Survival risk heterogeneity among patients with NSCLC receiving nivolumab visualized by risk scores generated from deep learning method DeepSurv using tumor gene mutations

Dit onderzoek toont aan dat een DeepSurv-model, getraind op 31 tumor-genmutaties, de overlevingsrisico-heterogeniteit bij NSCLC-patiënten die nivolumab-gebaseerde immunotherapie krijgen succesvol kan visualiseren en stratificeren, terwijl deze voorspellende waarde afwezig is bij patiënten die alleen chemotherapie ondergaan.

De kern

Het Grote Raadsel: Waarom werkt immunotherapie bij sommigen en niet bij anderen?

Stel je voor dat immunotherapie (zoals het medicijn nivolumab) een superkrachtige legercommandant is die je eigen immuunsysteem opwekt om kankercellen aan te vallen. Voor sommige patiënten met longkanker (NSCLC) werkt dit wonderbaarlijk goed; ze leven veel langer. Maar voor anderen werkt het nauwelijks.

Het probleem is dat artsen tot nu toe vaak "in het donker schoten". Ze keken naar één enkel teken (zoals een eiwit op de kanker, genaamd PD-L1), maar dat was niet genoeg om te voorspellen wie er zou profiteren en wie niet. Het was alsof je probeert te voorspellen of een sleutel een slot opent, door alleen naar de kleur van de sleutel te kijken, terwijl de echte vorm van de tanden (de genen) het belangrijkst is.

De Oplossing: Een Slimme Computer die "Luistert" naar 31 Genen

De onderzoekers in dit artikel hebben een slimme computer (een Deep Learning-model genaamd DeepSurv) gebouwd om dit raadsel op te lossen.

De Analogie: Het Orkest
Stel je voor dat de kankercel een orkest is.

• De oude manier: Je luistert alleen naar de trompet (één gen). Als de trompet goed klinkt, denk je dat het hele orkest goed is.
• De nieuwe manier (DeepSurv): De computer luistert naar 31 verschillende instrumenten tegelijk (31 specifieke genmutaties). Het is niet zo simpel als "instrument A is goed, dus alles is goed". De computer zoekt naar de combinatie en het samenwerkingspatroon van al die instrumenten. Soms klinkt een instrument alleen maar goed, maar in combinatie met een ander instrument maakt het een heel ander geluid dat voorspelt hoe snel de patiënt ziek zal worden.

De computer leert deze complexe patronen door te kijken naar de medische gegevens van honderden patiënten.

Wat hebben ze ontdekt?

1. Een perfecte voorspelling voor immunotherapie:
   Toen de computer de "risicoscore" berekende voor patiënten die immunotherapie kregen, was het resultaat schokkend duidelijk.

   • De computer deelde de patiënten in twee groepen: Hoog risico en Laag risico.
   • De groep met "Laag risico" leefde aanzienlijk langer dan de groep met "Hoog risico".
   • Vergelijking: Het was alsof de computer een helder zicht had op de toekomst, terwijl artsen voorheen alleen een wazige foto zagen. De voorspelling was zo goed dat de twee groepen op de grafieken volledig uit elkaar lagen.

2. Geen voorspelling voor chemotherapie:
   Vervolgens probeerden ze dezelfde computer op patiënten die alleen chemotherapie kregen (geen immunotherapie).

   • Resultaat: De computer faalde hier. De "Hoog risico" en "Laag risico" groepen leken precies hetzelfde op elkaar.
   • Betekenis: Dit bewijst dat de 31 genen die de computer leerde, specifiek zijn voor hoe het lichaam reageert op immunotherapie. Het is alsof de computer een sleutel heeft gevonden die alleen werkt in immunotherapie-sloten, maar niet in chemotherapie-sloten.

3. De "Schuldigen" (De belangrijkste genen):
   De onderzoekers keken welke van de 31 genen het belangrijkst waren. Ze ontdekten dat genen zoals ZFHX3, SMARCA4, ALK, BTK en NOTCH2 de belangrijkste "muzikanten" waren in dit orkest. Als deze genen muteren, verandert het geluid van het orkest drastisch, wat voorspelt of de immunotherapie gaat werken.

Waarom is dit belangrijk?

Vroeger behandelden artsen bijna iedereen met immunotherapie, wetende dat het voor de helft misschien niet zou werken (en dat het medicijn duur en zwaar is voor het lichaam).

Met deze nieuwe methode kunnen artsen in de toekomst:

• De "sleutel" van de patiënt scannen (hun 31 genen).
• De computer laten berekenen of de "sleutel" past in het "immunotherapie-slot".
• Als de kans groot is dat het werkt: Immunotherapie geven.
• Als de kans klein is: Direct een ander plan maken (zoals chemotherapie of een ander medicijn), zodat de patiënt geen tijd verliest met een behandeling die niet werkt.

Conclusie in één zin

De onderzoekers hebben een slimme computer getraind die door naar de complexe dans van 31 genen te kijken, precies kan voorspellen welke longkanker-patiënten zullen profiteren van immunotherapie en welke niet, iets wat met de oude methoden onmogelijk was.

Let op: Dit is een voorlopig onderzoek (een preprint) en moet nog door andere wetenschappers worden gecontroleerd voordat het direct in de ziekenhuizen wordt toegepast, maar het is een zeer veelbelovende stap.

Technische samenvatting

Titel: Overlevingsrisico-heterogeniteit bij NSCLC-patiënten behandeld met nivolumab, gevisualiseerd door risicoscores gegenereerd met de DeepSurv-methode op basis van tumor-gemutatiegegevens.

Auteurs: Yoshiaki Nishiyama en Nobuaki Nishiyama (Kanazawa University, Japan)

---

1. Het Probleem

Immunotherapie met immune checkpoint-remmers (zoals nivolumab) en combinatietherapieën met chemotherapie hebben de overleving van patiënten met niet-kleincellig longkanker (NSCLC) aanzienlijk verbeterd. Desondanks hebben de meeste patiënten met gevorderde NSCLC nog steeds een slechte prognose.

• Huidige uitdaging: Bestaande biomarkers (zoals PD-L1-expressie en Tumor Mutational Burden - TMB) zijn onvoldoende om patiënten die wel of niet reageren op immunotherapie nauwkeurig te stratificeren.
• Behoefte: Er is een dringende noodzaak voor geavanceerde biomarkers die de complexe interacties tussen het immuunsysteem en de tumor kunnen vastleggen om de klinische uitkomsten te verbeteren. Bestaande machine-learningbenaderingen gebruiken vaak lineaire methoden of classificatie in twee groepen (responder/niet-responder), wat de onderliggende niet-lineaire patronen van genmutaties mogelijk mist.

2. Methodologie

Data Bron:

• Gebruik van het MSK-CHORD dataset (een groot, gestructureerd real-world oncologisch dataset).
• Cohorten:
  • Immunotherapie-groep: 119 patiënten behandeld met nivolumab (monotherapie of in combinatie met chemotherapie).
  • Chemotherapie-groep (controle): 991 patiënten behandeld uitsluitend met chemotherapie.
• Data: Klinische gegevens (overleving, censuurstatus) en somatische genmutatiegegevens (binair: aanwezig/afwezig).

Feature Selectie (Genen):
Uit de dataset werden 31 genen geselecteerd als input voor het model op basis van:

1. Populatie-frequentie van mutaties (tussen 1% en 30%).
2. Variatie in mutatiestatus tussen patiënten (variatie > 0,01).
3. Univariate Cox-proportionele hazard analyses (p < 0,30) om associaties met algehele overleving (OS) te identificeren.

Model Architectuur (DeepSurv):

• Methode: DeepSurv, een deep-learning extensie van het Cox-proportionele hazard model.
• Architectuur: Een feed-forward neurale netwerk met twee verborgen lagen (respectievelijk 32 en 16 neuronen) met ReLU-activatiefuncties.
• Input: 31 binaire genmutatievariabelen.
• Output: Een geïndividualiseerde, continue overlevingsrisicoscore voor elke patiënt (in plaats van een simpele classificatie).
• Training: De immunotherapie-groep werd opgesplitst in trainings- (70%) en testsets (30%). Het model werd getraind met de Adam-optimizer.
• Validatie: Het getrainde model werd toegepast op de testset van de immunotherapie-groep en zonder hertraining toegepast op de volledige chemotherapie-groep als controle.

Analyse en Evaluatie:

• Prestatie: Gemeten met de Concordance Index (C-index).
• Stratificatie: Patiënten werden ingedeeld in "hoog risico" en "laag risico" op basis van de mediaan van de voorspelde risicoscore.
• Statistiek: Kaplan-Meier overlevingscurves met log-rank tests.
• Interactie-analyse: Cox-regressie met interactietermen tussen risicoscore en behandelingsmodus (immunotherapie vs. chemotherapie) om te testen of de score behandelingsafhankelijk is.
• Complementaire analyses:
  • Principal Component Analysis (PCA): Om te testen of lineaire combinaties van genen dezelfde heterogeniteit kunnen vangen.
  • Permutation Importance: Om de bijdrage van individuele genen aan de voorspellende kracht van het model te kwantificeren.

3. Belangrijkste Resultaten

Modelprestaties:

• Immunotherapie-groep: De C-index was 0,789, wat wijst op een sterke voorspellende waarde.
• Chemotherapie-groep: De C-index was 0,483 (nabij willekeur), wat aangeeft dat het model geen voorspellende waarde heeft voor deze groep.

Overlevingsstratificatie:

• In de immunotherapie-groep toonden de Kaplan-Meier-curves een significante scheiding tussen de hoog- en laag-risicogroepen (log-rank p < 0,001). De hoog-risicogroep had een aanzienlijk slechtere overleving.
• In de chemotherapie-groep werd geen significante scheiding waargenomen (p = 0,62).

Interactie-analyse:

• Er was een significante interactie tussen de DeepSurv-afgeleide risicoscore en de behandelingsmodus (HR voor interactie = 1,47; 95% CI 1,32–1,65; p < 0,005).
• Dit bevestigt dat de risicoscore specifiek voorspellend is voor immunotherapie en niet voor chemotherapie.
• PD-L1-status bleek geen significante voorspeller te zijn binnen de immunotherapie-groep na correctie voor de DeepSurv-score.

Gen-specifieke inzichten:

• PCA: Toonde aan dat lineaire combinaties van genmutaties (PC1/PC2) de overlevingsheterogeniteit niet goed konden scheiden (substantiële overlap tussen risicogroepen). Dit ondersteunt de noodzaak van niet-lineaire modellering.
• Permutation Importance: Identificeerde ZFHX3, SMARCA4, ALK, BTK en NOTCH2 als de belangrijkste bijdragers aan de risicoscheiding.
• PCA Loadings: Genen zoals PIK3C2G, NOTCH2, BTK, NSD1, IL-7R, SMARCA4 en EPHA7 hadden een grote invloed op de hoofdcomponenten.

4. Bijdragen en Significatie

• Niet-lineaire Patronen: Het onderzoek demonstreert dat de heterogeniteit in overlevingsrisico bij NSCLC-patiënten die immunotherapie krijgen, wordt gedreven door niet-lineaire koppelpatronen van 31 tumor-genmutaties, die niet door traditionele lineaire methoden (zoals PCA) kunnen worden vastgelegd.
• Behandelings-specifiek Biomarker: De ontwikkelde DeepSurv-score fungeert als een immunotherapie-specifiek biomarker. Het kan patiënten succesvol stratificeren die nivolumab (of combinaties) ontvangen, maar faalt in het voorspellen van uitkomsten voor chemotherapie, wat suggereert dat het de onderliggende immuun-tumor interacties vastlegt.
• Biologische Validatie: De geïdentificeerde genen (zoals ZFHX3, NOTCH2, SMARCA4, BTK) komen overeen met eerdere studies die deze mutaties associëren met een betere of slechtere respons op checkpoint-remmers, wat de biologische plausibiliteit van het model ondersteunt.
• Klinische Implicatie: De studie benadrukt dat complexe, niet-lineaire interacties tussen mutaties cruciaal zijn voor het begrijpen van de respons op immunotherapie, en biedt een raamwerk voor het ontwikkelen van nauwkeurigere prognostische tools dan PD-L1 of TMB alleen.

5. Beperkingen

• Steekproefgrootte: De immunotherapie-cohort was relatief klein (n=119), wat het risico op overfitting verhoogt en de generaliseerbaarheid beperkt.
• Validatie: Er ontbreekt een onafhankelijke externe validatiecohort.
• Input Data: Het model gebruikt alleen binaire mutatiestatussen en negeert andere relevante klinische of moleculaire markers (zoals genexpressie).

Conclusie:
De auteurs concluderen dat een DeepSurv-model, getraind op een specifieke set van 31 genmutaties, in staat is om de complexe, niet-lineaire heterogeniteit in overlevingsrisico bij NSCLC-patiënten onder immunotherapie te visualiseren en te stratificeren, wat een veelbelovende stap is naar gepersonaliseerde immunotherapie-behandelingen.