“ und „MIRS niedrig“ eingeteilt und der MIRS-Score zur Steuerung der Chemotherapie bzw. Immuntherapie verwendet.
Modellarchitektur: Das neuronale Netzwerkmodell zeigte die beste Vorhersageleistung
Die Forscher unterteilten die 12 aus den 52 Genen gescreenten Kandidatengene weiter in Schutzgene und Risikogene. Bei Schutzgenen wird der Wert „0“ vergeben, wenn der Genexpressionstatus höher als der Probendurchschnitt ist, und der Wert „1“, wenn er niedriger als der Durchschnitt ist. Bei gefährlichen Genen wird der Wert „1“ vergeben, wenn der Genexpressionstatus höher als der Probendurchschnitt ist, und der Wert „0“, wenn er niedriger als der Durchschnitt ist.
Anschließend teilten die Forscher die TCGA-Kohorte (N = 1100) zufällig im Verhältnis 7:3 in Trainingsdaten und Testdaten auf und verwendeten vier Methoden des maschinellen Lernens, darunter neuronale Netzwerke (NN), statistische Regression (LR), Random Forest (RF) und Support Vector Machine (SVM), um ein Prognosebewertungssystem auf der Grundlage von 12 Kandidatengenen zu erstellen.
Wie in der folgenden Abbildung dargestellt, zeigt die ROC-Kurvenanalyse, dass das neuronale Netzwerkmodell die beste Vorhersageleistung aufweist, unabhängig davon, wie sich der Trainingssatz oder der Testsatz ändert.
Auf dieser Grundlage wurde in der Studie auch ein klassisches neuronales Netzwerk mit einer versteckten Schicht verwendet, um ein Prognosemodell zu erstellen, wie in der folgenden Abbildung dargestellt. Dabei wurde das NetzNr. 1 = W1,1ich1 + W2,1ich2 +…+ W12,1ich12 + b1, wobei W das Gewicht jedes Eingabeknotens und ij (j = 1,2…12) der „0-1“-Zustand des Gens ist.
In der Ausgabeschicht verwendete die Studie Tensorflow und Keras, um ein neuronales Netzwerk aufzubauen, verwendete ReLU als Aktivierungsfunktion in der verborgenen Schicht, wandte die Softmax-Funktion auf die Knoten „Überleben“ und „Tod“ der Ausgabeschicht an, verwendete den Kreuzentropiefehler als Verlustfunktion und verwendete den Adam-Algorithmus, um die prognostischen Gengewichte zu optimieren. Nach dem Training wird der Koeffizient jedes Prognosegens durch das maximale Gewicht der verborgenen Schicht bestimmt.
Hier sind zwei Beispiele für MIRS-Berechnungen in Aktion:
Forschungsergebnis: Der MIRS-niedrige Subtyp neigt eher zur Metastasierung, und die Chemotherapie ist für den MIRS-hohen Subtyp vorteilhafter
In dieser Studie wurde mithilfe des ESTIMATE-Algorithmus die Korrelation zwischen den Immungenomprofilen und MIRS bei Brustkrebspatientinnen weiter untersucht. Die Ergebnisse zeigten, dass der MIRS-low-Subtyp einen höheren Anteil an Immunzellen und Stromazellen, aber eine geringere Tumorreinheit aufwies. Dies lässt darauf schließen, dass beim MIRS-low-Subtyp höhere Konzentrationen tumorinfiltrierender Immunzellen vorhanden sind.
Darüber hinaus wurden im Rahmen dieser Studie auch ssGSEA-Scores für 17 immunbezogene Signalwege zwischen den beiden MIRS-Subtypen durchgeführt. Die Ergebnisse zeigten, dass die Immuninfiltrationsniveaus im MIRS-niedrigen Subtyp im Vergleich zum MIRS-hohen Subtyp in fast allen Signalwegen signifikant höher waren.
Darüber hinaus untersuchte diese Studie auch den Zusammenhang zwischen dem MIRS-Score und der Krebsmetastasierung. Beim MIRS-niedrigen Subtyp kam es zu einer Hochregulierung der Aktivität metastatischer Signalfaktoren, darunter Hypoxie, TGF-β-Signalisierung, Angiogenese und epithelial-mesenchymale Transition (EMT)-Werte (Abbildungen 2F und 2H). Gleichzeitig beobachteten die Forscher eine erhöhte Aktivität des Makrophagen M1 (Abbildung 2D unten) und der Angiogenese (Abbildung 2F unten) im MIRS-Low-Subtyp, was mit früheren Ansichten übereinstimmt. Darüber hinaus korrelierte MIRS negativ mit Angiogenese-Markergenen (Abbildung 1G).
Zusammenfassend lässt sich sagen, dass der MIRS-niedrige Subtyp mit hoher Immuninfiltration möglicherweise anfälliger für Metastasen ist.
Da der MIRS-niedrige Subtyp eine hohe Infiltration von TIICs im TME aufweist, sollten Patienten mit dem MIRS-niedrigen Subtyp theoretisch empfindlich auf eine Therapie mit einer Immun-Checkpoint-Blockade (ICB) reagieren. MIRS zeigte letztlich auch, dass der MIRS-niedrige Subtyp möglicherweise empfindlicher auf eine ICB-Therapie reagiert als der MIRS-hohe Subtyp.
und immunphänotypischer Score (IPS)
Die Studie analysierte auch den Zusammenhang zwischen MIRS und Chemotherapie. Die Überlebensanalyse zeigte, dass die Überlebensrate von Patienten mit dem Subtyp MIRS hoch nach der Chemotherapie höher war als die von Patienten mit dem Subtyp MIRS niedrig. Darüber hinaus ergab die Studie, dass die Überlebensrate von Patienten mit hohem MIRS-Wert, die eine Chemotherapie erhielten, signifikant höher war als die von Patienten mit hohem MIRS-Wert, die keine Chemotherapie erhielten. Diese Ergebnisse zeigen, dassFür den MIRS-hohen Subtyp ist eine Chemotherapie möglicherweise vorteilhafter.
Dreifach negative Brustkrebs-Subtypen: MIRS enthüllt potenzielle prognostische Genziele
Unter den Brustkrebs-Subtypen ist der Behandlungsfortschritt bei dreifach negativem Brustkrebs (TNBC) noch immer mit zahlreichen Herausforderungen verbunden und es besteht dringender Bedarf an der Entwicklung weiterer Biomarker, die die Prognose verbessern können. Im Vergleich zum MIRS-niedrigen Subtyp weist der MIRS-hohe Subtyp eine niedrigere Überlebensrate auf und kann daher als Kandidaten-Zielgen für die TNBC-Progression verwendet werden. Im MIRS-high-Subtyp wurden 58 Gene signifikant überexprimiert.
Anschließend verwendeten die Forscher drei maschinelle Lernalgorithmen – XGboost, Borota RF und Elastic Net Lasso Regression (ElasticNet), um die kritischsten Gene auszuwählen. Schließlich wurden im Venn-Diagramm der 4 Gengruppen 9 dominante Gene gefunden. Überlebenskurven zeigten, dass der Expressionsgrad von IVL (Involucrin) die Überlebensergebnisse verschiedener Brustkrebs-Subtypen beeinflusst.
Assoziation mit Tumorsubtyp
Darüber hinaus hatte IVL das höchste Expressionsniveau beim TNBC-Subtyp und ein niedrigeres Expressionsniveau beim BRCA-Subtyp. Durch die Analyse von mit der Zellmigration in Zusammenhang stehenden Signalwegmarkern wurden die Zellmigrationssignale in der Gruppe mit hoher IVL signifikant angereichert. Diese Ergebnisse legen nahe, dass IVL ein potenzielles Ziel für die Erforschung der Prognose von TNBC-Subtypen sein könnte.
Es gibt einen bedeutenden METASCAPE-Pfad
Die Diagnose und Behandlung von Brustkrebs befindet sich noch immer im Stadium schwacher künstlicher Intelligenz
Ärzte spielen bei der Diagnose und Behandlung von Brustkrebs eine entscheidende Rolle. Die Ausbildung eines qualifizierten Brustchirurgen erfordert jedoch viel Zeit und Mühe. Heute bietet die Anwendung künstlicher Intelligenz mehr medizinische Möglichkeiten zur Behandlung von Brustkrebs und dürfte die hohe Inzidenz und Mortalität von Brustkrebs senken.
Die aktuelle KI-Forschung zur Diagnose und Behandlung von Brusterkrankungen konzentriert sich jedoch hauptsächlich auf Brustmammographie, Ultraschall, Deep-Learning-Technologie für pathologische Bilddaten sowie auf die Diagnose und Entscheidungsfindung bei Brustkrebsbehandlung, Krankenhausmanagement und andere Zweige und Bereiche.Es fehlt ein Top-Level-Design für die Integration mehrerer Deep-Learning-Modelle, d. h. es fehlen Deep-Learning-Modelle, die reale Informationen in Echtzeit aktualisieren, speichern und analysieren und die Bildlesediagnose mittels künstlicher Intelligenz, die individualisierte Behandlung und die Risikovorhersage integrieren können.
Um die Innovation im Bereich der künstlichen Intelligenz und die industrielle Entwicklung zu beschleunigen, hat mein Land bereits im Jahr 2016 im Plan „Healthy China 2030“ vorgeschlagen, die Diagnose und Behandlung von Brusterkrankungen voranzutreiben. Künstliche Intelligenz wird in Zukunft große Fortschritte bei der Anwendung zur Diagnose und Behandlung von Brusterkrankungen erzielen. In den „CSCO-Leitlinien zur Diagnose und Behandlung von Brustkrebs 2021“ wird weiter vorgeschlagen: Die Expertengruppe fördert die Durchführung klinischer Forschung im Zusammenhang mit künstlicher Intelligenz und die Entwicklung künstlicher Intelligenzsysteme mit unabhängigen Rechten am geistigen Eigentum in meinem Land.
In China gibt es jedes Jahr etwa 400.000 neue Fälle von Brustkrebs, von denen mehr als 70% in Städten der dritten und vierten Kategorie auftreten, und die Zahl der Patienten wird jünger und die Bevölkerung lebt stärker in Städten. In den letzten Jahren haben die lokalen Regierungen ihre Investitionen in die Brustkrebsvorsorge für Frauen kontinuierlich erhöht, und immer mehr Frauen haben davon profitiert. Sie hoffen außerdem, dass künstliche Intelligenz in Zukunft neue Lösungen für die Krebsbekämpfung finden wird.
Quellen: