Machine learning for personalized prognostication of tongue cancer

Abstract

Tongue cancer constitutes the majority of the malignancies of the head and neck region. Traditionally, the staging system of the American Joint Committee on Cancer (AJCC) Tumor-Nodal-Metastasis (TNM) has been shown to be an objective and universal tool for predicting the prognosis for cancer patients. However, the TNM staging system has been criticized because it showed limited prognostic ability for individual patients. In addition, for early-stage tongue cancer, it has not shown convincing prognostic capabilities. To this end, a tool that considers many prognostic factors together to accurately predict patients’ outcomes would be pertinent for effective cancer management – prevention of ineffective treatment and avoidance of unnecessary overtreatment.

In this international collaborative study, we applied machine learning techniques that considered the shortcomings of the TNM staging to estimate and predict tongue cancer patients’ outcomes such as locoregional recurrences and overall survival. Large patient cohorts from five teaching hospitals in Finland, A.C Camargo Cancer Center, Sao Paulo, Brazil, and the Surveillance, Epidemiology, and End Results (SEER) Program of the National Institute of Health (NIH), United States were used in the analyses. Moreover, we evaluated the prognostic significance of the input parameters using machine learning techniques. Several machine learning algorithms were compared for the best performing model and then integrated as a web-based tool for personalized medicine. Furthermore, we compared the performance of machine learning techniques to nomograms in the prognostication of outcomes (overall survival) for tongue cancer patients. Ethical challenges that can affect the implementation of machine learning models for daily clinical practice were highlighted and a framework for smooth integration of machine learning for daily clinical practices was proposed.

Kielisyöpä yleisin pään ja kaulan alueen pahanlaatuisista kasvaimista. Yhdysvaltain syöpäkomitean (AJCC) syöpäkasvainten luokitusjärjestelmä (TNM) on perinteisesti osoittautunut objektiiviseksi ja yleismaailmalliseksi työvälineeksi arvioida syöpäpotilaiden ennustetta. TNM-luokitusjärjestelmä on kuitenkin myös kritisoitu, koska sen ennustekyky yksittäisten potilaiden kohdalla on osoittautunut rajoitetuksi. Lisäksi varhaisvaiheen kielisyövän suhteen se ei ole osoittanut vakuuttavaa ennustekykyä. Tätä tarkoitusta varten työkalu, joka tarkastelee samanaikaisesti useita ennustekijöitä potilaan tilan ennustamiseksi tarkasti, olisi hyödyllinen tehokkaassa syövän hoidossa – ehkäisemään tehottoman hoitomuodon valintaa ja tarpeetonta ylihoitamista.

Tässä kansainvälisessä tutkimusyhteistyössä käytimme koneoppimistekniikoita, joissa otettiin huomioon TNM-luokituksen puutteet arvioitaessa ja ennustettaessa kielisyöpäpotilaiden tuloksia, kuten paikallisten ja alueellisten uusiutumisten esiintymistä sekä eloonjäämistä. Laajoja potilasaineistoja, joita käytettiin analyyseissä, saatiin viidestä opetussairaalasta Suomesta, A.C. Camargon syöpäkeskuksesta, Sao Paulosta, Brasiliasta ja Yhdysvaltain kansallisen terveysinstituutin (NIH) seuranta-, epidemiologia- ja lopputulokset (SEER) -ohjelmasta. Lisäksi arvioimme syöttöparametrien ennusteellista merkitystä käyttäen koneoppimistekniikoita. Useita eri koneoppimisalgoritmeja verrattiin parhaiten menestyvään malliin ja integroitiin sitten web-pohjaiseksi yksilöllisen hoidon työkaluksi. Vertailimme myös koneoppimistekniikoiden suorituskykyä nomogrammi-kaavioiden analysoimiseksi kielisyöpäpotilaiden ennusteen arvioinnissa (kokonaisselviytyminen). Lisäksi pohdittiin niitä eettisiä haasteita, jotka voivat vaikuttaa koneoppimismallien käyttämiseen päivittäisessä kliinisessä toiminnassa. Edellisten lisäksi ehdotettiin toimintaohjeita koneoppimisen sujuvaksi integroimiseksi päivittäisiin kliinisiin käytäntöihin.