Foukakis, Theodoros – Integrative machine learning predictive models for neoadjuvant therapy optimization in breast cancer

Bakgrund

Onkologisk systembehandling vid bröstcancer ges numera ofta före operationen, s k neoadjuvant terapi (NAT). Fördelen med NAT är att behandlingseffekten kan bedömas i ett tidigt skede och man har möjlighet att byta behandling, alternativt ge ytterligare behandling efter operationen, beroende på tumörsvar. Det finns ett stort behov av verktyg, s k prediktiva markörer som kan förutsäga vilka patienter som har nytta av NAT samt prognostiska markörer som kan identifiera patienter med dålig prognos och behov av ytterligare postoperativ behandling. Avsaknad av pålitliga markörer riskerar leda till underbehandling eller, vanligare, överbehandling.

Beskrivning

Artificiell intelligens (AI)-baserade metoder kommer att användas för att upptäcka markörer som kan förutsäga om en viss NAT är effektiv samt ge prognostisk information hos patienter som har fått NAT. Avancerade AI-metoder kommer att integrera det prognostiska eller prediktiva värdet av olika datakällor såsom: - Genuttrycksanalyser och analys av tumörens arvsmassa med DNA-sekvensering - Analys av tumör-DNA och proteiner i patienternas blod - Bildanalyser av tumörsnitt med AI och djupinlärningsmetoder som identifierar mönster i tumörarkitektur - Bildanalyser av mammografi, ultraljud och magnetkameraundersökningar med motsvarande AI-metoder

Mål

Data från >5000 patienter som har behandlats med NAT i kliniska studier eller som rutinbehandling kommer att analyseras med AI för att identifiera faktorer av betydelse för behandlingseffekten och prognosen. De faktorer med störst prediktivt/prognostiskt värde kommer sedan att kombineras i en integrerad modell som förväntas ha en mycket högre prediktiv kapacitet jämfört med modeller från enskilda källor. Långsiktigt förväntas detta projekt leda till ett kliniskt användbart vertyg för att på individnivå kunna erbjuda en skräddarsydd NAT till patienter med bröstcancer, med bättre effekt, färre biverkningar och minskade kostnader som följd.