Abstract A036: Genomic alterations associate with distinct tumor dynamics in NSCLC: A genomics-informed Bayesian hierarchical modeling approach
Notice bibliographique
Résumé
Abstract Understanding and predicting individual tumor dynamics is critical for personalizing cancer treatment, yet clinical application of mathematical models remains limited due to sparse longitudinal data and failure to integrate biological features beyond tumor size. We hypothesized that genomic alterations could inform patient-specific tumor dynamics and developed an integrated computational framework to test this relationship. We analyzed 844 non-small cell lung cancer (NSCLC) patients treated with Osimertinib who underwent MSK-IMPACT gene profiling (505 cancer-related genes tested for mutations, copy number alterations, and rearrangements). Longitudinal tumor measurements were extracted from radiology reports using our validated natural language processing (NLP) algorithm. We modeled tumor dynamics using an ordinary differential equation (ODE) system capturing sensitive and resistant cell populations, with parameters estimated through a novel genomics-informed Bayesian hierarchical framework. This approach clusters patients based on genomic alteration profiles and prioritizes information from patients with dense measurements (≥4 timepoints) to inform parameter estimation in patients with sparse data. The latter mitigates the risk of identifiability issues in patients with sparse measurements. The NLP method achieved 95.2% accuracy in tumor size detection and 94.9% accuracy in location matching against 62 manually annotated cases. Principal component and K-means analysis identified four patient groups with distinct alteration frequencies in TP53, RB1, CTNNB1, SMAD4, and PIK3CA (Fisher’s exact test with Benjamini-Hochberg correction; all p < 0.0001). Hierarchical parameter estimation of the ODE model revealed significant inter-cluster differences in growth rates (Kruskal-Wallis, H=9.01 and 10.83, both p<0.05), treatment response (Kruskal-Wallis, H=21.04, p<0.001), and the estimated initial resistant cell fraction (H=26.92, p<0.001). In particular, clusters enriched in TP53 alterations had higher treatment response rates; however, they tended towards a higher resistance growth rate compared to other genomic subgroups. Our integrated framework combining automated tumor size extraction with genomics-informed hierarchical modeling uncovered distinct tumor dynamics across genomically defined NSCLC subgroups. This approach lays the foundation for the prediction of treatment response trajectories from baseline molecular data—potentially facilitating personalized lung cancer treatments and follow-up guidance based on patient-specific tumor trajectories. Citation Format: Nikolaos M. Dimitriou, Jonas Willmann, Edward Christopher. Dee, Karl Pichotta, David Ma, Sohrab Salehi, Kevin Boehm, Puneeth Iyengar, Francisco Sanchez-Vega, Sohrab P. Shah, Nikolaus Schultz, Jian Carrot-Zhang. Genomic alterations associate with distinct tumor dynamics in NSCLC: A genomics-informed Bayesian hierarchical modeling approach [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr A036.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».