Ultraääni-RF-tiedot hyvänlaatuisten ja pahanlaatuisten munasarjamassojen erottamiseksi (RFDATA)

Ultraäänikuvaus antaa hyödyllistä tietoa munasarjamassojen luonnehtimiseksi hyvän- tai pahanlaatuisiksi. Tarkin matemaattinen malli munasarjojen massojen luokitteluun on IOTA ADNEX -malli. Tämä malli arvioi pahanlaatuisuuden riskin ja toimii samalla tavalla kuin kokeneen ultraäänitutkijan subjektiivinen arviointi hyvänlaatuisten ja pahanlaatuisten adnexaalisten massojen erottamiseksi. IOTA ADNEXin kyky erottaa hyvänlaatuiset ja pahanlaatuiset massat on erittäin hyvä (vastaanottimen käyttäjän ominaiskäyrän alla oleva pinta-ala 0,937 (95 % CI: 0,915-0,954). ADNEX-malli säilyttää tarkkuutensa myös eri kokemuksen ja koulutuksen omaavien käyttäjien käsissä.

IOTA-terminologian mukaan 13 % ultraäänitutkimuksessa havaituista munasarjojen massoista luokitellaan kiinteiksi. Kiinteillä munasarjamassoilla on 60–75 %2 pahanlaatuisuuden riski, ja hyvänlaatuisten ja pahanlaatuisten erottelu tässä morfologisessa kategoriassa on haastavaa. Lisäksi on arvioitu, että 30 % (25/84; 95 % CI 18 - 44 %) kiinteistä pahanlaatuisista munasarjamassoista on metastaaseja muista kuin munasarjakasvaimista. Primaarisen munasarjasyövän ja metastaattisten kasvainten välinen erottelu munasarjassa on myös kliinisesti tärkeää asianmukaisten hoitotoimenpiteiden suunnittelussa. On syytä tutkia diagnostisten työkalujen ennakoivaa suorituskykyä ultraäänikiinteän morfologian omaavien munasarjamassojen tunnistamisessa.

Alustavat tiedot (julkaisematon) radiomiikka-analyysistä ja munasarjojen massoista edellyttäen, että hyvänlaatuisilla ja pahanlaatuisilla munasarjamassoilla, joilla on kiinteä morfologia, on erilaiset radiomiikkaominaisuudet monosentrisessä retrospektiivisessä tutkimuksessa. Tilastollisesti merkitseviä eroja ei kuitenkaan ole havaittu primaarisen munasarjasyövän ja metastaasien välillä munasarjassa.

Ultraäänitekniikan alalla on nousemassa uusi teknologia: ultraäänisumman RF-datan analyysi – ultraäänisäteiden ja ihmisen kudosten rajapinnan tuottamaa raakadataa. Toistaiseksi raakadataa ei hyödynnetä tavanomaisessa kuvantamisessa, eikä niiden lopullista roolia kliinisessä käytännössä tunneta. Summennettu RF-data voisi todellakin korreloida paremmin biologisten parametrien kanssa kuin B-tilan kuvissa tunnistettavissa olevien parametrien kanssa. Summennettu RF-data voisi myös parantaa radioavaa analyysiä.