基於基因資訊之癌症病患預後評估

簡介
許多癌症相關研究結合了基因表現數據和臨床存活數據，來預測的特定基因類型的患者的預後。而肺癌是癌症死亡的全世界的主要原因，有大約85％至90％的所有肺癌病例是非小細胞肺癌（NSCLC）。目前，手術完全切除是最廣泛使用來治療非小細胞肺癌的方法。然而，這種方法是不適合於所有的患者。輔助性化療（ACT）是在手術後使用，目的在防止癌症的復發或轉移。然而，目前對於輔助性化療應用在非小細胞肺癌（NSCLC）的治療上仍有爭議。在這項研究中，我們研究了採用高通量的基因表達數據(Microarray)與臨床資料來評估建立生存風險預測模型的可行性。我們進一步的開發預測模型來區分哪些病人是適合接受輔助性化療（ACT-benefit），以及哪些病人也許應該避免接受輔助性化療（ACT-futile）。我們希望這些研究結果能提高癌症病患預後的準確度，使病人能接受到更適當的治療。 例如，如果結果是低風險的預後，患者可能會受到更積極的治療方法。當結果是一個高風險的預後，則對患者更溫和處理代替，並且讓患者及其家屬得到最適當的照顧。

材料與方法
這項研究進行交叉資料驗證，非小細胞肺癌的數據收集是來自四家不同醫院的實驗室，包含了442位非小細胞肺癌患者的臨床資料。我們研究結合高通量基因表達數據和臨床數據建立生存風險預測模型的可行性。在本研究中，我們通過檢查基因表現量和患者的存活時間的相關性後，確定和癌症病患生存時間相關的基因。然後，我們使用機器學習方法-人工神經網絡（ANN）來建立模擬非小細胞肺癌的生存預測模型。進一步的我們還確定了和輔助性化療相關的基因表現資料。在進行多種類型的神經網路演算法運算後，我們建構出最佳的神經網路架構可以有效的進行輔助性化療效益分類預測。

結果
實驗結果使用基因表達數據建立的預測癌症患者存活風險分類的準確率為83.0％。結果顯示我們所建立的預測模型得到優良的預測結果，能將病患有效的預測分類成手術高風險群與手術低風險群（log-rank檢驗P值<0.00001）。而在進一步的實驗結果中，關於輔助性化療效益的研究，我們使用了2個基因表現數據與T stage的臨床數據組合，可以得到很好的預測結果。這些兩個基因包括208893_s_at（DUSP6）和204891_s_at（LCK）。 10-fold交叉驗證分類準確率為65.71％（靈敏度=44.40％，特異性=87.20％）。

結論
風險分類研究的結果表明，採用跨實驗的基因表達數據來預測NSCLC癌症手術摘除患者以及後續是否適合搭配輔助性化療的存活風險預測是可行的。建議可進行進一步的相關研究和臨床試驗。化療藥物通常是有毒的，常常會引起骨髓抑制，噁心、嘔吐、腹瀉、脫髮、無法生育或其他副作用。當副作用發生時，患者可能需要額外的藥物減輕痛苦。我們希望本研究能夠幫助減少無效的醫療行為，以避免醫療資源的浪費(例如避免不必要的化療療程，減少浪費藥物無效使用。減少癌症患者的痛苦)。