パラメトリックダイナミクス機能に基づく乳がんに対する NAC 反応の予測モデル。

乳がんは最も頻繁に診断されるがんであり、過去 10 年間、依然として台湾女性のがんによる死亡原因の第 4 位となっています。 乳がんの最適な治療法は、エストロゲン (ER) およびプロゲステロン受容体 (PR) 検査、ヒト上皮成長因子 2 型受容体 (HER2) 検査、および生検を使用した TNM 病期分類の結果に基づいて決定されます。 閉経状態とER、PR、HER2の反応を評価した後、ステージ2以上の乳がんの治療では、(1)手術不能ながんを外科的に切除可能ながんに転換する、(2)転移という利点を考慮して術前化学療法(NAC)を検討する場合があります。管理、(3) 腫瘍の縮小、(4) 全生存率および無再発生存率の改善、(5) 組織学的パラメータの予測。 NAC 後に病理学的完全寛解 (pCR) を示した患者は、より良好な無病生存期間と全生存期間の改善に関連していることが知られています。 したがって、より効果的なレジメンを開発し、コンピューター支援予測モデルに基づいて患者を層別化し、NAC の反応を評価することが不可欠です。

この研究の主な目的は、NAC 治療反応のコンピューター支援予測モデルを開発することです。 この研究では、一般的に観察されるインターナルパラメトリックな腫瘍組成の不均一性に基づいて、組織学的特徴と治療反応を利用して、深層学習技術を使用して治療反応を予測するための入力データとして画像の特徴を調査します。 この技術を使用すると、開発されたダイナミックラジオミクスによる腫瘍の不均一性分析によって術前治療評価が容易になり、パーソナルメディシンの可能性が近い将来に実現できる可能性があります。 DCE-MRI、PET/CT、QDS-IRからの画像を使用したこの研究の最初の2年間で、乳房と腫瘍領域のセグメント化、血管新生特性と腫瘍の透過性を反映する画像特徴の抽出などの画像処理アルゴリズムを開発する予定です。 、NAC治療反応と高い相関があります。 プロジェクトの 3 年目では、最初の 2 年間の形態および組織特徴を PET/MRI 用に組み合わせることができ、PET/MRI の縦断画像を使用した動的特徴抽出から抽出された特徴に従って予測モデルを実現できます。 期待される貢献は次のとおりです。

従来のしきい値処理方法の問題を克服するための新しいパラメトリック ダイナミクス機能を提案します。

治療反応予測を改善するために、DCE MRI 上の乳房組織と腫瘍領域のセグメンテーション アルゴリズムを開発します。

非侵襲性QDS-IR画像の軌跡解析を開発する。形態特徴の信頼性と再現性を向上させるために、PET取り込み境界をCT腫瘍境界に登録することにより、代謝腫瘍体積のセグメンテーションアルゴリズムを開発する。

PET/CT と DCE MRI 用に開発された先行技術を組み合わせることで、新しいタイプの特徴、つまり PET/MRI からのパラメトリック ダイナミクス特徴を、NAC 応答を予測するためのダイナミック ラジオミクスとして機能させることができます。

予測モデルを探索するために高次元の特徴空間を活用するための、自己学習方法論の観点からプロジェクトの本質である深層学習アルゴリズムを開発する。

被験者の適格性と登録 この前向き研究は、記録と画像のレビューのための患者の承認と書面によるインフォームドコンセントの要件を免除した地元の施設倫理委員会によって承認されました。

2015年4月から2019年6月までに、NACを受けた乳がん女性60人が資格があるかどうかのスクリーニングを受けた。 適格基準は、(a) 年齢が 18 歳以上、(b) 針生検により病理学的に乳がんが確認された、(c) NAC を受ける意思がある、(d) NAC 後の手術の資格がある、および(e) NAC 中に少なくとも 2 回の PET/MR スキャンを受けることに意欲的でした。最初の [R0]、前治療。 2 番目の [R1] は 2 サイクルの化学療法後 (治療後)。 60 人の女性のうち、14 人は次の理由で除外されました。(a) 最初のスキャン後に遠隔転移が発見されたため (n=1)、手術の対象にはなりませんでした。 (b) 個人的な理由により 2 回の連続した PET/MR スキャンを完了できない患者 (n=10)。 (c) 患者は最初のサイクル後にさらなる NAC を拒否した (n=2)。 (d) クレアチニンレベルの上昇のため、治療後のスキャンを実行できませんでした (n=1)。 研究の組み込みフロー図を図 1 に示します。 すべての患者は、以下の選択肢を含む NAC を 6 ～ 8 サイクル受けました。 ヒト上皮成長因子受容体 2 (HER2) 陰性患者の場合、NAC にはエピルビシンとシクロホスファミド (EC ベース)、またはエピルビシンとシクロホスファミドの後にタキサン (ドセタキセルまたはパクリタキセル; EC+T) を併用することが含まれていました。 HER2陽性患者の場合、NACプロトコルには、タキサンとトラスツズマブの併用（THベース）、またはタキサンとシクロホスファミドの後にトラスツズマブを投与する（EC+TH）、またはタキサンとトラスツズマブおよびペルツズマブ（THP）を併用するレジメンが含まれていた。 トリプルネガティブ患者 1 名はパクリタキセルとアファチニブの併用療法を受けました。

PET/MR 画像取得 MR 検査は 3T PET/MR スキャナー (Biograph mMR、Siemens Healthcare、エアランゲン、ドイツ) で実施されました。 治療中期スキャンは、2 サイクルの NAC 後に実施されました。 最後のスキャンは手術前に手配されました。 患者は、専用の 4 チャンネル乳房コイル (Noras GmbH、ヘッヒベルク、ドイツ) を使用して腹臥位でスキャンされました。 少なくとも 6 時間絶食した後、患者には 3.7 ～ 5.55 錠剤が静脈内注射されました。 MBq/kg (0.1-0.15 mCi/kg) の 18F-フルオロデオキシグルコース (18F-FDG)。 約 60 分後に PET/MR スキャンが実行されました。 腹臥位で造影前の乳房MRIとともに10分間の乳房PETを実施した。 PET 画像は、順序付きサブセット、期待値最大化反復アルゴリズム (3 反復、21 サブセット)、4 mm ポスト再構成ガウス フィルターおよび 172 x 172 の画像マトリックスを使用して再構成されました。 PET データの減衰補正は、2 ポイント ディクソン MR パルス シーケンスから再構成された 4 組織クラス フィルター (空気、肺、脂肪、軟組織) のセグメント化された減衰補正マップ を使用して取得されました。

造影前の乳房 MRI プロトコルには、T1 強調 2D グラジエント エコー (繰り返し時間 [TR]/エコー時間 [TE]、500/9.8) が含まれていました。 ms、フリップ角 150°、スライス厚 3.5 mm。マトリックス視野 [FOV] 320 × 320)、T2 強調短タウ反転回復 (STIR) 画像 (TR/TE/TI = 3000/78/230 ms、マトリックス サイズ 320 × 320、スライス厚 4.0 mm、マトリックス FOV) 330 × 330 mm）、拡散強調画像（DWI）（TR/TE = 7500/83 ms、マトリックス サイズ 192 × 77、スライス厚 4.0 mm、FOV 360 × 1830 mm、b 値 = 50、600 および 1000 秒/ mm2、平均 = 2) と見かけの拡散係数 (ADC) マップが取得されました。

造影剤投与前 1 枚と造影剤投与後の 6 枚を含む 7 枚の動的造影画像を、脂肪飽和 T1 強調高速ローアングル ショット (FLASH) 3D グラジエント エコー シーケンス (TR/TE 4.1/1.5 ms、スライス厚、およびギャップ 1.0/0 mm、マトリックス サイズ 352 × 282、フリップ アングル 10°、146 スライス、FOV 330 × 330 mm）、スペクトル減衰反転回復 (SPAIR) を使用すると、各セットに約 60 秒かかりました。 ポストコントラスト DCE-MRI は、0.1 mmol/kg ガドブトロール (Gadovist; Bayer Pharma AG、ベルリン、ドイツ) を 3 mL/s の注入速度で静脈内注射した 10 秒後に開始しました。

組織病理学的評価 組織型とグレードは、NAC の前に行われた超音波ガイド下のコア生検の組織病理学的報告に基づいていました。 エストロゲン受容体 (ER)、プロゲステロン受容体 (PR)、および HER2 の発現は、免疫組織化学的染色を使用して評価されました。 ER および PR 陽性率は Allred スコアを使用して評価され、スコア > 3 が陽性とみなされます。 免疫組織化学スコアが 3+ の場合、腫瘍は HER2 陽性であるとみなされました。 免疫組織化学で HER2 状態が曖昧（スコア 2+）の場合、診断を確認するために蛍光 in situ ハイブリダイゼーション分析（FISH）が実施されました。

pCRは、Pinderらによって以前に報告されているように、NAC後の外科乳房標本に上皮内乳管癌（DCIS）を除く残存浸潤癌が存在せず、腋窩リンパ節転移が存在しないこととして定義された。

画像解析 画像は 2 人の放射線科医 (Y.F.L. と N.C.、どちらも乳房画像診断で 12 年の経験を持つ) によって読影されました。 MRI (質量、非質量増強) 上の腫瘍の外観は、2 人の放射線科医によって視覚的に評価されました。 関心領域（ROI）は、正常実質とマーキングを避けながら、5 番目のコントラスト強調シリーズの正常な背景実質とは異なる、強調の高信号強度の最大断面積を囲む 2 次元領域を選択することによって手動で定義されました。クリップアーティファクト。 がんが多病巣性または多中心性である場合、ROI は最大サイズの腫瘍領域で測定されました。

腫瘍 ROI がセグメント化された後、DWI を含む PET 画像と MR 画像、および見かけの拡散係数 (ADC) 画像の ROI 測定値が、半自動の非剛体位置合わせと手動位置合わせを使用して動的コントラスト強調 (DCE) 画像上に描画された ROI を使用して位置合わせされました。必要に応じて。 ROI は、DCE 画像の 6 つの異なるフェーズ (P1 から P6 としてコード化) で同時に評価されました。 ROI は、b 値 = 1000 秒/mm2 の DWI、ADC マップ、および PET 画像を含む他のシリーズにも登録されました。 各 ROI から、6 つの 1 次テクスチャ フィーチャと 4 つの 2 次テクスチャ フィーチャが自動的に計算されました。 ヒストグラム分析を使用して、平均、標準偏差 (SD)、中央値、5 パーセンタイル値と 95 パーセンタイル値、尖度、歪度などの一次テクスチャー特徴を評価しました。 二次テクスチャ分析では、グレーレベル共起行列 (GLCM) が親行列として使用され、4 つの異種テクスチャ特徴が GLCM から抽出されました。すなわち、差分エントロピー (DiffEntropy)、差分分散 (DiffVariance)、コントラスト、エントロピー [18]。 これらのテクスチャパラメータは、MR マルチパラメトリック分析プロトタイプ ソフトウェア (Siemens Healthcare、エアランゲン、ドイツ) を使用して計算されました。 すべての画像パラメータは、治療前 (R0) および治療中 (R1) で実行された PET/MR スキャンを使用して評価され、手術前 (R2) が分析されました。