Interpretable Biomarker-AI-based prediction of tumour radiosensitivity for future personalised cancer treatment
Projektleitung:
Dr. Sona Michlikova (OncoRay, Dresden) sona.michlikova(at)uniklinikum-dresden.de
Dr. María José Besso (DKFZ, Heidelberg), mariajose.besso(at)dkfz-heidelberg.de
Gefördert seit: Juli 2022 für 3 Jahre
Die Entwicklung patientenspezifischer, individualisierter Behandlungsstrategien ist eines der Hauptziele der modernen klinischen Radioonkologie im Bereich der Präzisionsmedizin. Folglich besteht ein dringender Bedarf an prognostischen und prädiktiven Biomarkern, um eine zuverlässige Patientenstratifizierung zu ermöglichen. Plattenepithelkarzinome des Kopf- und Halsbereichs (HNSCC) sind weltweit die sechsthäufigste Krebsart. Es handelt sich dabei um eine sehr heterogene Gruppe solider Tumore mit unterschiedlichem Behandlungserfolg. Die Resistenz gegen eine Strahlentherapie steht in engem mit der Zusammensetzung der Tumormikroumgebung (TME).
Durch die Kombination verschiedener Datentypen können aussagekräftige Biomarker mit erhöhter Robustheit und Übertragbarkeit extrahiert werden. In diesem Projekt zielen wir darauf ab, Signaturen aus histopathologischen Bildern und molekularen Omics-Daten zu integrieren. Histopathologische Bilder werden am häufigsten im klinischen Krebsmanagement eingesetzt. Mithilfe von Methoden der künstlichen Intelligenz (KI) konnte bereits Tumorgewebe erkannt, Tumoruntertypen identifiziert und der Mutationsstatus oder das Überleben von Patienten vorhergesagt werden. Häufige Engpässe für die klinische Übertragung sind jedoch die Reproduzierbarkeit von Bildbiomarkern, Modellüberanpassung, voreingenommene Daten und mangelnde biologische Interpretierbarkeit. Tumorproben werden sequenziert, um den Krankheitsverlauf und das potenzielle Therapieergebnis abzuleiten. Dabei gehen jedoch jegliche räumliche Informationen verloren, sodass schwach exprimierte Marker oder Marker, die nur an einer bestimmten Stelle des Tumors vorhanden sind, übersehen werden. Diese Herausforderung kann durch die Verknüpfung der molekularen Signatur mit der histologiebasierten Charakterisierung der TME gemeistert werden.
In diesem Projekt sollen durch die Integration bildbasierter (OncoRay) und molekularer (DKFZ) Merkmale prognostische und prädiktive Biomarker mit erhöhter Genauigkeit identifiziert werden. Dazu werden konventionelle Radiomics-, Deep-Learning- und Bioinformatik-Ansätze angewendet, um die Strahlenempfindlichkeit und den induzierten residuellen DNA-Schaden in präklinischen HNSCC-Modellen auf der Grundlage von immunhistochemischen (IHC) und Immunfluoreszenz-Bildern (IF) in Kombination mit Transkriptomik-, Epigenomik- und Genomik-Daten vorherzusagen. Die Ergebnisse werden anschließend auf Patientenproben übertragen und hinsichtlich ihrer biologischen Interpretierbarkeit bewertet.
