AI voor hoofdhalskanker behandeld met adaptieve radiotherapie (RadiomicART) (RadiomicArt)

Plaveiselcelcarcinoom van het hoofd-halsgebied (HNSCC) wordt gekenmerkt door een incidentie in Europa van 140.000 nieuwe gevallen per jaar, met overlevingspercentages na 5 jaar variërend van 25 tot 65%.

De huidige klinische beheersalgoritmen voor HNSCC-patiënten omvatten het gebruik van chirurgie en/of radiotherapie, afhankelijk van het stadium van de ziekte bij diagnose. Radicale radiotherapie (RT), exclusief of in combinatie met systemische therapie, is volgens de internationale richtlijnen een effectieve therapeutische optie.

Ondanks de recente technologische vooruitgang op het gebied van radiotherapie, ontwikkelt ongeveer 30-50% van de patiënten locoregionaal falen na primaire behandeling van hoofd-halskanker. Bovendien, hoewel de ontwikkeling van intensiteitsgemoduleerde bestralingstherapie (IMRT) en volumetrische gemoduleerde boogtherapie (VMAT) technieken een grotere dosisbesparing op gezonde weefsels mogelijk maakten, vormt stralingsgeïnduceerde toxiciteit nog steeds een relevante zorg, die van invloed is op de kwaliteit van leven van kankerpatiënten. zelfs voor lange tijd na de behandeling.

De voortdurende inspanning van gepersonaliseerde geneeskunde heeft tot doel het resultaat van de patiënt te verbeteren, zowel wat betreft de controle van de ziekte als het toxiciteitspatroon. Geavanceerde beeldvormingsmodaliteiten lijken een essentiële rol te spelen bij het aanpassen van de bestralingsbehandeling, zoals blijkt uit het gebruik van Adaptieve Radiotherapie (ART) en radiomic.

Met ART bedoelen de onderzoekers de aanpassing van tumorvolumes en omringende organen die risico lopen (OAR's) aan de inkrimping en vermagering van de patiënt tijdens RT-behandeling.

De recente literatuur toonde aan dat tumorkrimp 70% kan bereiken aan het einde van de RT-behandeling, en tegelijkertijd kunnen OAR's, zoals oorspeekselklieren, hun omvang met 7 tot 70% verkleinen. Als er geen rekening wordt gehouden met deze veranderingen, kan dit leiden tot een onverwachte toediening van een lagere dosis op de tumor en een hogere dosis OAR's dan gepland.

Adaptieve radiotherapie (ART) omvat technieken die kennis mogelijk maken van patiëntspecifieke anatomische variaties op basis van beeldgeleide radiotherapieën (IGRT's) om feedback te geven in het plan en optimalisatie van de dosisafgifte tijdens de behandelingskuur. De aanhoudende zwakste schakel in de behandelingsketen voor radiotherapie blijft de door de arts geleide doelidentificatie.

Vergeleken met CT of CBCT biedt MRI een superieure definitie van zacht weefsel zonder bijbehorend stralingsrisico. MRI identificeert doelen die groter zijn dan op CT omdat tumor die anders gemist zou zijn nu gezien wordt; meestal wordt echter gemeld dat doelen kleiner zijn wanneer ze op MRI worden afgebakend. Het resulterende kleinere van MRI afgeleide doelwit verbetert de therapeutische ratio, waardoor dosisescalatie mogelijk wordt. De beschikbaarheid van 'functionele' MRI-sequenties houdt de belofte in dat geometrische aanpassing kan worden aangevuld met biologische aanpassing. Diffusion-weighted imaging (DWI) is een functionele beeldvormingstechniek die afhankelijk is van de willekeurige beweging van watermoleculen om beeldcontrast te genereren. Aangezien tumoren gewoonlijk een grotere cellulariteit hebben dan normaal weefsel, vertonen ze een hogere signaalintensiteit, d.w.z. beperkte diffusie op MRI. Dit komt tot uiting in de lage gemiddelde schijnbare diffusiecoëfficiënt (ADC) waarde. Dit kan zowel kwalitatieve als kwantitatieve informatie opleveren. Verandering in de ADC is gebruikt om vroege behandelingsrespons te identificeren en lokaal recidief te voorspellen. Daarom zou DWI aan boord vroege non-responders kunnen identificeren die baat kunnen hebben bij een verandering in de behandelingsbenadering.

Radiomic is de extractie van kwantitatieve kenmerken uit medische beelden om tumorpathologie of heterogeniteit te karakteriseren. Radiomische kenmerken die zijn geëxtraheerd uit medische beelden, kunnen worden gebruikt als in put-functies om een ​​machine learning-model te creëren dat de overleving kan voorspellen en de behandeling kan sturen dankzij de voorspellende waarde ervan met het oog op therapiepersonalisatie.

We evalueerden eerder in een retrospectieve studie de kwalitatieve analyse van de radiomische kenmerken van hoofd-halstumorweefsels, om een ​​voorspellende signatuur van de biologische kenmerken van de tumor te identificeren. De onderzoekers stratificeerden HNSCC-patiënten volgens de meest significante radiomische kenmerken in groepen met een hoog en laag risico op terugval en overleving na radiochemotherapie.

De combinatie van zowel ART als radiomische analyse zou mogelijk kunnen worden beschouwd als een verdere vooruitgang in de personalisering van oncologische behandelingen, en in het bijzonder voor bestralingsbehandelingen. Om deze reden heeft de onderzoeker het huidige onderzoeksproject ontworpen met als doel om prospectief een op machine learning gebaseerde radiomische benadering te evalueren om de uitkomst en toxiciteit van HNSCC-patiënten die met ART worden behandeld te voorspellen door middel van CT, MRI en PET-scan.