Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

Elke jaar krijgen miljoenen vrouwen wereldwijd de diagnose borstkanker in een vroeg stadium. In dit stadium is de ziekte niet verspreid buiten de borst of de nabijgelegen lymfeklieren, wat de deur opent naar een breed scala aan behandelopties. Artsen moeten beslissen of een patiënt alleen een operatie nodig heeft, of dat zij ook radiotherapie, chemotherapie of hormoontherapie nodig heeft. Om deze moeilijke keuzes te maken, vertrouwen clinici op prognostische instrumenten—wiskundige modellen die de kans inschatten dat een patiënt vijf jaar na de diagnose overleeft. Deze schattingen helpen artsen en patiënten om de voordelen van agressieve behandeling af te wegen tegen de risico's van bijwerkingen. Decennialang waren de meest toegankelijke instrumenten gebaseerd op standaard klinische informatie: de grootte van de tumor, de leeftijd van de patiënt en hoe de kankercellen er onder een microscoop uitzien. Hoewel er nieuwere, duurdere genetische tests bestaan, blijven de eenvoudigere, oudere instrumenten essentieel omdat ze wijdverspreid beschikbaar en betaalbaar zijn. Deze traditionele instrumenten zijn echter gebouwd op gegevens van specifieke groepen mensen en kunnen soms moeite hebben bij toepassing op verschillende populaties of wanneer informatie ontbreekt.

In een recente studie wilden onderzoekers zien of moderne computerwetenschap nieuw leven kon blazen in deze klassieke instrumenten. Ze richtten zich op een specifieke uitdaging: hoe neem je een bewezen overlevingsmodel en pas je dit aan voor een nieuwe groep patiënten zonder het hele systeem vanaf nul opnieuw op te bouwen. Ze verkenden ook of nieuwe soorten computeralgoritmen, bekend als machine learning, direct van patiëntendossiers kunnen leren om betere voorspellingen te doen. Het team vergeleek drie verschillende benaderingen: simpelweg het oude model gebruiken zoals het was, het oude model aanpassen om bij de nieuwe gegevens te passen, en volledig nieuwe computerprogramma's vanaf de grond opbouwen. Hun doel was om te zien welke methode de meest nauwkeurige en betrouwbare overlevingsschattingen gaf voor vrouwen met vroege borstkanker, met name wanneer bepaalde medische details ontbraken in hun dossiers.

De onderzoekers begonnen hun werk met een grote klinische studie genaamd MA.27, die duizenden postmenopauzale vrouwen met hormoonpositieve borstkanker volgde. Ze wilden voorspellen wie vijf jaar zou overleven zonder dat de kanker terugkeert. Eerst testten ze een bekend instrument genaamd PREDICT, dat was getraind op gegevens uit het Verenigd Koninkrijk. Toen ze dit instrument toepasten op de Amerikaanse en Canadese vrouwen in de MA.27-studie, werkte het, maar het was niet perfect. Het instrument slaagde er niet in een voorspelling te doen voor bijna een kwart van de patiënten, omdat het specifieke details vereiste, zoals het exacte aantal positieve lymfeklieren of de precieze grootte van de tumor, die ontbraken of anders geregistreerd stonden in de gegevens van de studie. Zelfs voor de patiënten die het wel kon voorspellen, zat het instrument vaak iets naast de rekening in zijn schattingen, waarbij het vaak de overleving van vrouwen onderschatte.

Om dit op te lossen, probeerde het team een techniek genaamd transfer learning. Stel je een muzikant voor die de viool onder de knie heeft gekregen en vervolgens leert om de viola te spelen; hij begint niet vanaf nul, maar past zijn bestaande vaardigheden aan aan het nieuwe instrument. Op vergelijkbare wijze namen de onderzoekers het vooraf getrainde PREDICT-model en "fijnde" (fine-tuned) de interne instellingen aan om te passen bij de specifieke patronen die in de MA.27-gegevens werden gevonden. Dit proces, dat de parameters van het model aanpaste om bij de nieuwe groep te passen, verbeterde de nauwkeurigheid van de voorspellingen aanzienlijk. Echter, net als het originele instrument, kon het verfijnde model nog steeds geen overlevingsschattingen geven voor ongeveer 24% van de patiënten, omdat het nog steeds afhankelijk was van specifieke gegevenspunten die ontbraken in hun dossiers. In tegenstelling hiertoe konden de nieuwe machine learning-modellen de overleving voor alle individuen voorspellen, ongeacht ontbrekende informatie.

Het team trainde ook volledig nieuwe computermodellen vanaf de grond op basis van de MA.27-gegevens. Deze modellen, gebouwd met methoden die uitblinken in het vinden van patronen in complexe gegevens, vertrouwden niet op de oude Britse regels. In plaats daarvan leerden ze direct van de Amerikaanse en Canadese patiënten. Een van deze nieuwe modellen presteerde net zo goed als de verfijnde versie, terwijl een ander licht verschillende sterktes vertoonde. Cruciaal was dat deze nieuwe modellen van nature met ontbrekende informatie konden omgaan. In tegenstelling tot het originele instrument, dat zou stoppen met werken als één stukje gegevens ontbrak, konden de nieuwe computerprogramma's nog steeds een voorspelling doen door de beschikbare informatie te gebruiken. Dit is een aanzienlijk voordeel in de echte medische praktijk, waar patiëntendossiers vaak onvolledig zijn.

Ten slotte combineerden de onderzoekers de sterktes van al deze benaderingen in één enkel "ensemble"-model. Dit systeem nam de voorspellingen van het verfijnde instrument en de nieuwe computermodellen en mengde deze samen om een uiteindelijke, verenigde schatting te creëren. Deze gecombineerde aanpak bleek robuust en bood de betrouwbaarheid van het verfijnde model met de flexibiliteit van de nieuwe algoritmen. Wanneer het team deze verbeterde modellen testte op een aparte groep patiënten uit een andere klinische studie, waren de resultaten gemengd. De verbeteringen hielden stand bij een grote dataset uit de Verenigde Staten, wat bevestigde dat de modellen konden generaliseren naar soortgelijke populaties. Echter, toen ze werden getest op een multinationale studie met betrokkenheid van patiënten uit Europa en Azië, waren de verbeteringen minder duidelijk, en presteerde het originele vooraf getrainde model in die specifieke cohort eigenlijk beter dan de aangepaste versies, wat suggereert dat de modellen nog steeds zorgvuldig moeten worden aangepast voor zeer verschillende patiëntengroepen.

De studie concludeert dat hoewel traditionele instrumenten waardevol zijn, ze aanzienlijk kunnen worden verbeterd door moderne technieken. Door bestaande modellen te verfijnen of nieuwe modellen te trainen op lokale gegevens, kunnen artsen nauwkeurigere overlevingsschattingen krijgen, zelfs wanneer de patiëntendossiers imperfect zijn. Het onderzoek benadrukt dat patiëntleeftijd, het aantal aangetaste lymfeklieren, de graad van de tumor en de tumor grootte de belangrijkste factoren zijn bij het voorspellen van de overleving, een bevinding die standhield in al deze verschillende modellen. Uiteindelijk suggereert dit werk dat we onze gevestigde instrumenten niet hoeven op te geven om de patiëntenzorg te verbeteren. In plaats daarvan, door slimme computermethoden te gebruiken om deze instrumenten aan te passen aan nieuwe situaties, kunnen we meer gepersonaliseerde en betrouwbare begeleiding bieden aan vrouwen die met borstkanker kampen, zodat we ervoor zorgen dat behandelbeslissingen gebaseerd zijn op de best mogende informatie.