Predikční model odpovědi NAC na rakovinu prsu založený na vlastnostech parametrické dynamiky.

Rakovina prsu je nejčastěji diagnostikovanou rakovinou a zůstává čtvrtou nejčastější příčinou úmrtí na rakovinu u tchajwanských žen za poslední desetiletí. Rozhodnutí o nejlepší léčbě rakoviny prsu je založeno na výsledku testu estrogenového (ER) a progesteronového receptoru (PR), testu receptoru lidského epidermálního růstového faktoru typu 2 (HER2) a stanovení TNM pomocí biopsie. Po vyhodnocení stavu menopauzy a odpovědi na ER, PR a HER2 může léčba rakoviny prsu stadia 2 nebo vyšší zvážit neoadjuvantní chemoterapii (NAC) pro výhody (1) konverze inoperabilního na chirurgicky resekabilní karcinom, (2) metastázy léčba, (3) zmenšení tumoru, (4) zlepšení celkového přežití a přežití bez recidivy (5) prediktivní histologické parametry. Je známo, že pacienti s patologickou kompletní odpovědí (pCR) po NAC jsou spojeni s lepším přežitím bez onemocnění a lepším celkovým přežitím. Proto je nezbytné vyvinout účinnější režimy a stratifikovat pacienty na základě počítačem podporovaného predikčního modelu pro hodnocení odpovědi NAC.

Hlavním účelem této studie je vyvinout počítačově podporovaný predikční model pro odpověď na léčbu NAC. Na základě běžně pozorované heterogenity vnitřního parametrického složení nádoru bude tato studie využívat histologické charakteristiky a léčebnou odpověď ke zkoumání obrazových znaků jako vstupních dat pro predikci léčebné odpovědi pomocí technologie Deep Learning. Pomocí této techniky může být předoperační hodnocení léčby usnadněno analýzou heterogenity nádoru z vyvinuté dynamické radiomiky a možnost osobní medicíny může být realizována v blízké budoucnosti. V prvních dvou letech této studie pomocí snímků z DCE-MRI, PET/CT a QDS-IR plánujeme vyvinout algoritmy pro zpracování snímků, včetně segmentace oblasti prsu a nádoru, extrahování vlastností obrazu, které odráží angiogenní vlastnosti a permeabilitu nádoru. , které vysoce korelují s odpovědí na léčbu NAC. Během třetího roku projektu lze morfologické a texturní vlastnosti z prvních dvou let kombinovat pro PET/MRI a dosáhnout predikčního modelu v souladu s vlastnostmi extrahovanými z extrakce dynamických vlastností pomocí podélných snímků PET/MRI. Očekávané příspěvky jsou následující:

Navrhnout nové vlastnosti parametrické dynamiky pro překonání problémů s tradiční metodou prahování.

Vyvinout segmentační algoritmy pro prsní tkáň a oblast nádoru na DCE MRI za účelem zlepšení predikce léčebné odpovědi.

Vyvinout analýzu trajektorie pro neinvazivní QDS-IR obraz Vyvinout segmentační algoritmus pro objem metabolického nádoru registrací hranice příjmu PET s hranicí nádoru CT za účelem zlepšení spolehlivosti a reprodukovatelnosti morfologického znaku.

Kombinací předchozích technik vyvinutých pro PET/CT a DCE MRI mohou být nové typy funkcí, jmenovitě parametry parametrické dynamiky z PET/MRI, sloužit jako dynamická radiomika pro predikci odezvy NAC.

Vyvinout algoritmus Deep-Learning, který je základem projektu z hlediska metodologie samoučení, pro využití prostoru vysokorozměrných prvků při hledání predikčního modelu.

Způsobilost a zařazení subjektu Tato prospektivní studie byla schválena místní institucionální etickou komisí, která se vzdala požadavku na souhlas pacienta a písemný informovaný souhlas s kontrolou záznamů a snímků.

Od dubna 2015 do června 2019 bylo 60 žen s rakovinou prsu, které podstoupily NAC, vyšetřeno na způsobilost. Kritéria způsobilosti byli pacienti, kteří: (a) byli ve věku > 18 let, (b) s patologicky potvrzeným karcinomem prsu s biopsií jádrovou jehlou, (c) byli ochotni podstoupit NAC, (d) byli způsobilí k operaci po NAC a (e) byli ochotni podstoupit alespoň dva PET/MR skeny během NAC: první [R0], předléčení; a druhý [R1] po dvou cyklech chemoterapie (po léčbě). Ze 60 žen bylo 14 vyloučeno z následujících důvodů: (a) vzdálené metastázy nalezené po prvním skenování (n=1), takže nebyly způsobilé k operaci; (b) pacienti neschopní dokončit dvě sekvenční PET/MR vyšetření z osobních důvodů (n=10); (c) pacienti odmítli další NAC po prvním cyklu (n=2); a (d) sken po léčbě nemohl být proveden kvůli zvýšené hladině kreatininu (n=1). Vývojový diagram zařazení do studie je znázorněn na obrázku 1. Všichni pacienti dostali 6 až 8 cyklů NAC včetně následujících možností. U pacientů s negativním receptorem 2 lidského epidermálního růstového faktoru (HER2) zahrnovala NAC současné použití epirubicinu s cyklofosfamidem (na bázi EC) nebo epirubicinu s cyklofosfamidem následované taxany (docetaxel nebo paclitaxel; EC+T). U HER2-pozitivních pacientek protokoly NAC zahrnovaly současné užívání taxanů s trastuzumabem (na bázi TH) nebo souběžný režim taxanů a cyklofosfamidu s následným trastuzumabem (EC+TH) nebo taxany s trastuzumabem a pertuzumabem (THP). Jeden trojnásobně negativní pacient dostával paklitaxel s afatinibem.

Získávání PET/MR obrazu MR vyšetření byla provedena na 3T PET/MR skeneru (Biograph mMR, Siemens Healthcare, Erlangen, Německo). Sken uprostřed léčby byl uspořádán po dvou cyklech NAC. Poslední sken byl proveden před operací. Pacientky byly skenovány v poloze na břiše pomocí speciální čtyřkanálové prsní cívky (Noras GmbH, Höchberg, Německo). Po lačnění po dobu alespoň 6 hodin byla pacientům intravenózně podána 3,7-5,55 MBq/kg (0,1-0,15 mCi/kg) 18F-fluordeoxyglukózy (18F-FDG). PET/MR skenování bylo provedeno přibližně o 60 minut později. Bylo provedeno 10minutové PET prsu spolu s prekontrastní MRI prsu v poloze na břiše. PET obrazy byly rekonstruovány iterativním algoritmem s uspořádanou podmnožinou, maximalizací očekávání (3 iterace, 21 podmnožin), s 4mm postrekonstrukčním Gaussovým filtrem a obrazovou maticí 172 x 172. Korekce útlumu dat PET byla získána použitím 4-tkáňové třídy filtru (vzduch, plíce, tuk, měkká tkáň) segmentované korekční mapy útlumu, která byla rekonstruována z 2-bodové pulzní sekvence Dixon MR.

Protokol předkonstrukce prsu MRI zahrnoval 2D gradientní echo T1 vážené (doba opakování [TR]/doba echa[TE], 500/9,8 ms, úhel překlopení 150°, tloušťka plátku 3,5 mm; zorné pole matrice [FOV] 320 × 320), snímky T2-vážené krátké obnovy tau inverze (STIR) (TR/TE/TI = 3000/78/230 ms, velikost matrice 320 × 320, tloušťka řezu 4,0 mm, matrice FOV 330 × 330 mm), difuzně vážené snímky (DWI) (TR/TE = 7500/83 ms, velikost matrice 192 × 77, tloušťka řezu 4,0 mm, FOV 360 × 1830 mm, hodnota b = 50, 600 a 1000 sec/ mm2, průměr = 2) s mapami zdánlivého difúzního koeficientu (ADC).

Sedm dynamických snímků se zvýšeným kontrastem, včetně jednoho před a šesti po podání kontrastní látky, bylo pořízeno pomocí 3D gradientní echo sekvence s rychlým nízkoúhlým záběrem (FLASH) nasyceným tukem T1 (TR/TE 4,1/1,5 ms, tloušťka řezu a mezera 1,0/0 mm, velikost matrice 352 × 282, úhel převrácení 10°, 146 řezů, FOV 330 × 330 mm) se spektrální atenuovanou inverzní obnovou (SPAIR), každá sada trvala přibližně 60 sekund. Postkontrastní DCE-MRI byla zahájena 10 sekund po intravenózní injekci 0,1 mmol/kg gadobutrolu (Gadovist; Bayer Pharma AG, Berlín, Německo) s rychlostí injekce 3 ml/s.

Histopatologické hodnocení Histologický typ a stupeň byly založeny na histopatologických zprávách o ultrazvukem řízených jádrových biopsiích provedených před NAC. Exprese estrogenového receptoru (ER), progesteronového receptoru (PR) a HER2 byly hodnoceny pomocí imunohistochemického barvení. Pozitivita ER a PR byla hodnocena pomocí Allredova skóre, ve kterém bylo skóre > 3 považováno za pozitivní. Nádory byly považovány za HER2 pozitivní, pokud bylo imunohistochemické skóre 3+. V případech s nejednoznačným HER2 statusem (skóre 2+) v imunohistochemii byla k potvrzení diagnózy provedena fluorescenční in situ hybridizační analýza (FISH).

pCR byla definována jako nepřítomnost reziduálního invazivního karcinomu s výjimkou duktálního karcinomu in situ (DCIS) v chirurgickém vzorku prsu po NAC a nepřítomnost postižení axilárních lymfatických uzlin, jak již dříve uvedl Pinder et al.

Analýza obrazu Snímky byly interpretovány dvěma radiology (Y.F.L. a NC., oba s 12 lety zkušeností v zobrazování prsou). Vzhled nádoru na MRI (hmotnost, nehmotné zesílení) byl vizuálně hodnocen dvěma radiology. Oblasti zájmu (ROI) byly ručně definovány výběrem dvourozměrné oblasti obklopující největší plochu průřezu s vysokou intenzitou zesílení signálu, která se lišila od normálního parenchymu pozadí na páté sérii se zvýšeným kontrastem, přičemž se vyhnul normálnímu parenchymu a značení. klipové artefakty. Pokud byla rakovina multifokální nebo multicentrická, byla ROI měřena v oblasti nádoru s největší velikostí.

Po segmentaci oblastí zájmu tumoru byly snímky PET a MR včetně DWI a měření oblasti zájmu zjevného difúzního koeficientu (ADC) srovnány pomocí oblastí zájmu nakreslených na snímcích s dynamickým kontrastem (DCE) pomocí poloautomatické nerigidní registrace a ručního zarovnání. kde je to nutné. Oblasti zájmu byly současně hodnoceny na šesti různých fázích snímků DCE (kódovaných jako P1 až P6). ROI byly také registrovány do jiných sérií, včetně DWI při hodnotě b=1000 s/mm2, ADC mapy a PET snímků. Z každé ROI bylo automaticky vypočítáno šest textur prvního řádu a čtyři textury druhého řádu. Histogramová analýza byla použita k posouzení texturních rysů prvního řádu včetně průměru, standardní odchylky (SD), mediánu, hodnot 5. a 95. percentilu, špičatosti a šikmosti. Pro texturní analýzu druhého řádu byla jako rodičovská matice použita matice společného výskytu na úrovni šedé (GLCM) a z GLCM byly extrahovány čtyři heterogenní texturní rysy, konkrétně diferenční entropie (DiffEntropy), diferenční rozptyl (DiffVariance), kontrast a entropie [18]. Tyto texturní parametry byly vypočteny pomocí prototypového softwaru MR Multiparametric Analysis (Siemens Healthcare, Erlangen, Německo). Všechny zobrazovací parametry byly hodnoceny pomocí PET/MR skenů provedených před léčbou (R0) a uprostřed léčby (R1) a před operací (R2).