Anwendung multimodaler MRT-basierter Radiomik in der histologischen Graduierung und prognostischen Bewertung von Brustkrebs

Zusätzlich zur TNM-Klassifikation basiert die derzeitige Behandlung von Brustkrebs auf konventionellen pathologischen Merkmalen, die die Erkrankung in drei molekulare Subtypen einteilen, die jeweils in der klinischen Praxis signifikante prognostische Implikationen haben: humaner epidermaler Wachstumsfaktor-Rezeptor 2 (HER2)-positiv, luminal (Hormonrezeptor-positiv und HER2-negativ) und triple-negative Brustkarzinome. Die Überexpression oder Amplifikation von HER2 wird bei 10-15 % der Brustkrebsfälle beobachtet. Dieses Phänomen korreliert oft mit einem aggressiveren Tumorverhalten, zeigt aber auch ein erhöhtes Ansprechen auf HER2-zielgerichtete Therapien. Die Anwendung hochwirksamer Anti-HER2-Medikamente kann jedoch die Überlebensergebnisse dieser Patienten signifikant verbessern. Darüber hinaus ist der HER2-Expressionsstatus entscheidend für die Bestimmung der Notwendigkeit einer zielgerichteten Therapie. Daher hat die präoperative Beurteilung des HER2-Expressionsstatus wichtige therapeutische Implikationen. Derzeit umfassen klinische Methoden zur Beurteilung des HER2-Status bei Brustkrebs vor der Operation Immunhistochemie (IHC)-Tests und Fluoreszenz-in-situ-Hybridisierung (FISH)-Messungen, die an Stanzbiopsieproben durchgeführt werden. Diese Biopsie-Entnahmetechniken haben jedoch inhärente Einschränkungen, einschließlich Stichprobenverzerrung und der Unfähigkeit, die intratumorale Heterogenität vollständig darzustellen. Darüber hinaus kann der Biopsievorgang für Patienten unangenehm sein und birgt bestimmte Risiken. Tumorheterogenität bezieht sich im Allgemeinen auf die Variationen in Angiogenese, Stoffwechsel, Genexpression und anderen biologischen Eigenschaften zwischen Tumoren. Intratumorale Heterogenität (ITH) kann sich als Signalunterschiede in radiologischen Bildern auf makroskopischer Ebene manifestieren. Die Forscher stellten die Hypothese auf, dass signifikante Unterschiede in den biologischen Eigenschaften und im Verhalten zwischen HER2-positiven (HER2+) und HER2-negativen (HER2-) Brustkrebsen bestehen, was die Unterscheidung dieser beiden Tumorarten ermöglicht, indem spezifische Bildgebungsmerkmale identifiziert werden, die ITH widerspiegeln.

Die dynamische kontrastmittelverstärkte MRT (DCE-MRI) ist eine effektive Bildgebungsmodalität, die zeitliche Informationen über die Dynamik von Kontrastmitteln in verdächtigen Läsionen liefert, während eine akzeptable räumliche Auflösung erhalten bleibt. Sie ist besonders empfindlich bei der Detektion von Brustkrebsläsionen, insbesondere in dichtem Brustgewebe. DCE-MRI kann indirekt abnorme Tumor-Gefäßproliferation durch die hämodynamischen Eigenschaften der Läsionen widerspiegeln. Radiomik ist eine aufstrebende Technologie, die die Extraktion quantitativer und reproduzierbarer Merkmale aus medizinischen Bildern mit Hilfe von Hochdurchsatz-, ausgefeilten Modalitäten umfasst, die visuell oft schwer zu identifizieren oder zu quantifizieren sind. Diese Merkmale, die mit bestimmten Erkrankungen in Verbindung gebracht werden können, werden mit statistischen oder maschinellen Lernalgorithmen (ML) analysiert, um prädiktive Modelle für die Tumordiagnose, -gradierung, Wirksamkeitsbewertung und Prognosevorhersage zu erstellen. ML hat gegenüber traditionellen statistischen Modellen zwei wichtige Vorteile. Das Ziel ist, die Entscheidungszeit während der Diagnose zu verkürzen und im Allgemeinen eine größere diagnostische Genauigkeit zu erreichen. Wie bei der Brustkrebsdiagnose gezeigt, kann ML die Krebsrisikovorhersage signifikant verbessern, indem es komplexe Muster in großen Mengen klinischer Daten identifiziert. Trotz des großen Potenzials von ML stehen bei der klinischen Anwendung noch mehrere Hindernisse im Weg. Eine große Herausforderung ist der Mangel an Interpretierbarkeit - viele ML-Modelle arbeiten wie "Black Boxes", was es für Kliniker schwierig macht, ihre Entscheidungsprozesse zu verstehen und ihnen zu vertrauen. Darüber hinaus hängt die Leistung des Modells stark von der Qualität und Repräsentativität der Trainingsdaten ab. ML-Methoden erfordern oft größere Datensätze als traditionelle klinische Studien.

Daher zielte diese Studie darauf ab, ein auf Radiomik basierendes ML-Modell zu entwickeln, das den HER2-Status von Brustkrebs auf nicht-invasive Weise unter Verwendung von DCE-MRI-Bildern vorhersagen kann. Zusätzlich wurde der Shapley Additive Explanation (SHAP)-Algorithmus eingesetzt, um den Beitrag der in das Modell einbezogenen Variablen zu analysieren, was wertvolle Einblicke für die Formulierung präziserer präoperativer Behandlungspläne für Patienten mit Brustkrebs liefert.