Humphreys, Keith – Breast Cancer Tumour Progression Models for Risk Prediction, for Evaluating Artificial Intelligence in Screening, and for Evaluating Personalised Early Detection Strategies

Bakgrund

Trots befolkningsbaserade screeningprogram för bröstcancer och dramatiska förbättringar av behandlingar under de senaste 30 åren, dör 1300-1500 kvinnor varje år av sjukdomen. Framsteg i att hitta molekylära riskfaktorer och i utvecklingen av algoritmer för djupinlärning för att upptäcka tumörer från bröstbilder har lett till att riskbaserad screening och användning av AI nu utforskas som metoder för att förbättra tidig upptäckt av bröstcancer och minska bröstcancerdödlighet. Kunskap om tumörtillväxt och spridning, samt riskfaktorer för aggressiv bröstcancer är avgörande för att kunna utvärdera strategier för sådana åtgärder.

Beskrivning

Vi ska utveckla och tillämpa statistiska metoder för att förbättra kunskapen om hur hastigheten med vilken tumörer växer/sprider sig beror på olika faktorer, och använda kunskapen för att utvärdera nya metoder för bröstcancerscreening. Vi ska använda detaljerade befolkningsbaserade studier av bröstcancer och screening, som kombinerar register, frågeformulär, bild- och molekylär- data. Vi ska i detalj studera bakgrunden till falska positiva mammografiresultat – som tyvärr är vanliga och kan vara en avsevärd psykisk påfrestning för kvinnor – för att förstå hur antalet falska positiva fall kan minskas.

Mål

Vi strävar efter att förbättra kunskapen om bröstcancerns utveckling (t. ex. tumörtillväxt och spridning) och om vilka kvinnor som har hög risk för aggressiv bröstcancer. Dessutom ska vi använda nya simuleringsbaserade metoder för att bedöma effekterna av nya screeningstrategier, t. ex. att kombinera radiologbedömningar och bedömningar från AI-algoritmer. Vi hoppas kunna generera ny information om screening för att belysa hur antalet falska postiva screeningresultat kan minskas och för att förbättra kunskapen om effekten av hormonbehandling.