Niet-invasieve MRI-subclassificatie van heptocellulair carcinoom - HepCaSt-studie (HepCaSt)

Hepatocellulaire carcinomen (HCC's) zijn een heterogene groep tumorsubtypen met een verschillend responsgedrag en prognose. Als reactie hierop classificeert de Wereldgezondheidsorganisatie (WHO) in haar 5e versie (bijgewerkt in 2019) niet meer twee maar acht subtypes, elk met een andere tumorbiologie en uitkomst. De nieuwe classificatie kan dienen als een sleutelfactor voor het optimaliseren van een meer gepersonaliseerde therapeutische benadering en daarom moeten vooral diagnostische disciplines deze nieuwe subtypes zo snel mogelijk implementeren in hun dagelijkse klinische routine-algoritmen.

Beeldvorming speelt in deze situatie wel een sleutelrol. Nieuwere en geavanceerde MRI-technieken maken een nauwkeurige weefselkarakterisering mogelijk. Bovendien is het met behulp van de nieuwste generatie hepatobiliaire contrastmiddelen, zoals het gebruik van Gd-EOB (Primovist), mogelijk om de orgaanfunctie en het specifieke opnamegedrag van focale leverlaesies te kwantificeren en te meten. Een andere benadering die veelbelovend is voor het bevorderen van de karakterisering van HCC's heterogeniteit, is het gebruik en de ontwikkeling van op kunstmatige intelligentie (AI) gebaseerde algoritmen voor nabewerking van afbeeldingen, waaronder radiomics-analyse.

Tot op heden zijn er geen gevestigde beeldkenmerken die correleren met een van de nieuwe WHO HCC-subtypes. Het doel van ons project is om beeldvormende biomarkers te identificeren die correleren met de nieuwe HCC-subtypes, om ze te helpen deze niet-invasief te classificeren. Als volgende stap zullen we met de hulp van onze medewerkers een radiologisch-pathologische referentiedatabase faciliteren. In een derde stap en met behulp van de gegevens die we hebben samengesteld, zullen we proberen morfologische beeldvormingskenmerken te identificeren door het gebruik van op AI gebaseerde nabewerkingsalgoritmen om de subtypen niet-invasief te classificeren en om de individuele therapierespons en prognose van de patiënt te voorspellen/inschatten. De laatste uitdaging zal zijn om deze algoritmen te implementeren in de dagelijkse klinische routine. We moeten daarom interface-dilemma's identificeren en slimme oplossingen presenteren om ze op te lossen.

We zijn ervan overtuigd dat door het implementeren van de bijgewerkte WHO-criteria in klinische workflows, de huidige opvattingen en richtlijnen in de diagnose en therapie van HCC zullen veranderen. MRI HCC-beeldvorming met Primovist zal een sleutelrol spelen in dit project. De resultaten van ons project kunnen de kennis opleveren die als hoeksteen kan dienen bij beeldvorming en therapiebeoordeling van HCC om een ​​gepersonaliseerde therapiebenadering te verbeteren.