Multimodaalisen MRI-pohjaisen radiomiikan soveltaminen rintasyövän histologiseen luokitteluun ja ennusteeseen

TNM-luokituksen lisäksi rintasyövän nykyinen hoito perustuu perinteisiin patologisiin piirteisiin, jotka luokittelevat sairauden kolmeen molekyylityyppiin, joilla jokaisella on merkittäviä ennusteellisia vaikutuksia kliinisessä käytännössä: HER2-positiivinen (human epidermal growth factor receptor 2), luminaalinen (hormonireseptori-positiivinen ja HER2-negatiivinen) ja kolminkertaisesti negatiivinen rintasyöpä. HER2:n yli-ilmentymä tai -amplifikaatio havaitaan 10–15 %:ssa rintasyöpätapauksista. Tämä ilmiö liittyy usein aggressiivisempaan kasvainkäyttäytymiseen samalla, kun se osoittaa lisääntynyttä vastetta HER2-kohdennettuihin hoitoihin. Kuitenkin tehokkaiden anti-HER2-lääkkeiden käyttö voi parantaa merkittävästi näiden potilaiden selviytymistuloksia. Lisäksi HER2:n ilmentymistatus on ratkaisevan tärkeä kohdennetun hoidon tarpeen määrittämisessä. Siksi HER2:n ilmentymistatuksen esioperaatiotutkimuksella on tärkeitä terapeuttisia vaikutuksia. Tällä hetkellä HER2-statuksen arviointimenetelmät rintasyövälle ennen leikkausta kliinisessä käytännössä sisältävät immunohistokemialliset (IHC) testit ja fluoresenssi in situ -hybridisaatiomittaukset (FISH), jotka suoritetaan neulanäytekappaleista. Kuitenkin näillä biopsianäytteenottomenetelmillä on luontaisia rajoituksia, kuten näytteenottovääristymä ja kyvyttömyys edustaa täysin kasvaimen sisäistä heterogeenisuutta. Lisäksi biopsiaproseduuri voi olla epämiellyttävä ja sisältää tiettyjä riskejä potilaille. Kasvaimen heterogeenisuus viittaa yleisesti eroihin angiogeneesissä, aineenvaihdunnassa, geenien ilmentymisessä ja muissa biologisissa ominaisuuksissa kasvaimien välillä. Kasvaimen sisäinen heterogeenisuus (ITH) voi ilmetä radiologisten kuvien signaalieroina makrotasolla. Tutkijat olettivat, että HER2-positiivisten (HER2+) ja HER2-negatiivisten (HER2-) rintasyöpien välillä on merkittäviä eroja biologisissa ominaisuuksissa ja käyttäytymisessä, mikä mahdollistaa näiden kahden kasvaintyypin erottamisen tunnistamalla spesifisiä kuvantamispiirteitä, jotka heijastavat ITH:ta.

Dynaaminen kontrastivahvisteinen magneettikuvaus (DCE-MRI) on tehokas kuvantamismenetelmä, joka tarjoaa ajallista tietoa kontrastiaineiden dynamiikasta epäilyttävissä muutoksissa samalla, kun se ylläpitää hyväksyttävää spatiaalista resoluutiota. Se on erityisen herkkä rintasyöpämuutosten havaitsemisessa, erityisesti tiheässä rintakudoksessa. DCE-MRI voi epäsuorasti heijastaa poikkeavaa kasvainverisuonistoa muutosten hemodynaamisten ominaisuuksien kautta. Radiomiikka on uusiutuva teknologia, joka sisältää kvantitatiivisten ja toistettavien piirteiden erottamisen lääketieteellisistä kuvista käyttämällä suurtehokkaita, kehittyneitä menetelmiä, jotka ovat usein haastavia tunnistaa tai kvantifioida visuaalisesti. Nämä piirteet, jotka voivat liittyä tiettyihin sairauksiin, analysoidaan tilastollisten tai koneoppimisen (ML) algoritmien avulla luodakseen ennustavia malleja kasvainten diagnosoimiseen, luokitteluun, tehokkuuden arviointiin ja ennusteen ennustamiseen. ML:llä on kaksi tärkeää etua perinteisiin tilastomalleihin verrattuna. Tavoitteena on lyhentää päätöksentekoaikaa diagnoosivaiheessa ja saavuttaa yleisesti suurempi diagnoosintarkkuus. Kuten on osoitettu rintasyövän diagnosoinnissa, ML voi parantaa merkittävästi syövän riskien ennustamista tunnistamalla monimutkaisia kaavoja suurissa määrissä kliinistä dataa. Huolimatta ML:n suuresta potentiaalista, sen kliinisessä soveltamisessa on edelleen useita esteitä. Suuri haaste on tulkittavuuden puute – monet ML-mallit toimivat kuin "mustat laatikot", mikä vaikeuttaa kliinikkojen ymmärtämistä ja luottamusta niiden päätöksentekoprosesseihin. Lisäksi mallin suorituskyky riippuu voimakkaasti koulutusdatan laadusta ja edustavuudesta. ML-menetelmät vaativat usein suurempia tietoaineistoja kuin perinteiset kliiniset tutkimukset.

Tämän vuoksi tämän tutkimuksen tavoitteena oli kehittää radiomiikkaan perustuva ML-malli, joka voisi ennustaa rintasyöpien HER2-statuksen ei-invasiivisella tavalla käyttäen DCE-MRI-kuvia. Lisäksi Shapley Additive Explanation (SHAP) -algoritmia käytettiin analysoimaan mallissa mukana olevien muuttujien panosta, tarjoten arvokkaita oivalluksia tarkempien esioperaatiohoitosuunnitelmien laatimiseen rintasyöpäpotilaille.