Abstract Multiple primary cancers are increasingly more frequent due to improved survival of cancer patients. Characteristics of the first primary cancer largely impact the risk of developing subsequent primary cancers. Hence, model-based risk characterization of cancer survivors that captures patient-specific variables is needed for healthcare policy making. We propose a Bayesian semi-parametric framework, where the occurrence processes of the competing cancer types follow independent non-homogeneous Poisson processes and adjust for covariates including the type and age at diagnosis of the first primary. Applying this framework to a historically collected cohort with families presenting a highly enriched history of multiple primary tumors and diverse cancer types, we have derived a suite of age-to-onset penetrance curves for cancer survivors. This includes penetrance estimates for second primary lung cancer, potentially impactful to ongoing cancer screening decisions. Using Receiver Operating Characteristic (ROC) curves, we have validated the good predictive performance of our models in predicting second primary lung cancer, sarcoma, breast cancer, and all other cancers combined, with areas under the curves (AUCs) at 0.89, 0.91, 0.76 and 0.68, respectively. In conclusion, our framework provides covariate-adjusted quantitative risk assessment for cancer survivors, hence moving a step closer to personalized health management for this unique population.

Li-Fraumeni syndrome (LFS) is a rare hereditary cancer syndrome associated with an autosomal dominant mutation inheritance in the TP53 tumor suppressor gene and a wide spectrum of cancer diagnoses. An accurate estimation of the penetrance of different cancer types in LFS is crucial to improve the clinical characterization and management of high-risk individuals of LFS. Our competing risk-based statistical model incorporates the pedigree structure efficiently into the penetrance estimation and corrects for the ascertainment bias. A set of TP53 penetrance for three cancer types (breast, BR/sarcoma, SA/others, OT) involved in LFS is then estimated from 186 pediatric-sarcoma families collected at MD Anderson Cancer Center. The penetrance was then validated on a mixed cohort of clinically ascertained families with cancer (total number of families=668). The age-dependent onset probability distributions of specific cancer types are different. For breast cancer, the TP53 penetrance goes up at an earlier age than the reported BRCA1/2 penetrance. We validated the prediction performance of the penetrance estimates via two independent cohorts combined (BR=85, SA=540, OT=158). We obtained areas under the ROC curves (AUCs) of 0.92 (BR), 0.75 (SA), and 0.81 (OT). Our R package, LFSPRO, provides risk estimates for the diagnosis of breast cancer, sarcoma, other cancers or death before cancer diagnosis in future.

Li-Fraumeni syndrome (LFS) is a rare autosomal dominant disorder associated with TP53 germline mutations and an increased lifetime risk of multiple primary cancers (MPC). Penetrance estimation of time to first and second primary cancer within LFS remains challenging due to limited data availability and the difficulty of accounting for the characteristic effects of a primary cancer on the penetrance of a second primary cancer. Using a recurrent events survival modeling approach, we estimated penetrance for both first and second primary cancer diagnosis from a pediatric sarcoma cohort (number families=189; Single primary cancer, or SPC=771; MPC=87). We then validated the risk prediction performance using an independent clinical cohort of TP53 tested individuals from MD Anderson (SPC=102; MPC=58). Our penetrance estimates are dependent on TP53 genotype, sex, and, importantly, age of diagnosis (AoD) for the first PC. We observed the later the AoD is, the shorter the gap time is for this person to be diagnosed with a second PC. We achieved an Area under the ROC curve (AUC) of 0.77 for predicting individual outcomes of MPC vs. SPC. In summary, we have provided the first set of penetrance estimates for SPC and MPC for TP53 mutation carriers, and demonstrated its accuracy for cancer risk assessment. Our open-source R package, LFSPRO, provides future risk estimates for SPC and MPC among TP53 germline mutation carriers.

The investigation into individual survival rates within the patient population was typically conducted using the Cox proportional hazards model. This study was aimed to evaluate the performance of machine learning algorithm in predicting survival rates more than 5 years for individual patients with colorectal cancer. A total of 475 patients with colorectal cancer (CRC) and complete data who had underwent surgery for CRC were analyze to measure individual's survival rate more than 5 years using a machine learning based on penalized Cox regression. We conducted thorough calculations to measure the individual's survival rate more than 5 years for performance evaluation. The receiver operating characteristic curves for the LASSO penalized model, the SCAD penalized model, the unpenalized model, and the RSF model were analyzed. The least absolute shrinkage and selection operator penalized model displayed a mean AUC of 0.67 ± 0.06, the smoothly clipped absolute deviation penalized model exhibited a mean AUC of 0.65 ± 0.07, the unpenalized model showed a mean AUC of 0.64 ± 0.09. Notably, the random survival forests model outperformed the others, demonstrating the most favorable performance evaluation with a mean AUC of 0.71 ± 0.05. Compared to the conventional unpenalized Cox model, recent machine learning techniques (LASSO, SCAD, RSF) showed advantages for data interpretation.