MIA-Prognose: Ein tiefes Lernframework zur Vorhersage der Therapieantwort
Die Prognose von klinischen Verläufen ist von entscheidender Bedeutung, jedoch äußerst herausfordernd. Forschungsanstrengungen richten sich darauf, signifikante Biomarker zu identifizieren, die mit der Therapieantwort und/oder der Überlebenszeit von Patienten assoziiert sind. Allerdings sind diese Biomarker in der Regel kostspielig und invasiv und könnten für neue Therapien unzureichend sein. Andererseits werden in der klinischen Praxis kontinuierlich multimodale, heterogene und nicht synchronisierte zeitliche Daten generiert. In dieser Arbeit wird ein einheitlicher Ansatz basierend auf tiefer Lernverfahren vorgestellt, um die Prognose von Patienten und die Therapieantwort unter Verwendung leicht zugänglicher Daten – beispielsweise Radiologie-, Labor- und klinischer Informationen – vorherzusagen. Vorherige Ansätze konzentrieren sich entweder auf die Modellierung einzelner Datentypen oder ignorieren zeitliche Veränderungen. Wichtig ist, dass klinische Zeitreihen in der Praxis asynchron sind, d. h., sie werden mit unregelmäßigen Intervallen erfasst. In dieser Studie formulieren wir die Prognosemodellierung als Aufgabe der Klassifikation multimodaler asynchroner Zeitreihen und stellen einen MIA-Prognosis-Framework vor, der Mess-, Intervention- und Bewertungsinformationen (MIA) integriert, um die Therapieantwort vorherzusagen. Hierfür entwickeln wir eine Simple Temporal Attention (SimTA)-Einheit, die speziell auf die Verarbeitung asynchroner Zeitreihen ausgelegt ist. Experimente an synthetischen Datensätzen belegen die Überlegenheit von SimTA gegenüber herkömmlichen RNN-basierten Ansätzen. Darüber hinaus testen wir den vorgeschlagenen Ansatz an einem internen, retrospektiven Datensatz realer Patienten mit nicht-kleinzelligem Lungenkrebs, die einer anti-PD-1-Immuntherapie unterzogen wurden. Das vorgeschlagene Verfahren erzielt vielversprechende Ergebnisse bei der Vorhersage der Immuntherapieantwort. Insbesondere kann unser prädiktives Modell Patienten zusätzlich in Gruppen mit niedrigem und hohem Risiko für langfristiges Überleben einteilen.