Rintasyövän NAC-vasteen ennustemalli parametridynamiikan ominaisuuksien perusteella.

Rintasyöpä on yleisimmin diagnosoitu syöpä, ja se on edelleen neljänneksi yleisin syöpäkuolemien syy Taiwanin naisilla viimeisen vuosikymmenen aikana. Päätökset rintasyövän parhaasta hoidosta perustuvat estrogeeni- (ER) ja progesteronireseptori (PR) -testin, ihmisen epidermaalisen kasvutekijän tyypin 2 reseptorin (HER2) testin ja biopsian avulla suoritetun TNM-vaiheen tulosten perusteella. Vaihdevuosien tilan ja ER:n, PR:n ja HER2:n vasteen arvioinnin jälkeen vaiheen 2 tai sitä korkeamman rintasyövän hoidoissa voidaan harkita neoadjuvanttikemoterapiaa (NAC) sen hyödyn vuoksi, että (1) leikkauskelvoton muunnetaan kirurgisesti resekoitavaksi syöväksi, (2) etäpesäkkeitä. hallinta, (3) pienentää kasvainta, (4) parantunut kokonaiseloonjääminen ja uusiutumisvapaa eloonjäämisaste (5) histologiset parametrit ennustavat. Tiedetään, että potilaat, joilla on patologinen täydellinen vaste (pCR) NAC:n jälkeen, liittyvät parempaan sairaudesta vapaaseen eloonjäämiseen ja parantuneeseen kokonaiseloonjäämiseen. Siksi on välttämätöntä kehittää tehokkaampia hoito-ohjelmia ja jakaa potilaat tietokoneavusteisen ennustemallin perusteella NAC-vasteen arvioimiseksi.

Tämän tutkimuksen päätarkoituksena on kehittää tietokoneavusteinen ennustemalli NAC-hoitovasteelle. Yleisesti havaitun sisäisen parametrisen kasvaimen koostumuksen heterogeenisyyden perusteella tässä tutkimuksessa hyödynnetään histologisia ominaisuuksia ja hoitovastetta kuvan ominaisuuksien tutkimiseksi syötetietona hoitovasteen ennustamiseen Deep Learning -teknologian avulla. Tämän tekniikan avulla preoperatiivisen hoidon arviointia voidaan helpottaa kehitetyn dynaamisen radiomiikan avulla tehdyllä kasvaimen heterogeenisyyden analyysillä, ja henkilökohtaisen lääketieteen mahdollisuus voidaan toteuttaa aivan lähitulevaisuudessa. Tämän tutkimuksen kahden ensimmäisen vuoden aikana käyttämällä DCE-MRI-, PET/CT- ja QDS-IR-kuvia aiomme kehittää kuvankäsittelyalgoritmeja, mukaan lukien rinta- ja kasvainalueen segmentointi, kuvapiirteen erottaminen, joka heijastaa kasvaimen angiogeenisiä ominaisuuksia ja läpäisevyyttä. , jotka korreloivat voimakkaasti NAC-hoitovasteen kanssa. Projektin kolmannen vuoden aikana kahden ensimmäisen vuoden morfologia- ja rakennepiirteet voidaan yhdistää PET/MRI:tä varten ja ennustemalli voidaan saavuttaa PET/MRI:n pitkittäiskuvien avulla dynaamisten piirteiden poimimisesta poimittujen piirteiden mukaisesti. Seuraavat ovat odotettavissa olevat panokset:

Ehdottaa uusia parametrisen dynamiikan ominaisuuksia perinteisen kynnysmenetelmän ongelmien ratkaisemiseksi.

Kehittää segmentointialgoritmeja rintakudokselle ja kasvainalueelle DCE MRI:ssä parantaakseen hoitovasteen ennustamista.

Kehittää liikerata-analyysiä ei-invasiiviseen QDS-IR-kuvaan. Kehittää segmentointialgoritmi metabolisen kasvaimen tilavuudelle rekisteröimällä PET:n sisäänoton raja CT-kasvainrajaan morfologisen ominaisuuden luotettavuuden ja toistettavuuden parantamiseksi.

Yhdistämällä aiemmat PET/CT- ja DCE MRI:lle kehitetyt tekniikat, uudentyyppisiä ominaisuuksia, nimittäin PET/MRI:n parametrisen dynamiikan ominaisuuksia, voidaan käyttää dynaamisina radiomiikkaina NAC-vasteen ennustamiseen.

Kehittää Deep-Learning-algoritmi, joka on projektin olennainen itseoppimisen metodologian kannalta, hyödyntämään korkean ulottuvuuden piirteitä ennustemallin etsinnässä.

Aiheen kelpoisuus ja ilmoittautuminen Tämän tulevan tutkimuksen hyväksyi paikallinen institutionaalinen etiikkakomitea, joka luopui vaatimuksesta potilaan hyväksynnästä ja kirjallisesta tietoisesta suostumuksesta asiakirjojen ja kuvien tarkistamiseen.

Huhtikuusta 2015 kesäkuuhun 2019 60 rintasyöpää sairastavaa naista, joille tehtiin NAC, tutkittiin kelpoisuusseulonnan varalta. Kelpoisuuskriteerit olivat potilaat, jotka: (a) olivat yli 18-vuotiaita, (b) joilla oli patologisesti vahvistettu rintasyöpä ydinneulabiopsialla, (c) olivat valmiita NAC:iin, (d) olivat kelvollisia leikkaukseen NAC:n jälkeen ja (e) olivat valmiita suorittamaan vähintään kaksi PET/MR-kuvausta NAC:n aikana: ensimmäinen [R0], esikäsittely; ja toinen [R1] kahden kemoterapiasyklin jälkeen (hoidon jälkeen). 60 naisesta 14 suljettiin pois seuraavista syistä: (a) kaukaiset etäpesäkkeet, jotka löydettiin ensimmäisen skannauksen jälkeen (n=1), joten he eivät olleet kelvollisia leikkaukseen; (b) potilaat, jotka eivät henkilökohtaisista syistä pysty suorittamaan kahta peräkkäistä PET/MR-kuvausta (n=10); (c) potilaat kieltäytyivät uudesta NAC:sta ensimmäisen jakson jälkeen (n = 2); ja (d) hoidon jälkeistä skannausta ei voitu suorittaa kohonneen kreatiniinitason vuoksi (n = 1). Tutkimuksen sisällyttämisen vuokaavio on esitetty kuvassa 1. Kaikki potilaat saivat 6-8 NAC-sykliä, mukaan lukien seuraavat vaihtoehdot. Ihmisen epidermaalinen kasvutekijäreseptori 2 (HER2) -negatiivisille potilaille NAC sisälsi epirubisiinin samanaikaisen käytön syklofosfamidin (EC-pohjaisen) kanssa tai epirubisiinin ja syklofosfamidin ja sen jälkeen taksaanien (doketakseli tai paklitakseli; EC+T). HER2-positiivisille potilaille NAC-protokollat ​​sisälsivät taksaanien samanaikaisen käytön trastutsumabin (TH-pohjaisen) kanssa tai samanaikaisen taksaanien ja syklofosfamidin käytön ja sen jälkeen trastutsumabin (EC+TH) tai taksaanien käytön trastutsumabin ja pertutsumabin (THP) kanssa. Yksi kolminkertaisesti negatiivinen potilas sai paklitakselia afatinibin kanssa.

PET/MR-kuvanotto MR-tutkimukset suoritettiin 3T PET/MR-skannerilla (Biograph mMR, Siemens Healthcare, Erlangen, Saksa). Keskihoidon skannaus järjestettiin kahden NAC-syklin jälkeen. Viimeinen skannaus järjestettiin ennen leikkausta. Potilaat skannattiin makuuasennossa käyttämällä erityistä nelikanavaista rintakierukkaa (Noras GmbH, Höchberg, Saksa). Vähintään 6 tunnin paaston jälkeen potilaille injektoitiin suonensisäisesti 3,7-5,55 MBq/kg (0,1-0,15 mCi/kg) 18F-fluorideoksiglukoosia (18F-FDG). PET/MR-skannaus suoritettiin noin 60 minuuttia myöhemmin. 10 minuutin mittainen rintojen PET suoritettiin yhdessä prekontrastisen rintojen MRI:n kanssa makuuasennossa. PET-kuvat rekonstruoitiin järjestetyllä osajoukolla, odotusten maksimointi iteratiivisella algoritmilla (3 iteraatiota, 21 osajoukkoa), 4 mm rekonstruoinnin jälkeisellä Gaussian-suodattimella ja 172 x 172 kuvamatriisilla. PET-tietojen vaimennuksen korjaus saatiin käyttämällä 4-kudosluokan suodatinta (ilma, keuhkot, rasva, pehmytkudos) segmentoitua vaimennuskorjauskarttaa, joka rekonstruoitiin 2-pisteisen Dixonin MR-pulssisekvenssin perusteella.

Rintojen MRI-protokollaa edeltävässä tutkimuksessa oli 2D-gradienttikaiku T1-painotettu (toistoaika [TR]/kaikuaika[TE], 500/9,8 ms, kääntökulma 150°, viipaleen paksuus 3,5 mm; matriisin näkökenttä [FOV] 320 × 320), T2-painotetut lyhyt tau-inversion palautus (STIR) kuvat (TR/TE/TI = 3000/78/230 ms, matriisin koko 320 × 320, viipaleen paksuus 4,0 mm, matriisi FOV 330 × 330 mm), diffuusiopainotetut kuvat (DWI) (TR/TE = 7500/83 ms, matriisin koko 192 × 77, viipaleen paksuus 4,0 mm, FOV 360 × 1830 mm, b-arvo = 50, 600 ja 1000 s/ mm2, keskiarvo = 2) ja näennäisen diffuusiokertoimen (ADC) kartat hankittiin.

Seitsemän dynaamista kontrastitehostettua kuvaa, joista yksi ennen varjoaineen antamista ja kuusi sen jälkeen, saatiin käyttämällä rasvakyllästettyä T1-painotettua nopeaa matalakulmakuvaa (FLASH) 3D-gradienttikaikusekvenssiä (TR/TE 4,1/1,5 ms, viipaleen paksuus ja rako 1,0/0 mm, matriisin koko 352 × 282, kääntökulma 10°, 146 viipaletta, FOV 330 × 330 mm) spektraalisella vaimennetulla inversionpalautuksella (SPAIR), kukin sarja kesti noin 60 sekuntia. Varjoaineen DCE-MRI aloitettiin 10 sekuntia 0,1 mmol/kg gadobutrolin (Gadovist; Bayer Pharma AG, Berliini, Saksa) laskimonsisäisen injektion jälkeen injektionopeudella 3 ml/s.

Histopatologinen arviointi Histologinen tyyppi ja arvosana perustuivat histopatologisiin raportteihin ultraääniohjatuista ydinbiopsioista, jotka suoritettiin ennen NAC:ta. Estrogeenireseptorin (ER), progesteronireseptorin (PR) ja HER2:n ilmentymät arvioitiin käyttämällä immunohistokemiallista värjäystä. ER- ja PR-positiivisuus arvioitiin käyttämällä Allred-pistemäärää, jossa arvoa > 3 pidettiin positiivisena. Kasvainten katsottiin olevan HER2-positiivisia, jos immunohistokemiallinen pistemäärä oli 3+. Tapauksissa, joissa HER2-status oli epäselvä (pistemäärä 2+) immunohistokemiassa, suoritettiin fluoresenssi in situ -hybridisaatioanalyysi (FISH) diagnoosin vahvistamiseksi.

pCR määriteltiin invasiivisen jäännössyövän puuttumisena lukuun ottamatta duktaalista karsinoomaa in situ (DCIS) kirurgisessa rintanäytteessä NAC:n jälkeen ja kainaloimusolmukkeiden puuttumisen puuttumiseksi, kuten Pinder et ai. ovat aiemmin raportoineet.

Kuva-analyysi Kuvat tulkitsi kaksi radiologia (Y.F.L. ja N.C., molemmilla 12 vuoden kokemus rintojen kuvantamisesta). Nämä kaksi radiologia arvioivat visuaalisesti kasvaimen ulkonäön MRI:ssä (massa, ei-massan vahvistuminen). Kiinnostavat alueet (ROI:t) määritettiin manuaalisesti valitsemalla kaksiulotteinen alue, joka sisälsi suurimman poikkileikkausalueen, jossa signaalin voimakkuus vahvistui ja joka erosi normaalista taustaparenkyymistä viidennessä kontrastitehostetussa sarjassa, samalla kun vältettiin normaalia parenkyymaa ja merkintöjä. leikkeen artefakteja. Jos syöpä oli multifokaalinen tai monikeskinen, ROI mitattiin suurimman koon kasvainalueelta.

Kun kasvaimen ROI-alueet oli segmentoitu, PET- ja MR-kuvat, mukaan lukien DWI, ja näennäisen diffuusiokertoimen (ADC) kuvan ROI-mittaukset kohdistettiin käyttämällä ROI-alueita, jotka oli piirretty dynaamisiin kontrastitehostekuviin (DCE) käyttämällä puoliautomaattista ei-jäykkää rekisteröintiä ja manuaalista kohdistusta. kun tarpeen. ROI:t arvioitiin samanaikaisesti kuudessa eri DCE-kuvien vaiheessa (koodattu P1 - P6). ROI:t rekisteröitiin myös muihin sarjoihin, mukaan lukien DWI:t arvolla b = 1000 s/mm2, ADC-kartta ja PET-kuvia. Kustakin ROI:sta laskettiin automaattisesti kuusi ensimmäisen ja neljä toisen asteen pintakuvioominaisuutta. Histogrammi-analyysiä käytettiin arvioimaan ensimmäisen asteen tekstuurin piirteitä, mukaan lukien keskiarvo, keskihajonta (SD), mediaani, 5. ja 95. prosenttipistearvot, kurtoosi ja vinous. Toisen asteen tekstuurianalyysissä käytettiin harmaatason yhteisesiintymismatriisia (GLCM) emomatriisina, ja GLCM:stä erotettiin neljä heterogeenista tekstuurista ominaisuutta, nimittäin eroentropia (DiffEntropy), erovarianssi (DiffVariance), kontrasti ja entropia [18]. Nämä tekstuuriparametrit laskettiin käyttämällä MR Multiparametric Analysis -prototyyppiohjelmistoa (Siemens Healthcare, Erlangen, Saksa). Kaikki kuvantamisparametrit arvioitiin käyttämällä PET/MR-skannauksia, jotka suoritettiin esikäsittelynä (R0) ja välihoitona (R1), ja ennen leikkausta (R2) analysoitiin.