Machine learning-based anti-cancer drug treatment optimization

Abstract

Machine learning (ML) systems are about to expand into every area of our lives, including human healthcare. Thus, ensuring their trustworthiness represents one of today's most pressuring scientific and societal issues. In this thesis, we present novel ML-based decision support tools for one of the most complex, prevalent, and mortal diseases of our time: cancer. In particular, we focus on developing trustworthy ML methods for predicting anti-cancer drug responses from personalized multi-omics data. Our methods encompass strategies to minimize the effect of data-related issues such as class or regression imbalance, to achieve the interpretability of the models, and to increase the reliability of the models. Our first approach, MERIDA, is dedicated to interpretability: it delivers Boolean rules as output and considers a priori pharmacogenomic knowledge to a previously unconsidered extent. With SAURON-RF, we devised a simultaneous classification and regression method that improved the statistical performance for the underrepresented yet essential group of drug-sensitive samples, whose performance has mainly been neglected in the scientific literature. Its successor, reliable SAURON-RF, provides a conformal prediction framework, which, for the first time, ensures the reliability of classification and regression with certainty guarantees. Moreover, we propose a novel drug sensitivity measure that addresses the shortcomings of the commonly used measures.

Systeme des machinellen Lernens (ML) sind im Begriff, in jeden Bereich unseres Lebens vorzudringen, inklusive der Gesundheitsversorgung. Dementsprechend ist die Sicherstellung der Vertrauenswürdigkeit dieser Systeme eine der größten gesellschaftlichen und wissenschaftlichen Herausforderungen unserer Zeit. Diese Dissertation stellt ML-basierte Entscheidungshilfeverfahren für eine der komplexesten und am weitesten verbreiteten Krankheiten der Welt vor: Krebs. Der Fokus dieser Arbeit liegt hierbei auf der Entwicklung vertrauenswürdiger Vorhersagemodelle für die Wirksamkeit von Krebsmedikamenten basierend auf personalisierten omics Daten. Unsere Methoden umfassen dabei Strategien zur Minimierung der Auswirkungen datenbezogener Probleme wie Klassen- oder Regressionsungleichgewicht, zur Verbesserung der Interpretierbarkeit der Modelle und zur Erhöhung der Zuverlässigkeit der Modelle. Unser erster Ansatz, MERIDA, ist der Interpretierbarkeit gewidmet: MERIDA liefert logische Regeln als Ausgabe und berücksichtigt dabei pharmakogenomisches a priori Wissen in bisher nicht betrachtetem Umfang. Mit unserem zweiten Ansatz, SAURON-RF, haben wir eine Methode zur gleichzeitigen Regression und Klassifikation entwickelt. SAURON-RF verbessert die Vorhersagekraft für die unterrepräsentierten Gruppe der arzneimittelempfindlichen Proben, deren Wichtigkeit bisher vernachlässigt wurde. Der Nachfolger, reliable SAURON-RF, nutzt konforme Vorhersage (conformal prediction), um die Verlässlichkeit der Klassifikation und Regression zu gewährleisten. Darüber hinaus schlagen wir ein neuartiges Maß für die Medikamentenwirksamkeit vor, welches Unzulänglichkeiten üblicher Maße behebt.