Le modèle de prédiction de la réponse NAC pour le cancer du sein basé sur les fonctionnalités de dynamique paramétrique.

Le cancer du sein est le cancer le plus fréquemment diagnostiqué et reste la quatrième cause de décès par cancer chez les femmes taïwanaises au cours de la dernière décennie. Les décisions concernant le meilleur traitement pour le cancer du sein sont basées sur le résultat du test des récepteurs des œstrogènes (ER) et de la progestérone (PR), du test du récepteur du facteur de croissance épidermique humain de type 2 (HER2) et de la stadification TNM par biopsie. Après évaluation de l'état de la ménopause et de la réponse de ER, PR et HER2, les traitements du cancer du sein de stade 2 ou supérieur peuvent envisager une chimiothérapie néoadjuvante (NAC) pour les avantages de (1) convertir un cancer inopérable en cancer résécable chirurgicalement, (2) métastases. prise en charge, (3) rétrécissement de la tumeur, (4) amélioration de la survie globale et du taux de survie sans récidive (5) paramètres histologiques prédictifs. On sait que les patients présentant une réponse pathologique complète (pCR) après NAC sont associés à une meilleure survie sans maladie et à une survie globale améliorée. Par conséquent, il est essentiel de développer des schémas thérapeutiques plus efficaces et de stratifier les patients sur la base d'un modèle de prédiction assisté par ordinateur pour évaluer la réponse de la NAC.

L'objectif principal de cette étude est de développer un modèle de prédiction assisté par ordinateur pour la réponse au traitement NAC. Sur la base de l'hétérogénéité de la composition paramétrique interne de la tumeur couramment observée, cette étude utilisera les caractéristiques histologiques et la réponse au traitement pour étudier les caractéristiques de l'image comme données d'entrée pour prédire la réponse au traitement à l'aide de la technologie Deep Learning. Grâce à cette technique, l'évaluation du traitement préopératoire peut être facilitée par l'analyse de l'hétérogénéité des tumeurs à partir de la radiomique dynamique développée, et la possibilité d'une médecine personnelle peut être réalisée peu de temps après. Au cours des deux premières années de cette étude utilisant des images de DCE-MRI, PET/CT et QDS-IR, nous prévoyons de développer les algorithmes de traitement d'image, y compris la segmentation du sein et de la région tumorale, l'extraction des caractéristiques de l'image qui reflètent les propriétés angiogéniques et la perméabilité de la tumeur. , qui sont fortement corrélés à la réponse au traitement NAC. Au cours de la troisième année du projet, les caractéristiques de morphologie et de texture des deux premières années peuvent être combinées pour la TEP/IRM et un modèle de prédiction peut être réalisé conformément aux caractéristiques extraites de l'extraction dynamique des caractéristiques à l'aide d'images longitudinales de TEP/IRM. Voici les contributions attendues :

Proposer de nouvelles fonctionnalités de dynamique paramétrique pour surmonter les problèmes liés à la méthode de seuillage traditionnelle.

Développer des algorithmes de segmentation pour le tissu mammaire et la région tumorale sur l'IRM DCE afin d'améliorer la prédiction de la réponse au traitement.

Développer une analyse de trajectoire pour l'image QDS-IR non invasive. Développer un algorithme de segmentation pour le volume métabolique de la tumeur en enregistrant la limite d'absorption TEP avec la limite de la tumeur CT afin d'améliorer la fiabilité et la reproductibilité des caractéristiques morphologiques.

En combinant les techniques précédentes développées pour la TEP/CT et l'IRM DCE, de nouveaux types de caractéristiques, à savoir les caractéristiques dynamiques paramétriques de la TEP/IRM, peuvent servir de radiomique dynamique pour prédire la réponse de la NAC.

Développer un algorithme de Deep-Learning, qui est l'essentiel du projet en termes de méthodologie d'auto-apprentissage, pour exploiter l'espace des fonctionnalités de haute dimension à la recherche du modèle de prédiction.

Éligibilité et inscription des sujets Cette étude prospective a été approuvée par le comité d'éthique institutionnel local qui a renoncé à l'exigence d'approbation du patient et de consentement éclairé écrit pour l'examen des dossiers et des images.

D’avril 2015 à juin 2019, 60 femmes atteintes d’un cancer du sein et ayant subi une NAC ont été examinées pour déterminer leur admissibilité. Les critères d'éligibilité étaient les patients qui : (a) étaient âgés de plus de 18 ans, (b) atteints d'un cancer du sein pathologiquement confirmé avec biopsie à l'aiguille, (c) étaient disposés à subir une NAC, (d) étaient éligibles à une intervention chirurgicale après une NAC, et (e) étaient disposés à subir au moins deux TEP/IRM pendant la NAC : la première [R0], le prétraitement ; et le second [R1], après deux cycles de chimiothérapie (post-traitement). Sur les 60 femmes, 14 ont été exclues pour les raisons suivantes : (a) métastases à distance découvertes après le premier scanner (n = 1), de sorte qu'elles n'étaient pas éligibles à la chirurgie ; (b) patients incapables de réaliser deux TEP/IRM séquentielles pour des raisons personnelles (n = 10) ; (c) les patients ont refusé une nouvelle NAC après le premier cycle (n = 2) ; et (d) l'analyse post-traitement n'a pas pu être réalisée en raison d'un taux de créatinine élevé (n = 1). Le diagramme de flux d’inclusion de l’étude est présenté à la figure 1. Tous les patients ont reçu 6 à 8 cycles de NAC, y compris les options suivantes. Pour les patients négatifs au récepteur 2 du facteur de croissance épidermique humain (HER2), la NAC comprenait l'utilisation concomitante d'épirubicine avec du cyclophosphamide (à base de CE) ou d'épirubicine avec du cyclophosphamide suivi de taxanes (docétaxel ou paclitaxel ; EC+T). Pour les patients HER2-positifs, les protocoles NAC comprenaient l'utilisation concomitante de taxanes avec le trastuzumab (à base de TH), ou un régime concomitant de taxanes et de cyclophosphamide suivi de trastuzumab (EC+TH), ou de taxanes avec du trastuzumab et du pertuzumab (THP). Un patient triple négatif a reçu du paclitaxel avec de l'afatinib.

Des examens IRM d'acquisition d'images TEP/MR ont été réalisés sur un scanner TEP/MR 3T (Biograph mMR, Siemens Healthcare, Erlangen, Allemagne). L'analyse de mi-traitement a été organisée après deux cycles de NAC. Le dernier scanner a été organisé avant la chirurgie. Les patientes ont été scannées en position couchée à l'aide d'une antenne mammaire dédiée à quatre canaux (Noras GmbH, Höchberg, Allemagne). Après un jeûne d'au moins 6 heures, les patients ont reçu une injection intraveineuse de 3,7 à 5,55 MBq/kg (0,1-0,15 mCi/kg) de 18F-fluorodésoxyglucose (18F-FDG). Une TEP/IRM a été réalisée environ 60 minutes plus tard. Une TEP mammaire de 10 minutes a été réalisée ainsi qu'une IRM mammaire précontraste en position couchée. Les images TEP ont été reconstruites avec un algorithme itératif de sous-ensemble ordonné de maximisation des attentes (3 itérations, 21 sous-ensembles), avec un filtre gaussien de post-reconstruction de 4 mm et une matrice d'image de 172 x 172. La correction d'atténuation des données TEP a été obtenue à l'aide d'une carte de correction d'atténuation segmentée avec filtre à 4 classes de tissus (air, poumon, graisse, tissus mous), qui a été reconstruite à partir d'une séquence d'impulsions Dixon MR à 2 points.

Le protocole d'IRM mammaire préconstrat incluait un écho de gradient 2D pondéré en T1 (temps de répétition [TR]/temps d'écho [TE], 500/9,8 ms, angle de retournement 150°, épaisseur de tranche 3,5 mm ; champ de vision de la matrice [FOV] 320 × 320), images STIR (Short Tau Inversion Recovery) pondérées T2 (TR/TE/TI = 3 000/78/230 ms, taille de la matrice 320 × 320, épaisseur de tranche 4,0 mm, FOV de la matrice 330 × 330 mm), images pondérées en diffusion (DWI) (TR/TE = 7 500/83 ms, taille de matrice 192 × 77, épaisseur de coupe 4,0 mm, FOV 360 × 1 830 mm, valeur b = 50, 600 et 1 000 s/ mm2, moyenne = 2) avec des cartes de coefficient de diffusion apparent (ADC) ont été acquises.

Sept images dynamiques à contraste amélioré, dont une avant et six après l'administration d'un agent de contraste, ont été acquises à l'aide d'une séquence d'écho de gradient 3D saturée en graisse, pondérée en T1, FLASH (Fast Low Angle Shot) (TR/TE 4,1/1,5 ms, épaisseur de coupe et écart 1,0/0 mm, taille de la matrice 352 × 282, angle de retournement 10°, 146 tranches, FOV 330 × 330 mm) avec récupération par inversion spectrale atténuée (SPAIR), chaque série a duré environ 60 secondes. L'IRM-DCE post-contraste a été démarrée 10 secondes après l'injection intraveineuse de 0,1 mmol/kg de gadobutrol (Gadovist ; Bayer Pharma AG, Berlin, Allemagne) avec un débit d'injection de 3 mL/s.

Évaluation histopathologique Le type et le grade histologiques étaient basés sur les rapports histopathologiques de biopsies au trocart guidées par échographie réalisées avant la NAC. Les expressions du récepteur des œstrogènes (ER), du récepteur de la progestérone (PR) et de HER2 ont été évaluées par coloration immunohistochimique. La positivité des ER et des PR a été évaluée à l’aide du score Allred, dans lequel un score > 3 était considéré comme positif. Les tumeurs étaient considérées comme HER2 positives si le score immunohistochimique était de 3+. Dans les cas de statut HER2 équivoque (score 2+) en immunohistochimie, une analyse d'hybridation in situ en fluorescence (FISH) a été réalisée pour confirmer le diagnostic.

Un pCR a été défini comme l'absence de cancer invasif résiduel, à l'exception du carcinome canalaire in situ (CCIS) dans l'échantillon chirurgical du sein après NAC et l'absence d'atteinte des ganglions lymphatiques axillaires, comme indiqué précédemment par Pinder et al.

Analyse des images Les images ont été interprétées par deux radiologues (Y.F.L. et N.C., tous deux ayant 12 ans d'expérience en imagerie mammaire). L’aspect de la tumeur à l’IRM (rehaussement de masse et sans masse) a été évalué visuellement par les deux radiologues. Les régions d'intérêt (ROI) ont été définies manuellement en sélectionnant une région bidimensionnelle renfermant la plus grande zone transversale d'intensité de signal élevée qui différait du parenchyme de fond normal sur la cinquième série à contraste amélioré, tout en évitant le parenchyme et le marquage normaux. artefacts de clip. Si le cancer était multifocal ou multicentrique, le retour sur investissement était mesuré au niveau de la zone tumorale la plus grande.

Une fois les ROI de la tumeur segmentées, les images TEP et IRM, y compris DWI, et les mesures de la ROI des images à coefficient de diffusion apparent (ADC) ont été alignées à l'aide des ROI dessinées sur des images à contraste dynamique amélioré (DCE) à l'aide d'un enregistrement semi-automatique non rigide et d'un alignement manuel. Où il faut. Les ROI ont été évaluées simultanément sur six phases différentes d'images DCE (codées P1 à P6). Les ROI ont également été enregistrées sur d'autres séries, notamment les DWI à valeur b = 1 000 sec/mm2, la carte ADC et les images TEP. À partir de chaque retour sur investissement, six caractéristiques de texture de premier ordre et quatre caractéristiques de second ordre ont été automatiquement calculées. L'analyse de l'histogramme a été utilisée pour évaluer les caractéristiques texturales de premier ordre, notamment la moyenne, l'écart type (ET), la médiane, les valeurs des 5e et 95e percentiles, l'aplatissement et l'asymétrie. Pour l'analyse texturale de second ordre, une matrice de cooccurrence de niveaux de gris (GLCM) a été utilisée comme matrice parent, et quatre caractéristiques texturales hétérogènes ont été extraites du GLCM, à savoir l'entropie de différence (DiffEntropy), la variance de différence (DiffVariance), contraste et entropie [18]. Ces paramètres de texture ont été calculés à l'aide du logiciel prototype MR Multiparametric Analysis (Siemens Healthcare, Erlangen, Allemagne). Tous les paramètres d'imagerie ont été évalués à l'aide de scans TEP/IRM effectués avant le traitement (R0) et à mi-traitement (R1), et avant la chirurgie (R2) sont analysés.