Forudsigelsesmodellen for NAC-respons for brystkræft baseret på de parametriske dynamikfunktioner.

Brystkræft er den hyppigst diagnosticerede kræftsygdom og er fortsat den fjerde hyppigste årsag til kræftdødsfald hos kvinder i Taiwan i løbet af det seneste årti. Beslutninger om den bedste behandling for brystkræft er baseret på resultatet af østrogen (ER) og progesteron receptor (PR) test, human epidermal vækstfaktor type 2 receptor (HER2) test og TNM stadieinddeling ved hjælp af biopsi. Efter evaluering af overgangsalderens status og respons af ER, PR og HER2, kan behandlingerne for trin 2 eller derover brystkræft overveje neoadjuverende kemoterapi (NAC) for fordelene ved (1) at konvertere en inoperabel til en kirurgisk resektabel cancer, (2) metastase behandling, (3) krympe tumoren, (4) forbedret samlet overlevelse og tilbagefaldsfri overlevelsesrate (5) forudsigelige histologiske parametre. Det er kendt, at patienter med patologisk komplet respons (pCR) efter NAC er forbundet med bedre sygdomsfri overlevelse og forbedret samlet overlevelse. Derfor er det vigtigt at udvikle mere effektive regimer og stratificere patienter baseret på computerassisteret forudsigelsesmodel for at evaluere responsen af ​​NAC.

Hovedformålet med denne undersøgelse er at udvikle en computerstøttet forudsigelsesmodel for NAC-behandlingsrespons. Baseret på heterogeniteten af ​​intern parametrisk tumorsammensætning, der almindeligvis observeres, vil denne undersøgelse bruge de histologiske karakteristika og behandlingsrespons til at undersøge billedfunktionerne som inputdata til at forudsige behandlingsrespons ved hjælp af Deep Learning-teknologi. Ved at bruge denne teknik kan præoperativ behandlingsevaluering lettes ved tumorheterogenitetsanalyse fra udviklet dynamisk radiomik, og muligheden for personlig medicin kan realiseres ikke langt fremme. I de første to år af denne undersøgelse ved hjælp af billeder fra DCE-MRI, PET/CT og QDS-IR, planlægger vi at udvikle billedbehandlingsalgoritmerne, herunder segmentering af bryst og tumorregion, udtrækning af billedfunktion, som afspejler angiogene egenskaber og tumorpermeabilitet. , som er stærkt korreleret med NAC-behandlingsrespons. I løbet af projektets tredje år kan morfologien og teksturegenskaberne fra de første to år kombineres til PET/MRI, og forudsigelsesmodellen kan opnås i overensstemmelse med de funktioner, der udvindes fra dynamisk ekstraktion af egenskaber ved hjælp af longitudinelle billeder af PET/MRI. Følgende er de forventede bidrag:

At foreslå en ny parametrisk dynamikfunktioner til at overvinde problemerne med traditionel tærskelmetode.

At udvikle segmenteringsalgoritmer for brystvæv og tumorregion på DCE MRI for at forbedre forudsigelse af behandlingsrespons.

At udvikle baneanalyse for ikke-invasiv QDS-IR-billede At udvikle segmenteringsalgoritme for metabolisk tumorvolumen ved at registrere PET-optagelsesgrænsen med CT-tumorgrænsen for at forbedre pålideligheden og reproducerbarheden af ​​morfologifunktionen.

Ved at kombinere tidligere teknikker udviklet til PET/CT og DCE MRI kan nye typer funktioner, nemlig de parametriske dynamikfunktioner fra PET/MRI, bruges som dynamisk radiomik til forudsigelse af NAC-respons.

At udvikle en Deep-Learning-algoritme, som er det væsentlige i projektet med hensyn til selvlærende metodologi, til at udnytte de højdimensionelle funktioners rum i jagten på forudsigelsesmodellen.

Emnets berettigelse og tilmelding Denne prospektive undersøgelse blev godkendt af den lokale institutionelle etiske komité, som gav afkald på kravet om patientgodkendelse og skriftligt informeret samtykke til gennemgang af journaler og billeder.

Fra april 2015 til juni 2019 blev 60 kvinder med brystkræft, der gennemgik NAC, screenet for berettigelse. Berettigelseskriterierne var patienter, som: (a) var > 18 år, (b) med patologisk bekræftet brystkræft med kernenålebiopsi, (c) var villige til at gennemgå NAC, (d) var kvalificerede til operation efter NAC, og (e) var villige til at gennemgå mindst to PET/MR-scanninger under NAC: den første [R0], forbehandling; og den anden [R1] efter to cyklusser med kemoterapi (efterbehandling). Af de 60 kvinder blev 14 udelukket af følgende årsager: (a) fjernmetastaser fundet efter den første scanning (n=1), så de ikke var berettigede til operation; (b) patienter, der ikke er i stand til at gennemføre to sekventielle PET/MR-scanninger af personlige årsager (n=10); (c) patienter nægtede yderligere NAC efter den første cyklus (n=2); og (d) efterbehandlingsscanning kunne ikke udføres på grund af forhøjet kreatininniveau (n=1). Studiets inklusionsflowdiagram er vist i figur 1. Alle patienter modtog 6 til 8 cyklusser af NAC inklusive følgende muligheder. For human epidermal vækstfaktor receptor 2 (HER2)-negative patienter inkluderede NAC samtidig brug af epirubicin med cyclophosphamid (EC-baseret) eller epirubicin med cyclophosphamid efterfulgt af taxaner (docetaxel eller paclitaxel; EC+T). For HER2-positive patienter inkluderede NAC-protokollerne samtidig brug af taxaner med trastuzumab (TH-baseret) eller et samtidig regime med taxaner og cyclophosphamid efterfulgt af trastuzumab (EC+TH) eller taxaner med trastuzumab og pertuzumab (THP). En triple-negativ patient fik paclitaxel med afatinib.

PET/MR-billedopsamling MR-undersøgelser blev udført på en 3T PET/MR-scanner (Biograph mMR, Siemens Healthcare, Erlangen, Tyskland). Midtreatment-scanningen blev arrangeret efter to cyklusser med NAC. Den sidste scanning blev arrangeret før operationen. Patienterne blev scannet i liggende stilling ved hjælp af en dedikeret fire-kanals brystspiral (Noras GmbH, Höchberg, Tyskland). Efter faste i mindst 6 timer blev patienterne injiceret intravenøst ​​med 3,7-5,55 MBq/kg (0,1-0,15 mCi/kg) 18F-fluordeoxyglucose (18F-FDG). PET/MR-scanning blev udført ca. 60 minutter senere. En 10-minutters bryst PET blev udført sammen med prækontrast bryst MRI i liggende stilling. PET-billederne blev rekonstrueret med en ordnet-undersæt, forventningsmaksimerende iterativ algoritme (3 iterationer, 21 undersæt), med et 4 mm post-rekonstruktion Gauss-filter og en billedmatrix på 172 x 172. Dæmpningskorrektion af PET-data blev opnået ved at bruge et 4-vævsklassefilter (luft, lunge, fedt, blødt væv) segmenteret dæmpningskorrektionskort, som blev rekonstrueret ud fra en 2-punkts Dixon MR-pulssekvens.

Den prækonstraterede bryst-MR-protokol inkluderede 2D gradientekko T1-vægtet (gentagelsestid [TR]/ekkotid[TE],500/9.8 ms, vippevinkel 150°, skivetykkelse 3,5 mm; matrix synsfelt [FOV] 320 × 320), T2-vægtede korte tau inversion recovery (STIR) billeder (TR/TE/TI = 3000/78/230 ms, matrixstørrelse 320 × 320, skivetykkelse 4,0 mm, matrix FOV 330 × 330 mm), diffusionsvægtede billeder (DWI'er) (TR/TE = 7500/83 ms, matrixstørrelse 192 × 77, skivetykkelse 4,0 mm, FOV 360 × 1830 mm, b-værdi = 50, 600 og 1000 sek./ mm2, gennemsnit = 2) med tilsyneladende diffusionskoefficient (ADC) kort blev erhvervet.

Syv dynamiske kontrastforstærkede billeder, inklusive et før og seks efter administration af kontrastmiddel, blev optaget ved hjælp af et fedtmættet T1-vægtet hurtigt lavvinkelbillede (FLASH) 3D-gradient-ekkosekvens (TR/TE 4,1/1,5 ms, skivetykkelse og mellemrum 1,0/0 mm, matrixstørrelse 352 × 282, vippevinkel 10°, 146 skiver, FOV 330 × 330 mm) med spektral dæmpet inversionsgendannelse (SPAIR), hvert sæt tog cirka 60 sekunder. Postkontrast DCE-MRI blev startet 10 sekunder efter intravenøs injektion af 0,1 mmol/kg gadobutrol (Gadovist; Bayer Pharma AG, Berlin, Tyskland) med en injektionshastighed på 3 ml/s.

Histopatologisk vurdering Den histologiske type og karakter var baseret på histopatologiske rapporter om ultralydsvejledte kernebiopsier udført før NAC. Ekspressionerne af østrogenreceptor (ER), progesteronreceptor (PR) og HER2 blev vurderet ved hjælp af immunhistokemisk farvning. ER- og PR-positivitet blev vurderet ved hjælp af Allred-scoren, hvor en score > 3 blev anset for at være positiv. Tumorer blev anset for at være HER2-positive, hvis den immunhistokemiske score var 3+. I tilfælde med en tvetydig HER2-status (score 2+) i immunhistokemi blev der udført fluorescens in situ hybridiseringsanalyse (FISH) for at bekræfte diagnosen.

En pCR blev defineret som fraværet af resterende invasiv cancer med undtagelse af duktalt carcinom in situ (DCIS) i den kirurgiske brystprøve efter NAC og fraværet af involvering af aksillær lymfeknude, som tidligere rapporteret af Pinder et al.

Billedanalyse Billeder blev fortolket af to radiologer (Y.F.L. og N.C., begge med 12 års erfaring med brystbilleddannelse). Tumorudseende på MRI (masse, ikke-masseforstærkning) blev visuelt vurderet af de to radiologer. Områderne af interesse (ROI'er) blev manuelt defineret ved at vælge en todimensional region, der omslutter det største tværsnitsareal med høj signalintensitet af forbedring, der adskilte sig fra normal baggrundsparenkym på den femte kontrastforstærkede serie, mens normal parenkym og markering blev undgået klip artefakter. Hvis kræften var multifokal eller multicentrisk, blev ROI målt ved tumorområdet med den største størrelse.

Efter at tumor-ROI'erne var blevet segmenteret, blev PET- og MR-billeder inklusive DWI og tilsyneladende diffusionskoefficient (ADC) billed-ROI-målinger justeret ved hjælp af ROI'erne tegnet på dynamisk kontrastforstærkede (DCE) billeder ved hjælp af semi-automatisk ikke-stiv registrering og manuel justering hvor det er nødvendigt. ROI'erne blev samtidigt evalueret på seks forskellige faser af DCE-billeder (kodet som P1 til P6). ROI'erne blev også registreret på andre serier, herunder DWI'er ved b-værdi=1000 sek/mm2, ADC-kort og PET-billeder. Fra hver ROI blev seks førsteordens og fire andenordens teksturfunktioner automatisk beregnet. Histogramanalyse blev brugt til at vurdere førsteordens teksturelle træk, herunder middelværdi, standardafvigelse (SD), median, 5. og 95. percentilværdier, kurtose og skævhed. Til anden-ordens teksturanalyse blev en grå-niveau co-occurrence matrix (GLCM) brugt som modermatrix, og fire heterogene teksturelle træk blev ekstraheret fra GLCM, nemlig difference entropi (DiffEntropy), difference varians (DiffVariance), kontrast og entropi [18]. Disse teksturparametre blev beregnet ved hjælp af MR Multiparametric Analysis prototypesoftware (Siemens Healthcare, Erlangen, Tyskland). Alle billeddannelsesparametre blev evalueret ved hjælp af PET/MR-scanninger udført forbehandling (R0) og midtbehandling (R1), og før operation (R2) analyseres.